[산업] [알아봅시다] 국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언
국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언
국비지원 IT 학원을 고민하는 사람이라면, 한 번쯤 들어봤을 이야기입니다.
“국비학원 비추, 시간낭비였다” “수업보다 연애, 파벌싸움이 더 활발했다” “강사도 자주 바뀌고 공부 분위기도 별로였다”
국비지원 학원은 정부 지원을 받아 저렴하게 배울 수 있다는 장점이 있지만, 모든 학원이 다 좋은 것은 아닙니다. 특히 비슷한 고민을 하는 분들을 위해, 한 수강생의 경험을 바탕으로 국비 IT 학원의 현실적인 문제점과 선택 시 주의할 점을 이야기해보겠습니다.
???? 국비 IT 학원의 기대 vs 현실
많은 사람들이 국비 학원을 선택할 때, 취업을 보장받거나, 수준 높은 교육을 받을 것이라 기대합니다. 하지만 현실은 조금 다릅니다.
???? 기대: 면접을 보고 입학할 정도면, 열정적인 사람들과 수준 높은 교육을 받을 수 있을 것이다. ???? 현실: 의욕 없는 사람들, 불필요한 인간관계 갈등, 학습 분위기가 깨지는 경우도 많다.
???? “학생의 질이 너무 떨어졌다”
수강생의 가장 큰 불만 중 하나는 함께 공부하는 사람들에 대한 문제입니다. 국비 학원은 돈을 내고 다니는 일반 학원과는 달리, 다양한 사람들이 참여합니다.
???? 문제점
공부보다는 연애, 인간관계에 몰두하는 사람들
감정 싸움, 파벌 싸움이 벌어지는 분위기
쉬는 시간에 소란스럽고 집중이 어려운 환경
“IT 국비 학원이라 하면 조용히 공부하는 분위기를 기대했는데, 차라리 그게 낫겠다 싶을 정도였다.”
???? 해결책 국비 학원마다 분위기가 다릅니다. 가능하다면, 실제 수강생 후기를 찾아보고 학습 분위기가 잘 유지되는 학원을 선택하세요.
???? “수업보다 술자리가 더 많았다”
일부 학원에서는 “강제 자습”을 명목으로 학생들을 학원에 오래 붙잡아 두지만, 실제로는 학습보다는 다른 일에 시간을 보내는 경우가 많습니다.
???? 문제점
학원 수업이 끝난 후, 강제 야간 자습이 있다고 해도 실질적인 공부는 안 됨
공부보다는 술자리, 친목 모임이 더 활발
심지어 취업 후에도 네트워크 형성에 실패 (서로 손절)
“수업 끝나면 야자라고 해서 남아야 한다더니, 결국 강남에서 술 마시는 모임이 됐다.”
???? 해결책
친목 활동과 학습을 구분해야 합니다. 친목이 중요한 경우도 있지만, 공부에 집중할 환경이 조성된 학원인지 확인하세요.
취업을 위해 다니는 것이지, 새로운 친구를 사귀러 가는 게 아니라는 점을 명확히 해야 합니다.
???? “강사가 너무 자주 바뀌었다”
국비 학원의 또 다른 문제는 강사의 교체입니다.
???? 문제점
초반에는 좋은 강사가 배정되지만, 중간에 강사가 바뀌면서 수업의 질이 급격히 떨어짐
실무 경험이 적은 강사가 이론만 가르치는 경우가 많음
커리큘럼이 체계적이지 않고, 강사마다 스타일이 달라 일관성이 부족함
“처음엔 괜찮은 강사가 있었지만, 중간에 교체되면서 수업이 무너지기 시작했다.”
???? 해결책
강사 교체가 잦은 학원은 피하는 것이 좋습니다. 입학 전 강사의 프로필과 강의 경력을 반드시 확인하세요.
수업 방식이 바뀌어도 혼자 공부할 수 있는 능력을 키우는 것이 중요합니다.
???? 국비 IT 학원 선택 시 주의할 점
이런 문제를 피하려면 학원 선택이 가장 중요합니다. 다음 체크리스트를 확인해보세요.
