출세한 익룡님의 면접 결과

Big-O 표기법의 점근적 특성을 정확히 이해하고 계시네요. O(log N)이 O(N²)보다 항상 빠르다는 점과 N이 커질수록 격차가 벌어진다는 핵심을 잘 짚으셨습니다. 여기서 한 단계 더 나아가면, 실제 상수 계수나 작은 입력 크기에서는 어떤 예외 상황이 있을 수 있는지 생각해보시면 좋겠습니다. 예를 들어 "10000 * log N vs N²"처럼 상수가 매우 클 때 작은 N 범위에서는 어떤 일이 일어날지, 그리고 언제부터 점근적 우위가 실제로 나타나는지 구체적인 수치로 분석해보시길 권합니다.

Big-O 표기법의 실무적 한계를 정확히 이해하고 계시네요. 상수 계수가 실제 성능에 미치는 영향을 올바르게 지적하셨습니다. 여기서 한 단계 더 나아가면, 언제까지 O(n^2)이 더 빠를지 구체적으로 계산해볼 수 있습니다. 예를 들어 "100n vs n^2"라면 n=100 지점에서 역전되죠. 또한 캐시 지역성, 메모리 접근 패턴 등 하드웨어 특성이 상수 계수에 어떤 영향을 주는지도 살펴보시면 알고리즘 선택 시 더욱 실용적인 판단을 내리실 수 있을 것입니다.

데이터 양과 처리 속도 제한을 고려한다는 방향성은 맞습니다. 하지만 실무에서는 더 구체적인 접근이 필요한데, 예를 들어 벤치마킹을 통한 실측, 데이터 크기별 임계점 파악, 메모리 사용량과 캐시 효율성 고려 등이 있습니다. 다음에는 "작은 데이터에서는 프로파일링으로 실측하고, 큰 데이터에서는 점근적 복잡도를 우선한다" 같은 구체적 기준을 제시해보세요.