이렇게 하면 AI 개발자가 될 수 있어요!

글ㅣ뭅즤 AI/Computer Vision Engineer

이렇게 하면 AI 개발자가 될 수 있어요!

일자

상시

유형

아티클

태그

이 아티클은 <AI 개발자가 되고 싶다면> 시리즈의 3화입니다.

직무 변경을 결심한 이유

첫 직장인 A 대기업에 공채로 입사해 전자제품 하드웨어 개발자로 2년 가까이 일했습니다. 하드웨어 개발자는 전자제품의 회로기판을 설계하고, 검증하는 업무를 주로 담당하는데요. 완전히 새로운 것을 창조하기보다는 설계 스펙에 맞춰 회로기판과 제품 제작하는 것이 주요 목표죠. 그러나 입사 당시에는 정확히 어떤 일을 하게 될지 모르는 상태였고, 입사 연수 이후에서야 팀과 구체적인 직무가 배정되어 일을 시작하게 됐습니다.

신입으로서 처음부터 하고 싶은 일을 선택할 수 없었기 때문에, 입사 초기에는 전문성을 발휘할 수 없어 빠르게 적응하기 어렵기도 했어요. 물론 시간이 지나면서 업무에 익숙해졌지만, 주체적으로 일하고 있다는 느낌을 받지 못한다는 아쉬움이 남았습니다. 누군가는 ‘직장 생활은 원래 그런 거야.’라고 말할지도 모르겠습니다만, 저는 주체적으로 일하며 노력의 결과를 명확히 볼 수 있는 직무를 원했거든요.

당시 저는 전자제품에 탑재된 카메라로 AI 영상을 분석하는 것에 흥미를 갖고 있었는데, 일을 하면서 이 기술이 딥러닝과 컴퓨터 비전 분야와 관련 있다는 것을 알게 되었어요. 공부를 하면 할수록 선형대수, 확률 통계, 수치해석, 프로그래밍 등 (제 전공인) 전자공학과에서 공부한 내용들과 접점이 많다는 것도 깨닫게 됐죠. 딥러닝과 컴퓨터 비전 기술은 프로그래밍을 하며 새로운 걸 구현할 수 있다는 것도 매력적으로 다가왔고요. 그동안 회사에서 일하며 제가 한 일이 제품에 어떤 영향을 미치는지 직접적으로 알기 힘들어 답답함을 느꼈지만, 이 분야는 제가 무엇을, 어떻게 구현했는지 직접 확인할 수 있다는 것이 계속 공부를 하게 만드는 동기부여가 되었어요. 결국 딥러닝과 컴퓨터 비전을 깊이 있게 공부하기 위해 컴퓨터공학과 AI & Computer Vision 연구실에서 2년 동안 석사 과정을 듣게 되었습니다.

AI 개발자가 되려면?

대학원에서 머신러닝, 딥러닝, 확률 통계, 수치해석, 컴퓨터 비전, 이미지 처리 등의 과목을 공부했습니다. 또한, 컴퓨터 비전과 딥러닝, 그리고 제 연구 주제인 이미지 분류와 세그먼테이션에 대한 수많은 논문을 읽으며 깊이 있는 학습도 진행했습니다. 또, 3D 모델링 관련 프로젝트를 수행하면서 실무 경험도 쌓았습니다.

그런데 처음부터 대학원 과정을 수월하게 따라간 것은 아닙니다. 사실 대학원 첫 학기만 해도 애를 많이 먹었거든요. 하드웨어 개발자로서 기본적인 프로그래밍 지식은 있었으나, 컴퓨터공학과에서 4년을 보낸 졸업생들과는 상당한 실력 격차가 있을 수밖에 없었어요. 게다가 오랜 기간 동안 대학원 준비를 한 학생들에 비해서는 기본 지식과 경험도 부족했고요. 동기들과 격차를 줄이기 위해 입학 후 첫 1년 동안은 많은 노력을 쏟아부었습니다. 모르는 것을 부끄러워하지 않고 무엇이든 배우려 했어요. 책, 서적, 인터넷 검색, 유튜브 등 다양한 채널에서 정보를 얻고, 여러 실험을 통한 검증으로 경험을 쌓으려 고군분투했습니다.