✅ 수강생 후기를 확인하라 – 네이버 카페, 블로그, 유튜브 등에서 실제 수강생의 경험담을 찾아보세요. ✅ 강사의 경력을 체크하라 – 강사가 현업 경험이 있는지, 얼마나 오래 강의를 했는지 확인하세요. ✅ 커리큘럼을 꼼꼼히 살펴보라 – 수업 내용이 제대로 구성되어 있는지, 원하는 기술을 배울 수 있는지 확인하세요. ✅ 학습 분위기를 체크하라 – 직접 학원에 방문하거나, 설명회를 통해 분위기를 파악하세요. ✅ 취업 연계의 실체를 확인하라 – 학원에서 연결해주는 기업이 실제로 취업에 도움이 되는지 확인하세요.
???? 결론: 시간낭비를 피하려면?
국비 학원은 잘 활용하면 좋은 기회가 될 수도 있지만, 기대만큼 만족하기 어려운 경우도 많습니다.
???? 좋은 국비 학원을 선택하려면? ✔ 수강생의 분위기와 학습 태도를 확인하라 ✔ 강사의 실무 경험과 교체 빈도를 체크하라 ✔ 취업 연계가 실질적으로 도움이 되는지 따져보라 ✔ 단순한 친목 모임이 아니라 실제로 공부할 수 있는 환경인지 고민하라
무작정 유명한 국비 학원이라고 선택하기보다는, 자신에게 맞는 학원이 어디인지 충분히 조사하고 결정하는 것이 가장 중요합니다.
[산업] [알아봅시다] 좋은 국비지원 학원 고르는 법 – 실망하지 않으려면? (비전공자 코딩 국비 학원)
좋은 국비지원 학원 고르는 법 – 실망하지 않으려면?
국비지원 학원을 고민하는 많은 분들이 검색하면 가장 많이 접하는 단어 중 하나가 바로 “국비학원 쓰레기” 입니다. 정부 지원을 받아 부담 없이 배울 수 있다는 장점에도 불구하고 왜 이렇게 부정적인 평가가 많을까요?
이 글에서는 실제 사례를 바탕으로 국비지원 학원의 현실적인 문제점을 짚어보고, 좋은 학원을 선택하는 방법에 대해 이야기해보겠습니다.
???? “국비학원 갔다가 시간만 날렸다” – 부실한 커리큘럼과 강사 자질
“프론트엔드를 배우고 싶었는데 HTML, CSS 몇 주 배우다가 갑자기 자바 기본 문법을 배우기 시작했어요. 결국 React는 겨우 맛보기만 하고 끝났습니다.”
많은 수강생들이 커리큘럼과 관련된 불만을 가지고 있습니다. 국비지원 학원의 경우 제한된 예산과 기간 내에 다양한 내용을 가르쳐야 하다 보니, 체계적인 학습이 어렵고 깊이 있는 실무 교육이 부족한 경우가 많습니다.
특히 강사 자질도 중요한 문제입니다. 현업 경험이 풍부한 강사가 아니라 강의 경험만 있는 분들이 수업을 맡는 경우가 많아, 실무에서 어떻게 적용하는지에 대한 노하우를 배우기 어려운 경우가 있습니다.
✔ 어떻게 해결할 수 있을까요? 국비지원 학원을 선택할 때, 과정 개설 전에 강사의 경력과 실제 강의 방식에 대해 미리 확인하는 것이 중요합니다. 가능하다면 수강 후기를 찾아보고, 학원에 직접 방문해서 커리큘럼을 꼼꼼히 살펴보세요.
???? “취업률 90%라고 해서 등록했는데, 다 거짓말이었어요” – 현실적인 취업 연계
국비지원 학원은 취업률을 강조하며 마케팅을 하지만, 현실적으로 수강생들이 원하는 기업에 취업하는 경우는 많지 않습니다.
“취업 연계라고 해서 기대했는데, 결국 제가 직접 구직 사이트에서 공고 찾고 면접 보러 다녀야 했어요.”
이런 사례가 적지 않습니다. 일부 학원은 취업 연계라고 하지만 실제로는 이력서 첨삭이나 모의 면접 같은 기본적인 지원만 제공하는 수준입니다.
