축하합니다, nistring님! 수상의 영광을 함께 나누게 되어 기쁩니다. 

 우승의 기쁨을 맛본 소감을 한마디로 표현해 주세요.

대회 경험이 많지 않았는데 뜻밖에 좋은 성과를 얻게 되어 정말 기쁩니다.

 팀의 이야기를 들려주세요.

몇 달 전부터 Genomic Language Model(gLM)을 공부하기 시작했습니다. 경험이 부족해 연구에 어려움을 겪던 중 지인의 추천으로 이번 대회를 알게 되었고, 이를 통해 gLM에 대한 이해를 넓히고자 출전했습니다.

 여러분을 돋보이게 한 특별한 점은 무엇인가요?

단순히 높은 성능을 목표로 하기보다 작은 주제라도 의미 있는 연구를 한다는 마음으로 임했습니다. 연구에서는 사용한 방법론을 합리적으로 정당화하는 것이 중요하다고 생각해왔습니다. 수많은 언어모델과 기법 중 돌연변이에 민감한 모델을 만들기 위해 어떤 접근이 필요한지 끊임없이 고민했고, 결국 ‘반드시 그래야만 하는 것(es muss sein)’을 찾고자 했습니다.

 이번 성과의 비결은 무엇이라고 생각하시나요?

일정 수준에 다다르고 모델 개선을 멈출 수도 있었지만, 열정적으로 참여하는 다른 팀들을 보며 끝까지 최선을 다할 수 있었습니다. 모든 참가자들께 감사드리며, 함께 고생하셨다고 말씀드리고 싶습니다.

 대회 기간 중 특별히 기억에 남는 순간이 있다면 공유해 주세요.

성능이 기대에 미치지 못했을 때 원인을 분석하고 해결책을 적용해 성능을 개선했을 때가 가장 기억에 남습니다. 예를 들어, 처음에는 backbone 모델의 embedding을 그대로 사용했지만, 단일염기변이에 민감하게 만들 방법을 고민하다가 SNV의 nucleotide 주변에서 local feature를 추가로 추출해 활용했을 때 성능이 크게 향상된 것이 기억에 남습니다.

 데이터 분석이나 학습 과정에서의 나만의 비법이 있다면요?

시간이 걸리더라도 넓은 관점에서 공부하며 세부 기법들의 장단점을 따져 근거 있는 방법론을 선택하려고 합니다. 단순히 최신 기법을 적용해보는 것과는 차이가 있습니다. 그래서 먼저 gLM 관련 리뷰 논문을 다수 읽었고, 이후 성능 향상을 위해 BERT 기반 모델의 pooling 기법을 다룬 arXiv 논문도 참고했습니다.

 수상을 기념하여 빌 수 있는 한 가지 소원이 있다면?

내년에도 이번처럼 좋은 운이 따르길 바라며, 동시에 언제나 뜻한 바를 잊지 않고 나아가고 싶습니다.

 앞으로의 목표와 꿈을 말씀해 주세요.

gLM과 제약 관련 AI를 꾸준히 공부하여 실력 있는 과학자로 성장하고, 연구를 통해 의학에 실질적인 기여를 하는 것이 목표입니다.

 데이콘 커뮤니티에 바라는 점이 있다면 무엇인가요?

대회를 준비해주신 데이콘에 감사드립니다. 행복하세요!