식품공학에서
AI 대학원으로

• 경험 — 식품 실험과 품질 데이터를 다루며 데이터 기반 의사결정의 한계를 느꼈다.
• 문제의식 — 관능·이화학 데이터는 비선형이고 고차원인데 전통 통계로는 부족하다.
• 연결 — 그래서 품질과 유통기한 예측, 외관 불량 검출, 분광·센서 데이터 분석에 기계학습이 필요하다.
• 목표 — 지원 학과의 실제 개설 과목명과 교수 연구 분야를 짚어 한두 문장으로 좁힌다.

9월에 만드는 미니 프로젝트를 근거로 넣으면 문제의식과 연결이 한 번에 설득된다. 반대로 내가 답하지 못할 논문이나 방법론은 절대 적지 않는다. 여기 쓴 모든 문장이 면접 질문이 된다.

• 서류가 무게중심이다. 면접은 이미 정해진 결과를 확인하는 자리 같았다는 후기가 여러 학교에서 반복된다.
• 파이썬은 협상 대상이 아니다. 파이썬을 가르치지 않고 파이썬으로 가르친다는 말이 여러 곳에서 회자된다.
• 병행 가능성은 숫자로 답한다. 가능하다는 말 대신 근무 형태와 통학 시간, 주말 학습 블록으로.
• 자신 있는 과목 하나를 정해 깊게 준비한다. 그 과목으로 파고드는 구조가 흔하다.
• 석사 경험이 큰 무기다. 실험 설계와 논문 읽기, 데이터 처리를 이미 해봤다는 뜻이다.
• 모르면 추론한다. 정확히는 모르지만 이렇게 미루어 보면, 이 태도가 침묵보다 언제나 낫다.
• 학교마다 접수 기간과 제출 서류가 다르다. 10월에 표로 정리해 두지 않으면 지원 자체를 놓친다.