또한, 학원에서 연결해주는 기업들은 대부분 규모가 작은 곳이 많아, 연봉이나 근무 환경이 기대에 미치지 못하는 경우도 많습니다.
✔ 어떻게 해결할 수 있을까요? 취업 연계를 강조하는 학원이라면, 어떤 회사들과 실제 협약이 있는지 직접 확인하세요. “우리 학원 수강생들이 많이 간 곳입니다”가 아니라, 공식적인 협력 관계가 있는지를 물어보는 것이 중요합니다.
???? “등록하기 전과 후가 너무 달라요” – 상담 과정에서 주의할 점
국비지원 학원을 상담받으러 가면, 처음에는 굉장히 친절합니다. 하지만 등록을 마친 후부터 태도가 바뀌는 경우가 많습니다.
“처음 상담할 때는 좋은 강사님이 있다고 해서 등록했는데, 수업 시작 후 강사가 바뀌었어요. 중간에 강사 교체가 너무 잦아서 제대로 배운다는 느낌이 안 들었어요.”
또한, 국비지원 과정만으로는 부족하다며 유료 과정을 추가로 등록하도록 유도하는 경우도 많습니다.
✔ 어떻게 해결할 수 있을까요? 상담을 받을 때, 계약서 내용을 꼼꼼히 확인하세요. 국비지원 과정 외에 추가 비용이 발생할 가능성이 있는지, 강사 변경이 빈번한지에 대해 미리 물어보는 것이 중요합니다.
???? 그럼에도 국비지원 학원이 도움이 될 수 있는 경우는?
물론 모든 국비지원 학원이 나쁜 것은 아닙니다. 잘 활용하면 좋은 기회가 될 수도 있습니다.
✅ 국비지원 학원이 도움이 되는 경우
비전공자로서 프로그래밍이나 디자인 등 기초 개념을 익히고 싶은 경우
경제적 부담 없이 체계적인 커리큘럼을 따르고 싶은 경우
혼자 공부하기 어려운 환경에서 강제적으로라도 학습 리듬을 잡고 싶은 경우
❌ 국비지원 학원이 적합하지 않은 경우
이미 기본적인 개념을 알고 있고, 더 깊이 있는 실무 교육을 원한다면
특정 기술을 집중적으로 배우고 싶은데, 수업 내용이 광범위하다면
독학이 가능하고, 자신만의 프로젝트를 만들면서 배울 수 있다면
???? 좋은 국비지원 학원 고르는 법
✔ 커리큘럼을 확인하세요. 원하는 기술이 체계적으로 다뤄지는지 확인해야 합니다. ✔ 강사 경력을 체크하세요. 해당 과정의 강사가 실무 경험이 있는지 알아보세요. ✔ 수강 후기를 찾아보세요. 공식 사이트가 아닌, 실제 수강생들의 후기를 검색해보세요. ✔ 취업 연계 내용을 확인하세요. 실제 어떤 기업들과 협약이 있는지 살펴보세요. ✔ 추가 비용 여부를 확인하세요. 무료 과정 외에 유료 과정 등록을 유도하는지 체크하세요.
지도 학습은 말 그대로 정답이 있는 데이터를 활용해 데이터를 학습시키는 것입니다. 입력 값(X data)이 주어지면 입력값에 대한 Label(Y data)를 주어 학습시키며 대표적으로 분류, 회귀 문제가 있습니다.
예를 들어, 입력 데이터 셋을 3*5, 32*44 등을 주고 라벨 데이터 셋을 입력 데이터셋의 정답인 15, 1408등을 주면 해당 모델은 주어지지 않은 데이터 셋 9*3의 정답을 해결할 수 있게 됩니다.
– 지도학습 종류
1) 분류(Classification)
분류는 주어진 데이터를 정해진 카테고리(라벨)에 따라 분류하는 문제를 말합니다. darknet의 YOLO, network architecture는 GoodLeNet for image classification을 이용하여 이미지를 분류하고 있습니다. 분류는 맞다, 아니다 등의 이진 분류 문제 또는 사과다 바나나다 포도다 등의 2가지 이상으로 분류하는 다중 분류 문제가 있습니다.
