머신러닝 주니어 테스트 및 코드품질 기술면접

전처리 함수의 단위 테스트에서는 첫째, 입력 데이터의 shape과 dtype이 예상대로 변환되는지 확인해야 합니다. 둘째, 결측치가 정의한 전략대로 처리되는지 검증해야 합니다. 셋째, 스케일링이나 정규화가 올바른 범위로 변환되는지 확인합니다. 넷째, 범주형 변수의 인코딩이 정확히 수행되는지 테스트합니다. 다섯째, edge case(빈 데이터, 극단값 등)에서도 예외 처리가 잘 되는지 검증해야 합니다.

통합 테스트에서는 먼저 실제 프로덕션 환경과 유사한 조건을 만들기 위해 작은 크기의 실제 학습된 모델을 사용해야 합니다. 각 단계 간 데이터 형식과 인터페이스가 올바르게 연결되는지 확인하고, end-to-end로 예측 결과가 예상 범위 내에 있는지 검증합니다. 테스트용 fixture 데이터는 실제 데이터의 특성을 반영하되 작은 샘플로 준비하여 테스트 속도를 유지합니다. 또한 모델 로딩 실패, 잘못된 입력 형식 등의 에러 시나리오도 함께 테스트해야 합니다. 마지막으로 예측 결과의 일관성을 확인하기 위해 동일 입력에 대한 재현성을 검증합니다.

먼저 모든 하이퍼파라미터를 별도의 설정 파일(YAML, JSON 등)이나 dataclass로 분리하여 중앙 관리해야 합니다. 긴 학습 함수는 데이터 로딩, 모델 초기화, 학습 루프, 평가, 저장 등의 단일 책임을 가진 작은 함수들로 분해합니다. 각 함수는 명확한 입출력을 가지도록 설계하여 독립적으로 테스트 가능하게 만듭니다. 반복되는 코드 패턴은 유틸리티 함수나 클래스로 추출하여 재사용성을 높입니다. 또한 매직 넘버는 상수로 정의하고 의미 있는 변수명을 사용하여 코드 가독성을 개선합니다.

TDD는 먼저 실패하는 테스트를 작성(Red)하고, 테스트를 통과하는 최소한의 코드를 구현(Green)한 뒤, 코드를 개선(Refactor)하는 사이클로 진행됩니다. 머신러닝에서는 먼저 feature engineering 함수의 입력과 기대 출력을 정의하는 테스트를 작성합니다. 예를 들어 특정 입력 데이터에 대해 생성될 feature의 shape, 값의 범위, 통계적 속성 등을 테스트로 명시합니다. 그 다음 테스트를 통과하는 간단한 구현을 작성하고, 테스트가 통과하면 성능 최적화나 코드 구조 개선을 진행합니다. 이 방식은 요구사항을 명확히 하고, 회귀 버그를 방지하며, 리팩토링 시 안정성을 보장하는 장점이 있습니다.

코드 리뷰에서는 먼저 변수명과 함수명이 명확하고 일관된 네이밍 컨벤션을 따르는지 확인합니다. 둘째, random seed 설정 등 재현성을 보장하는 코드가 포함되어 있는지 점검합니다. 셋째, 파일 로딩 실패, 메모리 부족 등의 예외 상황에 대한 적절한 에러 처리가 있는지 확인합니다. 넷째, 주요 함수에 docstring이 작성되어 있고 복잡한 로직에 주석이 있는지 검토합니다. 다섯째, 하드코딩된 값이 없고 매직 넘버가 상수로 정의되어 있는지 확인합니다. 마지막으로 불필요한 중복 코드나 사용하지 않는 import가 없는지 점검합니다.