AI계의 거장, 앤드류 응이 말하는 AI 커리어 쌓는 법(How to Build Your Career in AI)

 

 컴퓨터공학을 전공한 저로서 IT분야의 빠른 발전 때문에 개발자로 살아가기 위해서는 끊임없는 공부가 필요함을 잘 알고 있지만, AI는 이러한 발전 속도를 더욱 가속화 시키고 있는 것처럼 보입니다. 과연 나는 이러한 빠른 속도를 잘 따라갈 수 있을까 싶은 생각이 많이 들지만, 적어도 아무것도 안하는 것 보다는 오늘 하루라도 논문 한 장 더 읽어볼까 하는 생각을 하곤 합니다.

 

 

 그러던 도중, AI의 4대 거장 중 한 사람인 앤드류 응(Andrwe Ng) 교수님이 무료로 공개한 서적이 있어 여러분들께 소개드리고자 합니다. 책을 한 페이지 읽을수록 앤드류 응 선생의 조언 한마디의 대단함을 느끼게 될 것입니다. 

How to Build Your Career in AI

커리어를 성장시키는 3단계

1. 학습(Learning)

 첫 단계는 기초적인 기술 능력을 익히는 단계입니다. 이를 위해 기초 수학은 물론 딥러닝 알고리즘을 직접 설계하기 위한 소프트웨어 개발 역량을 처음부터 차근차근 갖추어 나아가는 과정이 중요합니다.

 먼저 머신러닝은 기본 모델(회귀분석, 로지스틱 회귀, 인공신경망, 의사 결정 트리 등)에 대한 개념 학습과 함께, 이를 가능케하는 핵심 원리를 이해해야 합니다. 편향과 분산, 비용 함수(Cost Function), 규제(Regularization), 최적화 등의 이해가 필요합니다.

 딥러닝은 머신러닝의 일부로서 비슷한 개념들이 활용되지만, 트랜스포머(Transformer), CNN(Convolution Neural Network), 시퀀스 모델(Sequence Model) 등의 특화 모델을 공부해야 합니다. 언급한 모델 또한 그 원리를 파악하기 위해서는 어느 정도 수학 개념 학습이 선행되어야 합니다. 여기선 선형대수, 확률과 통계, 베이즈 룰, 미적분학 등이 중요합니다. 사실 인공지능과 통계를 포함한 수학은 떼려야 뗄 수 없는 관계입니다.

앤드류 응 교수님은 이에 더해 탐색적 데이터 분석, 즉 EDA(Exploratory Data Analysis)를 강조합니다.EDA는 주로 데이터를 시각화하여 데이터 분포를 파악하거나 오차를 분석하고 인사이트를 도출하는 과정을 의미합니다. EDA가 중요한 이유는 데이터 중심 AI (Data-Centric AI) 개발에서 핵심적인 역할을 하기 때문입니다.

 그리고 마지막으로 소프트웨어 개발과 코드를 작성하는 능력입니다. 개발 실력은 여러분의 취업 기회를 확장시켜줍니다. 결국 기업은 서비스를 직접 개발하는 사람을 선호하기 때문이지요. 기초 프로그래밍과 더불어 자료 구조, 알고리즘 등을 익히고 파이썬(Python) 언어 기반의 딥러닝 라이브러리를 공부해야 합니다. 딥러닝 라이브러리로 TensorFlow, PyTorch, scikit-learn 등이 있습니다.

 1단계 학습만하더라도 할 일이 정말 많지만, AI를 공부하기 위한 자료는 넘쳐납니다(심지어 최신 논문들도 무료로 바로 읽어볼 수 있습니다!). 사실 빠르게 변화하는 만큼 AI 분야에 일하고자 하는 사람들은 개발자와 마찬가지로 대부분 평생 학습자로 살아갑니다. 때문에 꾸준하게 공부하는 습관을 들이는 것이 중요합니다.

2. 프로젝트(Projects)

기초적인 기술을 익혔다면 다음 단계는 실제 프로젝트에 적용해보는 일입니다. 이 책에서는 5단계 수행 과정을 소개하고 있습니다.

1단계) 비즈니스 문제 찾기
 AI는 우리 일상이나 비즈니스 속 문제를 푸는 데 도움을 줄 수 있습니다. 그러기 위해 프로젝트 기획은 AI 개발 경험을 늘리기보다는 비즈니스 문제를 찾기 위한 목적으로 진행해야 합니다. 이를 위한 중요한 질문들을 발굴하는 것이 중요합니다.