예를 들어 입력 데이터로 메일을 주고 라벨을 스팸메일이다, 아니다 를 주면 모델은 새로운 메일이 들어올 때 이 메일이 스팸인지 아닌지 분류를 할 수 있게 됩니다.
머신러닝은 어떤 데이터를 분류하거나, 값을 예측(회귀)하는 것입니다. 이렇게 데이터의 값을 잘 예측하기 위한 데이터의 특징들을 머신러닝/딥러닝에서는 “Feature”라고 부르며, 지도, 비지도, 강화학습 모두 적절한 feature를 잘 정의하는 것이 핵심입니다. 엑셀에서 attribute(column)라고 불려지던 것을 머신러닝에서는 통계학의 영향으로 feature라고 부릅니다. 과거에 딥러닝 이전의 머신러닝에서는 Raw데이터를 피처 엔지니어가 직접 적절한 피처를 만들고, 머신러닝 모델의 결과로 아웃풋을 냈었는데, 딥러닝 이후로 Raw데이터를 딥러닝 모델에 넣어주면 모델이 알아서 feature를 알아내고 아웃풋을 내는 형식으로 발전하게 되었습니다. (머신러닝 모델이 피처를 알아서 찾아준다고 하여도 여전히 전처리 작업은 중요합니다.)
예를 들어 고양이, 강아지 사진은 분류한다고 하면 고양이는 귀가 뾰족하다 거나 눈코입의 위치, 무늬 등이 피처가 됩니다. 키와 성별을 주고 몸무게를 예측한다고 하면 키와 성별이 피처가 됩니다.
Feature는 Label, Class, Target, Response, Dependent variable 등으로 불려집니다.
● 비지도학습(Unsupervised Learning)
지도 학습과는 달리 정답 라벨이 없는 데이터를 비슷한 특징끼리 군집화 하여 새로운 데이터에 대한 결과를 예측하는 방법을 비지도학습 이라고 합니다. 라벨링 되어있지 않은 데이터로부터 패턴이나 형태를 찾아야 하기 때문에 지도학습보다는 조금 더 난이도가 있다고 할 수 있습니다. 실제로 지도 학습에서 적절한 피처를 찾아내기 위한 전처리 방법으로 비지도 학습을 이용하기도 합니다.
비지도학습의 대표적인 종류는 클러스터링(Clustering)이 있습니다. 이 외에도 Dimentionality Reduction, Hidden Markov Model이 있습니다. 예를 들어 여러 과일의 사진이 있고 이 사진이 어떤 과일의 사진인지 정답이 없는 데이터에 대해 색깔이 무엇인지, 모양이 어떠한지 등에 대한 피처를 토대로 바나나다, 사과다 등으로 군집화 하는 것입니다.
지도/비지도 학습 모델(Semi-Supervised Learning)을 섞어서 사용할 수도 있습니다. 소량의 분류된 데이터를 사용해 분류되지 않은 더 큰 데이터 세트를 보강하는 방법으로 활용할 수 도 있습니다.
최근 각광받고 있는 GAN(generative Adversarial Network)모델도 비지도 학습에 해당합니다.
행동 심리학에서 나온 이론으로 분류할 수 있는 데이터가 존재하는 것도 아니고 데이터가 있어도 정답이 따로 정해져 있지 않으며 자신이 한 행동에 대해 보상(reward)를 받으며 학습하는 것을 말합니다.
– 강화학습의 개념
에이전트(Agent)
환경(Environment)
상태(State)
행동(Action)
보상(Reward)
게임을 예로들면 게임의 규칙을 따로 입력하지 않고 자신(Agent)이 게임 환경(environment)에서 현재 상태(state)에서 높은 점수(reward)를 얻는 방법을 찾아가며 행동(action)하는 학습 방법으로 특정 학습 횟수를 초과하면 높은 점수(reward)를 획득할 수 있는 전략이 형성되게 됩니다. 단, 행동(action)을 위한 행동 목록(방향키, 버튼)등은 사전에 정의가 되어야 합니다.
만약 이것을 지도 학습(Supervised Learning)의 분류(Classification)를 통해 학습을 한다고 가정하면 모든 상황에 대해 어떠한 행동을 해야 하는지 모든 상황을 예측하고 답을 설정해야 하기 때문에 엄청난 예제가 필요하게 됩니다.
