세종대 인공지능 4.1 -> 한양대 인공지능 석사과정 합격

A. 학부 대학교
• 세종대학교

B. 전공, 학점
• 인공지능학과
• 4.1 / 4.5

C. 스펙 (어학, 대외활동 등)
• 어학: TOEIC 860
핵심 프로젝트:
• 멀티모달 생성형 AI 서비스 개발 (캡스톤 디자인): 최신 생성형 모델(Video Generation)과 AR 기술을 결합하여 사용자와 상호작용하는 서비스를 총괄 개발했습니다. 단순히 모델을 사용하는 것에 그치지 않고, 추론 속도 개선을 위한 시스템 최적화(비동기 처리 등) 경험을 메인으로 어필했습니다.
• 시계열 데이터 예측 연구: 딥러닝 모델(Transformer 계열)과 통계적 모델을 앙상블하여 예측 성능을 높이는 연구를 진행했습니다. 데이터의 특성에 맞춰 모델 구조를 변형해 본 경험을 강조했습니다.
• 기타: 교내 인공지능 학술 동아리 활동, SW 관련 경진대회 입상, 성적 우수 장학금 수혜 등.

D. 면접 후
면접은 자소서 기반의 간단한 인성 질문 후, 전공 기초 지식을 깊이 있게 검증하는 기술 면접 위주로 진행되었습니다. 단순히 개념을 아는지를 넘어, 수학적 의미와 실제 활용 이유를 명확히 설명해야 했습니다.
• Q1. PCA(주성분 분석)의 기하학적 의미와 활용에 대해 설명하시오.
• 답변: 데이터의 분산(Variance)을 가장 잘 보존하는 축을 찾아 데이터를 투영하는 기법이라고 답했습니다. 기하학적으로 고유벡터(Eigenvector)가 데이터가 퍼진 방향을, 고유값(Eigenvalue)이 그 크기를 나타낸다고 설명하며, 이를 통해 차원을 축소하거나 노이즈를 제거할 수 있음을 언급했습니다.
• Q2. 경사하강법(Gradient Descent)의 개념과 한계점은 무엇인가?
• 답변: 손실 함수의 기울기(Gradient) 반대 방향으로 파라미터를 업데이트하며 최솟값을 찾는 알고리즘이라고 설명했습니다. 한계점으로 Local Minima(지역 최솟값)나 Saddle Point(안장점) 문제를 언급했고, 이를 해결하기 위한 모멘텀(Momentum)이나 Adam 같은 Optimizer의 필요성을 덧붙였습니다.
• Q3. CNN과 Transformer의 차이를 Inductive Bias 관점에서 비교하시오.
• 답변: CNN은 지역성(Locality)과 이동 불변성(Translation Invariance)이라는 강한 Inductive Bias를 가져 이미지 특징 추출에 유리하지만, 전체 맥락을 보기 어렵다고 답했습니다. 반면 Transformer는 Self-Attention을 통해 전역적인(Global) 관계를 파악하는 데 강점이 있어, 제가 수행한 시계열 및 비디오 프로젝트에 더 적합했다고 설명했습니다.


E.
1. '구현력'을 갖춘 예비 연구자임을 어필하세요.
학부생 단계에서 엄청난 이론적 성과를 내기는 어렵습니다. 대신 본인이 가진 아이디어를 코드로 빠르게 구현하고, 시스템적으로 최적화할 수 있는 엔지니어링 역량을 보여주는 것이 큰 무기가 됩니다. 저는 면접과 컨택 메일에서 "모델을 단순히 돌려본 경험"보다 "시스템의 병목을 해결하기 위해 어떤 기술적 시도를 했는지"를 구체적으로 어필했고, 이 점이 긍정적으로 작용했다고 느꼈습니다.

2. 프로젝트의 '한계'가 곧 지원 '동기'입니다.
프로젝트를 진행하며 겪었던 기술적 한계(예: 모델 제어의 어려움, 데이터 처리의 문제 등)를 솔직하게 정리해 보세요. 그리고 그 문제를 해결하기 위해 지원하려는 연구실의 기술이 왜 필요한지를 논리적으로 연결하면 아주 강력한 지원 동기가 됩니다. 저는 "학부 프로젝트에서 겪은 구조적 한계를 교수님의 연구 방법론으로 해결하고 싶다"는 스토리텔링을 준비했는데, 이것이 연구 핏(Fit)을 맞추는 데 주효했습니다.