그런데 AI 개발자가 되기 위해서는 대학원 진학이 반드시 필요한 걸까요? 불과 몇 년 전만 해도 저는 이 질문에 ‘당연하죠!’라며 동의했지만, 지금은 생각이 조금 달라졌습니다. 인공지능 정보가 보편화되어 공부할 수 있는 자료가 많아졌고, 간편한 AI 프레임워크 덕분에 AI 개발도 많이 편해졌기 때문입니다.

오해하지 마세요. AI 전문 지식이 덜 중요해졌다는 이야기가 아닙니다. AI에 대한 깊이 있는 이해는 여전히 필수적이며, AI 개발이 간편해진 만큼 AI 엔지니어로서 전문성을 갖추기 위해서는 더 많은 노력이 필요합니다. 다만, 어떻게 AI를 공부해야 할지 방향성을 잡는 게 중요할 거예요. 지금부터 방향성을 잡기 위한 몇 가지 팁을 소개하겠습니다.

AI 공부는 어떻게 해야 할까

✔️ 기본 개념

어떤 학문이든 기본 개념을 습득하는 방법에는 여러 가지가 있습니다. 대학 강의를 통해 체계적으로 배울 수 있고, 책을 읽거나 인터넷 강의와 기술 블로그로 배울 수도 있습니다. 다만 공부의 목적과 본인의 상황에 따라 적합한 방법이 달라지게 됩니다.

<Type A. 대학원 진학을 목표하는 사람>
대학원 진학을 목표하고 있거나 이미 대학원에 재학 중이라면, 기본적으로 전공 책으로 기초를 다지세요. 부족한 부분은 유튜브 강의 등을 통해 보충하는 것이 효과적입니다. 대학원 초기에는 기본 개념을 탄탄히 다지는 것이 중요하기 때문에 지루하거나 어려워도 포기하지 마세요. 머신러닝과 딥러닝에 대한 깊은 이해는 분명 나중에 큰 도움이 됩니다.

<Type B. 가볍게 입문하고 싶은 사람>
가볍게 입문하고 싶거나 이전에 공부했던 내용을 복습하고 싶은 사람이라면, 인터넷 강의나 기술 블로그를 활용하는 것이 좋습니다. 인공지능에 대한 기초적인 지식을 쌓기에 유익한 강의가 많습니다. 특히 영상 강의는 쉽고 직관적인 설명을 제공해 시간을 절약할 수도 있습니다. 특히, 성킴(Sung Kim) 교수의 유튜브 강의인 '모두를 위한 딥러닝🔗' 시리즈는 입문 강의임에도 깊은 이해를 돕는 좋은 영상입니다. 블로그의 경우 아래 4개를 추천드립니다.

🔗네이버 클로바 엔지니어링 블로그 : https://engineering.clova.ai
🔗당근 테크 블로그 : https://medium.com/daangn
🔗우아한형제들 테크 블로그 : https://techblog.woowahan.com
🔗개인(JINSOL KIM) 테크 블로그 : https://gaussian37.github.io

TIP. 개인 블로그는 간혹 검증되지 않은 정보가 섞여 있을 수 있으므로, 여러 출처를 참고하며 사실 여부 확인을 권합니다.

✔️ 심화 개념

<Type C. 깊이 있는 공부를 하고 싶은 사람>
머신러닝과 딥러닝을 깊이 있게 공부하기 위해 논문 학습은 필수입니다. AI 분야는 최근 몇 년간 급속히 발전해 왔기 때문에 한글 자료로 정리된 정보를 찾기 어려운 경우가 많습니다. 따라서 다양한 AI 기술을 탐구하기 위해 논문을 통해 필요한 정보를 습득하는 것이 중요합니다.