바둑을 학습한다고 했을 때, 지도 학습(Supervised Learning)의 분류(Classification)를 이용해 학습하는 경우 아래와 같은 개수의 예제가 필요해지게 됩니다.
강화 학습(reinforcement learning)은 이전부터 존재했던 학습법이지만 이전에 알고리즘은 실생활에 적용할 수 있을 만큼 좋은 결과를 내지 못했습니다.
하지만 딥러닝의 등장 이후 강화 학습에 신경망을 적용하면서부터 바둑이나 자율주행차와 같은 복잡한 문제에 적용할 수 있게 되었습니다. 좀 더 자세히 설명하면 고전적인 강화학습 알고리즘은 앞으로 나올 상태에 대한 보상을 모두 계산해야 하는데 실제 세상과 같이 상태 공간이 크면 현실적으로 계산을 할 수 없습니다. 최근에는 계산하는 대신 신경망을 통해 근삿값을 구함으로써 복잡한 문제를 해결할 수 있게 되었습니다.
강화학습에 딥러닝을 성공적으로 적용한 대표적 알고리즘으로는 DQN과 A3C가 있는데요. 두 알고리즘 모두 딥마인드에서 발표했으며 다른 강화학습 알고리즘의 베이스라인이 되었습니다.
제목이 위트 있으면서도 약간 비꼬는 느낌인데, 프로그래밍을 하루, 일주일, 열흘, 말도 안 되게 짧은 시간만에 익히게 해준다는 허접한 책들을 두고 빈정거리는 것이다.
닥터 노빅은 다음과 같이 분명하게 말한다. 프로그래밍 문법, 원리, 스타일은 하루 만에 익힐 수도 있다. 하지만 그렇다고 해서 프로그래밍 기술을 제대로 사용할 수 있게 되는 것은 아니다. 프로그래밍은 문법이 다가 아니기 때문이다. 프로그래밍이란 코드를 효율적으로 설계하고, 시간과 공간의 복잡성을 철저하게 분석하고, 언제 특정 언어를 사용하는 게 다른 언어를 사용하는 것보다 더 나은지 이해하는 등 다양한 지식을 포괄하는 것이다.
물론 Hello World나 원의 넓이를 구하는 프로그램을 C++로 하루 만에 짤 수도 있겠지만 핵심은 그게 아니다. 당신은 객체 지향 프로그래밍의 관점을 이해하는가? namespaces와 templates를 언제 사용해야 하는지 아는가? STL을 어떻게 사용하는지 아는가? 만약 알고 있다면, 분명 이 모든 것을 일주일 혹은 한 달 만에 익히지는 않았을 것이다. 이런 걸 익히는 데는 시간이 꽤 많이 걸린다. 그리고 알면 알수록, 겉으로 보기보다 더 많은 것들을 알아야 한다는 것을 깨달았을 것이다.
머신러닝, 딥러닝, AI를 둘러싼 전 영역의 분위기에도 이와 비슷한 문제가 있다. 광고, 블로그, 기사, 교육 과정이 도처에 넘쳐난다. 대부분 “코드 일곱 줄로 머신러닝 배우기”, “열흘 만에 배우는 머신러닝” 같은 비슷한 제목을 달고 있다. 이런걸 접한 사람들은 Quora에 “어떻게 하면 머신러닝을 한달 만에 배울수 있을까요?” 같은 질문을 올리게 된다. 짧게 답하자면 “한 달 안에 안된다. 누구도 못한다. 어떤 전문가도 그러지 못했다.”
즉, 코드 일곱 줄로 끝내려고 하면 안 된다. 6개월, 1년 이상 시간을 들여야 한다. 이 기간의 중간쯤 되면 자신이 여기에 흥미가 있는지 아닌지 판단할 수 있게 될 것이다. 화려한 겉모습은 일단 잊어버리고, 깊이 있고 놀라운 연구의 세계로 빠져들어야 한다. 이 글을 꼭 읽어보길 권한다. 초보자에게 가장 많은 도움이 되는 글이다. 수학이나 프로그래밍을 몰라도 된다. 이 글을 읽고 나면 이 분야에 익숙해지려면 알아야 하는, 머신러닝에 관해 생각하고 말하려면 알고 있어야 하는 개념들의 큰 그림을 그릴 수 있게 될 거다.