2단계) AI 솔루션 찾기
 주어진 문제에 대해 질문을 던지고 해결 방안을 찾는 과정에서 AI를 어떻게 활용할 수 있을지 고민보는 과정은 중요합니다. 단순히 답을 찾는 것만으로는 부족합니다. 문제를 제대로 이해했다면 더 효율적인 해결 방안이 나올 수 있습니다. 한 가지 방법을 고민하기보다는 동료들과 브레인스토밍하며 다양한 접근을 시도해 봅시다.

3단계) 실행 가능성 평가하기
 잠재적 솔루션에 대해 실행가능성을 평가해 보아야 합니다. 이때 기존 연구를 참고하거나 빠르게 개념 증명(POC, Proof of Concept)을 시행하여 해결 방안을 결정합니다. 물론, 도메인 전문가를 찾아 함께 논의를 한다면 더욱 좋겠지요? 만약 여러분들이 제조업에 종사하시는 분들이라면 현장에서 요구하는 내용을 검토해보는 것도 좋은 방법입니다.

4단계) 마일스톤 결정하기
 선택한 솔루션이 충분히 실행 가치가 있다고 판단된다면 그다음은 목표 측정을 위한 지표 수립입니다. 여기서 말하는 지표는 머신러닝 평가 지표뿐만 아니라 비즈니스의 성과 지표도 포함됩니다. 통상 연구 환경에서는 머신러닝 평가 지표 개선을 중시하지만, 이것이 반드시 비즈니스 성과 개선으로 이어지는 것은 아닙니다. 이 차이를 이해하고 정확한 마일스톤을 결정하고 목표 도달 정도에 따라 해결 방안의 실효성을 보여야 합니다.

5단계) 프로젝트 예산 수립
 앞선 모든 과정을 마쳤다면 리소스에 대한 예산을 세워야 합니다. 매우 현실적인 부분이라고 할 수 있는데요, 데이터·인적 자원·시간 등 프로젝트에 드는 모든 자원은 예산 문제와 직결됩니다. 수립한 예산 계획에 맞춰 프로젝트를 수행하는 과정이 최종 난관이라고 할 수 있습니다.

 처음 프로젝트를 진행할 때는 작은 문제부터 해결해보아도 괜찮습니다. 꼭 프로젝트를 주도할 필요도 없습니다. 이미 진행 중인 프로젝트에 참여하는 것도 괜찮습니다. 현직자일 경우 근무시간 이후 개인 시간을 쪼개 사이드 프로젝트를 진행해보는 것도 추천합니다.

3.직업 (Job)

 세 번째 챕터에서는 취업과 이직에 대한 팁과 조언들이 정리되어 있습니다. 앤드류 응 교수님은 AI 커리어 개발을 위한 핵심키로 5가지를 꼽는데요, 비단 AI 분야에만 해당하는 이야기는 아닐 것입니다.

a.팀 워크
 AI 프로젝트를 혼자 개발하는 경우는 거의 없습니다. 대형 프로젝트를 다룰 때 다른 팀원들과 협업하고 소통하는 능력이 매우 중요합니다. Github 등 오픈소스 프로젝트에 기여과정을 경험하며 사람들과 논의하는 과정이 큰 도움이 될 것입니다.

b. 네트워킹
 아무리 인적자산을 관리하는 것이 싫다 하더라도 독고다이 마냥 혼자서만 지내기는 어렵습니다. 네트워킹은 여러분이 앞으로 성장할 때 큰 추진력이 됩니다. 특히 다른 분야의 전문가와 교류를 한다면 도움이나 조언을 구할 때 한 분야에 국한되지 않고 더 넓은 시야를 갖출 수 있도록 도와줄 것입니다.

c.직업 탐색
 직업을 찾는 일은 중요하지만 한가지에만 매몰되어서는 안 됩니다. 커리어를 쌓는 데는 앞서 언급한 기초 능력 개발, 프로젝트 수행 등 다양한 선행 과정들이 꼭 필요합니다. 직업 탐색 과정은 커리어 개발의 긴 여정의 일부분이라는 사실을 잊지 말아야 합니다.

d.자기만의 규칙
 성공한 사람들은 대부분 좋은 습관을 갖추고 있습니다. 일하고 공부하는 것뿐만 아니라 먹는 것, 자는 것, 운동하는 것처럼 기초적인 생활 습관까지 바르게 갖추어야 건강한 삶을 유지할 수 있습니다.

e.이타심
 남을 위한 이타적인 행동은 곧 자신에게 돌아옵니다. 모든 과정에서 다른 사람들을 돕고 함께 성장하는 것을 도모한다면, 결국 자신에게 더 좋은 결과물이 돌아올 것입니다.

 

앤드류 응 선생님의 서적은 아래의 링크를 통해 다운로드 받으실 수 있습니다.

 

How to Build Your Career in AI eBook - Andrew Ng Collected Insights