논문이 영어로 작성되어 있어 처음에는 이해하기가 어려울 수 있습니다. 저 역시 처음에는 한 편의 논문을 읽는 데 최소 2주 이상이 걸렸어요. 그러니 처음부터 논문의 모든 내용을 스스로 이해하려 하기보다 논문 리뷰를 보며 함께 공부해 보세요. 구글에 논문 제목을 검색하면 한글로 된 리뷰를 쉽게 찾을 수 있으며, 'pr12'라고 유튜브에 검색해 보면 유명한 논문 리뷰 영상을 볼 수 있습니다.

이제 논문을 이해했다면, 동기들과 의견을 나누는 것도 중요합니다. 만일 대학원생이라면, 연구실에서 논문을 발표하고 토론하는 세미나를 통해 서로의 이해를 돕고 성장할 수 있습니다. 이런 과정은 개인적으로 공부하는 것보다 더욱 빠르게 발전할 수 있는 좋은 기회가 됩니다. 대학원생이 아니더라도 걱정하지 마세요. 딥러닝 논문 읽기 모임이나 온라인 세미나에 참여하면 되니까요. 아니면, 카카오톡 AI 개발 관련 오픈 채팅방에서 의견을 교환하는 것도 추천드립니다.

✔️ 실무 역량

딥러닝을 공부할 때 중요한 것은 끊임없이 학습하고 실천하는 것입니다. 아래 네 가지 방법 중 자신에게 가장 잘 맞는 학습 방식을 찾아 시도해 보세요.

<방법 1: 프로젝트 진행해 보기>
하나의 문제를 정의하고, 그 문제를 해결하기 위한 머신러닝 모델을 개발하는 경험은 이론적 개념을 실제로 익히는 데 큰 도움이 됩니다. 작은 프로젝트라도 데이터 처리부터 모델 학습 및 최적화 과정을 직접 거쳐 보세요. 문제를 해결하는 과정에서 실무적인 감각을 익힐 수 있습니다.

<방법 2: 논문에 공개된 공식 코드 이해하기>
관심 있는 도메인의 다양한 논문을 읽고, 해당 논문들에 공개된 공식 코드를 통해 어떻게 문제를 해결하는지를 배우는 것이 중요합니다. 논문을 통해 이론적 접근 방식을 이해하고, 코드를 통해 실제 구현 과정을 익히면서 머신러닝 개발에 대한 심도 있는 이해를 할 수 있습니다.

<방법 3: 캐글(Kaggle) 사이트 적극 활용하기>
캐글은 다양한 머신러닝과 데이터 과학 문제를 다루는 플랫폼으로, 대회에 참여하거나 종료된 대회의 데이터를 기반으로 모델을 개발하고, 성능을 비교할 수 있습니다. 다양한 문제에 도전하면서 경험을 쌓고, 성능 순위를 통해 자신의 실력을 확인하고 개선할 수 있습니다.

<방법 4: 회사 프로젝트로 실무 경험 쌓기>
회사에서는 머신러닝 모델 개발뿐만 아니라 비즈니스 문제 해결에 필요한 전략적 접근 방식을 배우고, 모델 배포와 관리 등 MLOps 관점에서의 업무를 경험할 수 있습니다. 실제 업무에서 필요한 기술과 전략적 사고방식을 익히며 전문성을 쌓아갈 수 있습니다.

AI 엔지니어가 되려면, 어떤 게 필요할까

AI 엔지니어라고 모두 같은 일을 하는 건 아닙니다. 어떤 분야에 집중하느냐에 따라 필요한 역량이 다를 수 있지만, 일반적으로는 아래와 같은 역량이 필요합니다.

[STEP 1] 기본적인 프로그래밍 실력, 머신러닝, 딥러닝에 대한 이해를 갖췄다면, 데이터 처리 및 분석 기술에도 관심을 가져보세요. AI 도메인에서 데이터는 매우 중요하며, 실무에서 이를 다루어야 할 일이 많기 때문입니다.