이 주제와 관련한 훌륭한 블로그들을 소개한다. 이 리스트엔 나의 개인 취향이 반영되어 있다.
Medium도 공부하는데 도움이 많이 된다. 나는 이 페이지를 팔로우하면서 거의 모든 글을 읽고 있다.
만약 당신이 옛날 공부 방식에 익숙하다면, 앤드류 응이 스탠퍼드 대학교에서 강의한 CS229를 들어보라. 앤드류 응이 Coursera에서 했던 강의보다 더 깊이 관여한 강의이고, 개론으로 듣기에 좋다.
과장 광고에 홀려 공부하면 “정보에 빠져 지식에 굶주리는” 불행한 결과를 마주하게 된다. 굉장히 많은 사람이 그런 상황을 겪는다. 우리는 자주 큰 그림을 놓친다. 머신러닝은 훌륭하다. 머신러닝은 하나의 진지한 연구 개발 분야인 동시에 21세기의 수많은 성공 사례들을 이끌고 있다.
하루 만에 배우려고 좀 하지 마라.
여기에서 stellar AI의 연구원인 피터 노빅의 글을 읽을 수 있다. 반드시 읽어봐야 하는 글이다.
[데이터분석 & 데이터 사이언스] 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?
수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?
데이터 사이언티스트의 좌절!
맞다. 나는 데이터 사이언티스트다. 당신이 읽은 제목도 제대로 읽은 거 맞다. 누군가는 이런 이야기를 해야만 한다. 우리는 데이터 사이언티스트가 21세기의 가장 섹시한 직업이라거나, 꿈의 직업으로 보일 만큼 엄청나게 돈을 많이 번다는 식의 이야기를 굉장히 많이 듣는다. 이 분야에는 복잡한 문제를 괴짜같이 놀라운 방법으로 해결해내는 뛰어난 능력자들이 많은데, 이 직업이 매력적인 이유는 이런 측면에 있다.
하지만 진실은 이렇다. 파이낸셜 타임스의 글에 따르면, 데이터 사이언티스트들은 일반적으로 “일주일에 한두 시간은 새 직장을 구하는 데 쓴다”. 심지어 “새로운 직장을 구하고 있다고 응답한 개발자 중 1위는 머신러닝 전문가(14.3%)다. 데이터 사이언티스트는 근소한 차이로 2위다(13.2%).” 이 데이터는 스택 오버플로가 개발자 64,000명을 대상으로 한 설문조사에서 수집된 것이다.
나도 같은 상황에 처해있었고, 최근에는 직장을 바꿨다.
그렇다면 왜 수많은 데이터 사이언티스트들이 새 직장을 구하려 할까?
이 질문에 답하기 전에 내가 여전히 데이터 사이언티스트라는 것을 밝혀 둔다. 전반적으로 나는 이 직업을 사랑하고, 데이터 사이언티스트가 되려고 하는 사람들의 의욕을 꺾을 마음이 없다. 데이터 사이언티스트는 즐겁고, 흥미롭고, 보람 있는 직업이다. 이 글의 목적은 일부러 반대 측 이야기를 하는 악마의 변호인이 되어서 부정적인 면을 조명하는 데 있다.
내가 보기에 많은 데이터 사이언티스트들이 자신의 직업에 만족하지 못하는 데는 크게 네 가지 이유가 있다.
1. 현실은 기대하는 것과 다르다
빅데이터는 십대의 섹스와 같다. 다들 그것에 대해 말하지만, 진짜로 어떻게 하는지는 아무도 모르고, 나만 빼고 모두가 하고 있을 거라 생각한다. 그래서 다들 자기도 하고 있다고 주장한다. – Dan Ariely
매우 적절한 비유다. 나를 포함해서, 많은 주니어 데이터 사이언티스트들은 최신의 쿨한 머신러닝 알고리즘을 이용해 복잡한 문제를 해결하고 비즈니스에 엄청난 영향을 미칠 수 있을 거라 믿었기 때문에 데이터 과학에 뛰어들었다. 우리가 하는 일이 기존에 해왔던 일들 보다 훨씬 중요하게 느껴지는 것이다. 그러나, 보통은 안 그렇다.
