1. [AXA손해보험-면접] 데이터사이언스팀 .hwp
2. [AXA손해보험-면접] 데이터사이언스팀 .pdf

인턴이 만든 가이드는 현업이 잘 안 씁니다
현업이 쓰는 문서로 바꾸는 능력입니다.가이드는 길면 안쓰입니다.
핵심 필드 정확도 개선입니다.
데이터셋 구성 기준, 라벨 정의서, 오류분류체계, 전후처리가이드, 평가리포트 템플릿을 남겨 다음 사람이 바로 이어받을 수 있게 만들겠습니다.
저는 비정형 문서 자동화에서 가장 중요한데이터 품질과 오류 분석, 운영가이드 표준화를 끝까지 책임져 실제 업무에 적용되는 결과로 바꾸는 인턴입니다.
대표성 있는데이터 셋 구성, 오류 유형 분류, 평가체계 정립, 가이드문서화는 상용 솔루션을 실제 생산성 향상으로 연결하는 핵심 작업입니다.
그리고 라벨링과 평가, 개선이 연결되는 파이프라인을 만들면 이것은 명백히 데이터 사이언스 업무입니다.
저는 OCR과 문서 처리에서 성능을 단순 평균 정확도로 보지 않고, 업무 영향이 큰 핵심 필드의 정확도, 예외 케이스 안정성, 오류 추적 가능성으로 정의합니다.

AXA손해보험 데이터 사이언스팀 인턴에 지원한 이유와 직무 이해를 말해주세요
문서 전처리와 OCR 후처리가이드를 만든다면 어떤 구조로 작성하겠습니까
보험 업무를 빠르게 이해하는 본인 방법을 말해주세요
인턴 기간 동안 본인이 만들고 싶은 성과와 측정지표는 무엇입니까
마지막으로 본인을 뽑아야 하는 이유를 한 문장으로 말해주세요
저는 보험업의 데이터 사이언스가 단순한 예측 모형 개발을 넘어, 실제 업무 프로세스를 바꾸는 자동화와 품질혁신에서 가장 큰 임팩트가 나온다고 믿습니다.
저는 데이터를 깔끔하게 만들고, 오류를 분류해 원인을 찾고, 개선안을 규격화해 재발을 막는 방식으로, 인턴이지만 실제 운영에 남는 성과를 만들고 싶습니다.
데이터 설계 능력입니다.
오류를 시스템적으로 분해하는 능력입니다.
현업이 쓰는 문서로 바꾸는 능력입니다.가이드는 길면 안쓰입니다.
입력 단계에서는 문서 출처와 품질 분포를 정의하고, 전처리에서는 회전보정, 노이즈 제거, 대비 조정, 영역 크롭같은 처리를 적용하되 과도한 전처리가 원문을 훼손하지 않도록 기준을 둡니다.
이미지 품질 문제, 레이아웃 인식 문제, 문자인식 문제, 필드 매핑 문제, 후처리 규칙 문제.2층은 현상레벨입니다.
누락, 삽입, 치환, 순서 뒤바뀜, 단위 오류(원/천원), 자리 수오류, 공백/줄바꿈 문제 등.3층은 업무 영향 레벨입니다.
지급 판단에 치명적인 오류(금액/일자/사고번호), 재작업 유발 오류(일부 누락), 경미오류(표기흔들림). 이렇게 분류하면 개선이 "모델을 바꾼다 "같은 추상적 처방이 아니라 "전처리에서 회전보정임계 값 조정", "후처리에서 금액 정규화 규칙 추가"처럼 실행단위로 내려옵니다.
저는 1) 목적과 적용 범위 2) 문서 유형별 처리 흐름도 3) 전 처리 체크리스트(회전, 해상도, 크롭, 노이즈)4) 후처리 규칙(정규표현식, 포맷 통일, 예외처리)5) 대표 오류 사례와 대응(원인-조치-재검증)6) 품질 기준과 승인 절차 7 버전 관리와 변경 이력순으로 구성하겠습니다.
필드 정의, 포함/제외 기준, 경계 사례 처리 원칙을 명확히 하고, 샘플 20개 정도로 파일럿 라벨링을 진행해 분쟁 포인트를 먼저 드러내겠습니다.
이 경우 정의서를 보완하고, 라벨링 도구의 UI를 개선(선택 가능한 후보 제시 등)해 불일치를 줄이겠습니다.
저는 1) 문제 정의와 현업 영향 2) 현재 프로세스의 병목과 데이터 근거 3) 개선파이프라인 구조4) 성능 결과와 한계 5) 운영 가이드와 예외 처리 6) 다음 개선 로드맵 순으로 구성하겠습니다.
핵심 필드 정확도 개선입니다.
저는 비정형 문서 자동화에서 가장 중요한데이터 품질과 오류 분석, 운영가이드 표준화를 끝까지 책임져 실제 업무에 적용되는 결과로 바꾸는 인턴입니다.
인턴이 할 일은 바로 그 '현업 적합화'입니다.
대표성 있는데이터 셋 구성, 오류 유형 분류, 평가체계 정립, 가이드문서화는 상용 솔루션을 실제 생산성 향상으로 연결하는 핵심 작업입니다.
저는 솔루션의 성능을 "현업이 체감하는 성과"로 변환하는 역할을 하겠습니다.
그리고 라벨링과 평가, 개선이 연결되는 파이프라인을 만들면 이것은 명백히 데이터 사이언스 업무입니다.
우선순위는 업무영향이 큰 필드부터입니다.
신뢰도 기반 검증, 필드 규칙 검증, 예외 케이스 분기, 로그와 재처리 루프를 설계해 잘못된 결과가 그대로 흘러가지 않게 하겠습니다.
저는 OCR과 문서 처리에서 성능을 단순 평균 정확도로 보지 않고, 업무 영향이 큰 핵심 필드의 정확도, 예외 케이스 안정성, 오류 추적 가능성으로 정의합니다.

처리, 문서, 오류, 데이터, 만들다, 필드, 개선, 문제, 품질, 라벨, 이다, 인턴, 가이드, 케이스, 업무, 업, 정확도, 실제, 규칙, 어떻다