AI/ML 커리어 준비하기 🔥
AI/ML 분야를 공부하다 보면 해야 할 것이 정말 많아 보입니다.Machine Learning, Deep Learning부터 시작해서 LLM, VLM, 생성 모델, Agent까지. 새로운 기술과 논문은 계속 등장하고, 채용공고를 보면 요구하는 역량도 한두 가지가 아닙니다.그러다 보니 자연스럽게 이런 고민을 하게 됩니다.“그래서 뭘 공부해야 하지?”하지만 AI/ML 커리어를 길게 바라본다면, 특정 기술 하나를 공부하는 것보다 먼저 생각해봐야 할 것들이 있습니다. 1. 결국 기초와 경험이 중요합니다AI/ML을 공부할 때 최신 모델과 기술에 눈이 가는 것은 당연합니다. 하지만 새로운 기술을 빠르게 이해하고 활용하기 위해서는 결국 기본기가 필요합니다.Linear Algebra, Probability & Statistics 같은 수학적 기초부터 Machine Learning, Deep Learning의 기본 개념, Optimization, Loss Function, Evaluation 등에 대한 이해가 대표적입니다.다만 기본기를 안다고 해서 바로 경쟁력이 생기는 것은 아닙니다.중요한 것은 배운 내용을 실제 문제에 적용해본 경험입니다. 모델을 직접 구현하고 학습해보는 것, 데이터의 문제를 찾아보는 것, 성능이 나오지 않는 이유를 분석하는 것, 여러 가설을 세우고 실험을 통해 검증하는 것.이런 과정을 반복하면서 지식은 비로소 문제 해결 능력으로 바뀝니다.그래서 AI/ML 커리어에서는 ‘무엇을 공부했는가’와 함께 ‘무엇을 해봤는가’가 중요합니다. 2. 대학원 역시 목적이 아니라 수단입니다AI/ML 커리어를 고민하다 보면 대학원 진학을 한 번쯤 생각하게 됩니다.특히 Research Scientist/Engineer 를 목표로 한다면 석·박사 과정에서 얻을 수 있는 연구 경험이 중요한 자산이 될 수 있습니다. 하지만 모든 AI/ML 직무에 대학원이 반드시 필요한 것은 아닙니다.중요한 것은 내가 어떤 커리어를 원하는지 먼저 생각하는 것입니다.새로운 방법론이나 모델 자체를 연구하고 싶은지, 연구 결과를 실제 문제에 적용하는 Applied Research를 하고 싶은지, 혹은 모델의 Training, Evaluation, Optimization, Serving까지 다루는 Research Engineering이나 ML Engineering을 하고 싶은지에 따라 필요한 경험은 달라집니다.대학원은 그중 하나의 방법입니다.연구 역량이 필요한 커리어라면 대학원이 좋은 선택이 될 수 있고, Engineering 역량이 더 중요한 커리어라면 실제 프로젝트와 개발 경험이 더 중요할 수도 있습니다.그래서 “AI를 하려면 대학원을 가야 할까?”보다 “내가 원하는 일을 하기 위해 어떤 경험이 필요한가?”를 먼저 질문해보는 것이 좋습니다. 3. 기본기를 먼저 쌓기AI/ML 분야에서는 새로운 기술이 끊임없이 등장합니다. LLM, VLM, Image/Video Generation, RAG, Agent처럼 새로운 분야가 주목받을 때마다 무엇을 먼저 공부해야 할지 고민하게 되죠.최신 기술을 공부하고 경험하는 것은 분명 중요합니다. 하지만 그보다 먼저 갖춰야 하는 것은 기본기입니다. Machine Learning과 Deep Learning의 기본 원리, Model Architecture, Loss Function, Optimization, Training, Evaluation 등에 대한 이해가 충분하지 않은 상태에서 특정 모델이나 프레임워크의 사용법만 익히면 기술이 바뀌었을 때 그 지식도 함께 쓸모를 잃기 쉽습니다.예를 들어 Transformer를 직접 공부하고 Attention의 원리를 이해한 사람과 특정 LLM API의 사용법만 익힌 사람은 새로운 모델과 기술을 접했을 때 문제를 이해하는 깊이에서 차이가 날 수밖에 없습니다.Engineering도 마찬가지입니다. Distributed Training이나 Inference Optimization을 단순히 라이브러리의 옵션과 사용법으로만 알고 있는 것과, GPU Memory, Parallelism, Communication, Throughput과 Latency 같은 기본 원리를 이해하고 사용하는 것은 다릅니다.그렇다고 기본기만 계속 공부해야 한다는 뜻은 아닙니다. 기본기를 충분히 쌓았다면 반드시 응용 기술을 공부하고 직접 경험해봐야 합니다. 기본기가 새로운 기술을 빠르게 이해할 수 있는 토대라면, 응용 경험은 그 지식을 실제 문제를 해결하는 능력으로 바꿔줍니다.결국 둘 다 중요합니다. 다만 기초 없이 쌓은 응용 기술에 대한 지식은 쉽게 무너집니다.유행하는 기술은 계속 바뀌지만 그 기술을 구성하는 핵심 원리는 생각보다 오래 남습니다. 기본기를 탄탄하게 만들고, 그 위에 새로운 기술과 경험을 계속 쌓아가는 것이 AI/ML 커리어를 오래 가져갈 수 있는 방법입니다. 4. 쉬운 것은 경쟁력이 되기 어렵습니다요즘은 AI를 공부하고 활용하는 것 자체가 과거보다 훨씬 쉬워졌습니다.좋은 강의와 오픈소스가 많아졌고, Hugging Face에서 모델을 가져와 몇 줄의 코드로 실행할 수도 있습니다. 생성형 AI의 도움을 받으면 구현의 진입장벽도 훨씬 낮아졌습니다. 좋은 변화입니다. 하지만 커리어의 관점에서는 한 가지를 생각해볼 필요가 있습니다.내가 쉽게 할 수 있는 일은, 다른 사람도 쉽게 할 수 있을 가능성이 높습니다.Pre-trained Model을 가져와 실행해보는 것, 튜토리얼을 따라 Fine-tuning 해보는 것, API를 연결해 서비스를 만들어보는 것만으로는 점점 차별화하기 어려워질 수 있습니다.그래서 그다음 단계가 중요합니다. 남들이 쉽게 해결하지 못하는 문제를 정의하고 해결해보는 것. 논문의 방법을 직접 구현하고 개선해보는 것. 데이터와 모델의 문제를 분석해 성능을 끌어올리는 것. 대규모 학습 과정에서 발생하는 문제를 해결하거나 제한된 GPU 환경에서 Training과 Inference를 최적화하는 것.Research든 Engineering이든 결국 경쟁력은 ‘남들이 쉽게 하지 못하는 일을 할 수 있는 능력’에서 만들어집니다.처음부터 어려운 문제를 해결할 필요는 없습니다. 다만 프로젝트와 공부를 반복하면서 조금씩 더 어려운 문제를 선택해보세요. 그리고 그 문제를 해결하기 위해 깊게 파고들어 본 경험을 만들어보세요.AI 기술이 발전할수록 많은 것들이 더 쉬워질 겁니다. 그럴수록 ‘무엇을 사용할 줄 아는가’보다 ‘어떤 어려운 문제를 해결할 수 있는가’가 더 중요한 경쟁력이 될 수 있습니다.
.png?w=560)
.png?w=560)
.png?w=560)