내가 보기에 수많은 데이터 사이언티스트들이 업계를 떠나는 핵심적인 이유는 기대와 현실이 다르다는 것이다. 여기에는 다양한 이유가 있지만, 이 글에서 전부 다룰 수는 없고, 내가 직면했던 근본적인 문제들을 이야기하고자 한다.
회사마다 상황이 다르니 모두 다 그렇다고 할 수는 없겠지만, 많은 회사들이 AI를 이용해 가치를 얻어낼 수 있을 정도의 적절한 인프라를 구축하지 못한 상태에서 데이터 사이언티스트를 고용한다. 이 때문에 AI 분야의 콜드 스타트 문제가 발생한다. 이런 상황에 주니어를 고용하기 전에 경험 많은 시니어 데이터 전문가를 고용하지 못했다는 문제가 결합되면, 회사와 데이터 사이언티스트 양쪽 모두가 환멸을 느끼고 불행한 관계가 되는 법 레시피를 얻은 셈이다. 데이터 사이언티스트는 인사이트를 얻어낼 스마트한 머신러닝 알고리즘을 만드는 일을 하게 될 줄 알았겠지만 그러지 못한다. 데이터 인프라를 정리하고 분석 보고서 쓰는 일부터 해야 하기 때문이다. 반면 회사는 그저 매일 하는 미팅에 사용할 차트 한 장이 필요했을 뿐이다. 그러고 나면 회사도 좌절하게 된다. 새로운 가치를 충분히, 빨리 찾아내지 못하고, 결과적으로 이런 문제들 때문에 데이터 사이언티스트도 자신의 직무에 만족하지 못하게 되기 때문이다.
데이터 사이언티스트가 환멸을 느끼는 또 다른 이유는 내가 학계에 환멸을 느꼈던 이유와 비슷하다. 나는 내가 회사뿐만 아니라 전 세계 모든 사람들에게 엄청나게 큰 영향을 미칠 수 있을 거라고 생각했다. 현실은, 만약 회사의 핵심 사업이 머신러닝을 운용하는게 아니라면(나는 미디어 출판사에 다녔었다) 당신이 하는 데이터 과학 작업은 아주 작은 추가 이득 정도를 만들어 낼 수 있을 뿐이다. 데이터 과학으로 굉장히 의미 있는 가치를 만들어 내거나, 운 좋게 얻어 걸려서 금맥을 찾는 일이 생길 수도 있겠지만, 근건 굉장히 드문 일이다.
2. 정치가 모든 것을 결정한다
정치 문제에 관해서는 “데이터 사이언스에서 가장 어려운 것: 정치”라는 훌륭한 글이 이미 있다. 꼭 읽어 보길 권한다. 이 글의 도입부 몇 문장은 내가 말하고자 하는 것을 요약하고 있다.
Support Vector Machines 알고리즘을 공부하려고 아침 6시에 일어났을 때, “이거 진짜 힘드네. 하지만 나는 고용주들이 탐낼 사람이 될 거야” 하고 생각했다. 만약 타임머신(DeLorean)이 있다면, 과거로 돌아가 내 자신에게 말해 줄거다. “개소리하고 앉았네”.
다양한 머신러닝 알고리즘을 알면 가치 있는 데이터 사이언티스트가 될 거라고 진지하게 생각하고 있다면, 내가 처음에 지적했던 것을 다시 생각해보라. 현실은 기대하는 것과 다르다.
진실은, 비즈니스에서 가장 영향력 있는 사람들이 당신에 대해 좋은 인상을 갖도록 노력하는 일을 해야 한다는 것이다. 단지 윗분들이 당신에 대해 좋은 인상을 갖도록 하기 위한 목적으로 단순한 프로젝트를 수행하고, 동시에 윗분들이 필요하다고 할 때마다 데이터베이스에서 지표들을 뽑아 제 시간에 가져다 주는 추가 업무를 끝없이 해야만 한다. 나는 이전 직장에서 이런 일을 굉장히 많이 해야만 했다. 절망적이게도, 이런 일이 이 직업의 필수적인 부분이다.