[STEP 2] 효과적으로 모델을 학습하고 평가하려면 PyTorch, TensorFlow 등의 주요 딥러닝 프레임워크를 익혀두는 것이 좋습니다. 더 나아가 논문을 이해한 뒤 이를 딥러닝 프레임워크를 활용해 구현할 수 있다면 더없이 좋은 역량이 될 것입니다. 최신 기술을 파악하고 적용할 수 있는 능력은 AI 엔지니어로서 큰 강점이 됩니다.

[STEP 3] 모델 서빙이나 MLOps 등을 이해하고 기본적인 부분을 활용할 수 있는 역량을 갖추는 것도 도움이 됩니다. 모델을 개발하고 최적화하여 서빙하는 일은 AI 엔지니어의 중요한 업무 중 하나이기 때문입니다.

이처럼 AI 엔지니어가 되기 위해서는 다양한 기술과 역량이 필요합니다. 기본적인 프로그래밍 실력, 머신러닝과 딥러닝에 대한 깊은 이해, 데이터 처리 및 분석 기술, 주요 딥러닝 프레임워크 학습, 논문 읽기 및 구현, 모델 서빙 및 MLOps 등 여러 방면에서 준비해야 하죠. 꾸준히 노력한다면, 여러분도 AI 분야에서 성공적인 커리어를 쌓을 수 있을 것입니다.

새로운 일을 시작하기 전에

저도 잘 다니던 회사를 퇴사하고, 대학원 졸업 후 다시 취업 준비를 하면서 많은 걱정을 했습니다. 나이는 들고, 커리어도 다시 시작해야 하는데, 남들보다 너무 늦게 시작하는 건 아닌지 막연한 두려움이 있었습니다.

하지만 제게 맞는 직무로 전환하니 직장 생활이 매우 만족스러웠습니다. 일이 재밌다 보니 하나의 동기부여가 되고, 직장 생활이 단순한 경제활동이 아닌 더 많은 경험을 하고 싶은 모험으로 다가왔거든요. 저는 새로운 기술을 배우고, 다양한 프로젝트에 참여하며 동료들과 협력하는 과정에서 큰 성취감을 느낍니다. 이러한 경험은 저를 더 크게 성장하게 했고, 더욱 주체적으로 일할 수 있는 기반이 되어주고 있습니다.

또, 직무 변경을 했기 때문에 저의 가치를 더 잘 발휘할 수 있는 환경에서 일할 수 있었습니다. 회사에서도 인정받기 시작했고, 성과 고과도 잘 받게 되어 커리어를 쌓아가는 재미도 느끼는 중입니다.

불안 속에 숨은 성장의 기회를 찾아서

변화는 항상 불안을 가져오지만, 불안 속에는 성장과 발전의 기회가 숨어 있습니다. 자신의 열정과 흥미를 발견하고, 그것을 추구해 나가는 과정에서 얻게 되는 만족감과 성취감은 여러분의 커리어뿐만 아니라 삶의 질을 크게 향상시킬 겁니다.

그러니 나와 잘 맞는 일을 찾기 위해서라면, 두려움을 갖지 말고 한 발짝씩 나아가는 도전을 해보세요. 직무 변경처럼, 새로운 분야로 도전하는 건 결코 쉽지 않겠지만, 도전하는 과정에서 큰 성취감을 느낄 수 있거든요. 저 또한 AI 엔지니어로 커리어를 전환했을 때 많은 두려움과 걱정이 있었지만, 지금 만족스러운 직장 생활을 하고 있으니까요. 도전의 끝에는 분명히 보람찬 결과가 기다리고 있을 겁니다. 여러분의 용기 있는 도전을 응원하겠습니다.

글ㅣ뭅즤
IT 플랫폼 기업에서 AI / Computer Vision Engineer로 일하고 있는 뭅즤입니다. 글쓰기와 이야기를 좋아합니다.

👉 <AI 개발자가 되고 싶다면> 시리즈 보러 가기

발행일 2024.08.14

이벤트 모두 보기