Temporal Fusion Transformer 기반 자타해 위험 예측 모델 개발 초기, 성능이 기대치에 미치지 못하는 상황을 마주하였습니다. 저는 섣불리 모델 구조를 전체적으로 바꾸기보다 그 전 단계인 데이터 전처리 과정을 우선 의심하며 점검하였습니다. 위치, 센서, 환자 정보 등 데이터 퓨전 과정을 단계별로 다시 검토하였고, 그 결과 데이터 퓨전 단계에서 발생한 데이터 누락을 식별하여 수정함으로써 성능을 개선할 수 있었습니다. 이 경험을 통해 저는 문제를 감으로 처리하기보다 원인을 구조적으로 파악하고 끝까지 완성하는 끈기를 모델링 과정에서의 핵심 가치로 삼게 되었습니다.
자타해 위험 예측 프로젝트에서 백엔드 엔지니어와 데이터 및 예측 결과를 API로 어떻게 주고받을지 논의하며 연동 방식을 함께 설계했습니다. 또한 서울대병원 전문의와 병동 현장을 직접 확인하며 데이터가 생성되는 상황과 운영 흐름을 이해했습니다. 저는 모델 성능을 높이고 알고리즘을 연구하는 것만큼, 개발자와 실무자가 같은 문제를 같은 기준으로 바라보도록 합의하는 과정이 중요하다고 생각합니다. 이를 위해 데이터 수집 방식, 로그 구조, 전처리 기준을 팀과 협업자들과 함께 점검하며 기준을 정렬했습니다. 그 과정에서 급성 흥분이나 행동 격화 상황에서는 착용형 기기가 이탈하거나 미착용 상태로 전환되어 결측이 증가할 수 있음을 파악했고, 이를 근거로 데이터 수집 방식과 전처리, 평가 기준을 현실에 맞게 재정렬했습니다. 그 결과 개발과 현업이 같은 기준에서 결과를 검토할 수 있었고, 논의가 빠르게 개선 과제로 연결되도록 만들었습니다.
모델 성능이 잘 나왔을 때도 저는 먼저 원인을 확인합니다. 우연, 데이터 누수, 분포 편향, 특정 집단에만 유리한 학습 등으로 인해 겉보기 성능이 좋아 보일 수 있기 때문입니다. 그래서 좋은 결과가 나올수록 교차검증, 시간 기준 분리, 외부 검증, 에러 분석을 통해 일반화 가능성을 점검하고, 실험 설정과 전처리 과정의 타당성을 다시 확인합니다. 저는 이 습관이 단기적인 점수보다 장기적으로 신뢰할 수 있는 모델을 만든다고 믿습니다.