3. 데이터가 있는 곳이라면 어디든 달려가야 한다
윗분들을 기쁘게 하는 일이라면 뭐든지 해야 한다는 것에 관해 조금 더 이야기하자면, 영향력 있는 윗사람들은 대부분 “데이터 사이언티스트”가 뭔 지 모른다. 이는 당신이 데이터 분석 전문가일 뿐만 아니라 ‘보고서 만들어주는 애’가 되어야 한다는 것을 의미한다. 동시에 데이터베이스 전문가가 되어야 한다는 것도 잊으면 안된다.
비 기술 분야의 경영진뿐만 아니라 대부분의 사람들은 당신이 엄청나게 많은 스킬을 보유하고 있을 거라 가정한다. 기술 분야에 있는 동료들도 당신이 데이터와 관련된 거라면 무엇이든 다 알 거라고 생각한다. Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B Testing, NLP, 머신러닝의 모든 것, 이 외에 당신이 생각해낼 수 있는 데이터와 관련된 모든 것들을 잘 알고 있어야만 한다. 그건 그렇고, 만약 이 모든 게 적혀 있는 직무명세서를 발견한다면 빨리 도망쳐라. 그 회사가 자신들의 데이터 전략에 관해 아무 생각이 없고, 누가 됐든 데이터와 관련된 사람을 뽑으면 회사에 있는 데이터와 관련된 모든 문제를 해결해줄 거라 믿기 때문에 아무나 고용하려 한다는 것을 암시하는 것이다.
그런데 이게 끝이 아니다. 사람들은 당신은 이 모든 것을 잘 알고 있고, 분명 모든 데이터에 접근할 수 있을 것이기 때문에 데이터와 관련된 질문이라면 무엇이든 답변해줄 거라 생각한다. 그러니까, 안 물어봤어도 적어도 5분 전에는 담당자한테 메일로 답변을 보내놨어야 한다.
모든 사람들에게 자신이 실제로 아는 것은 무엇이고 다루기 어려운 것은 무엇인지를 얘기한다는 것은 쉽지 않은 일이다. 누군가 자신을 나쁘게 볼까 봐서가 아니라, 현장 경험이 별로 없는 주니어 데이터 사이언티스트처럼 여기게 될 것이 걱정되기 때문이다. 그렇게 되면 상황이 정말 어려워질 수 있다.
4. 고립된 팀에서 일한다
종종 성공한 데이터 제품을 접하면, 똑똑한 기능, 전문적으로 디자인된 UI를 볼 수 있다. 특히, 적어도 사용자가 보기에 문제를 적절히 해결하고 유용한 결과물을 만들어 낸다. 그러니까 만약 데이터 사이언티스트가 머신러닝 알고리즘을 만들고 적용하는 방법을 익히는 데에만 시간을 쏟았다면, 가치 있는 제품을 만들어내 프로젝트를 성공적으로 이끈 팀에서 아주 작은 역할만을 담당하게 되는 것이다(비록 필수적인 역할이라 하더라도). 즉, 고립된 상태로 일하는 데이터 사이언스 팀은 가치를 만들어내는데 어려움을 겪게 되는 것이다.
그런데도 여전히 많은 기업들이 자신들만의 프로젝트를 수행하기 위해 코드를 짜고 문제를 해결하려 노력하는 데이터 사이언스 팀을 운용하고 있다. 어떤 경우에는 그것 만으로 충분할 수도 있다. 예를 들어, 분기에 한번 정도 고정된 스프레드시트를 만들어 내는게 목표라면 데이터 사이언스 팀이 가치를 만들어 낼 수 있다. 반면 지능화된 추천 시스템을 최적화해서 맞춤형 웹사이트에 구현하는게 목표라면, 대다수 데이터 사이언티스트가 갖추고 있을 거라고 보기 어려운 매우 다양한 기술들이 필요하다(진정한 유니콘 데이터 사이언티스트만이 이 일을 해낼 수 있다). 따라서 고립된 채로 일하는 데이터 사이언스 팀이 프로젝트를 맡으면, 그 프로젝트는 실패할 가능성이 매우 높다(혹은 굉장히 오래 걸리거나. 대기업에서 고립된 팀을 다른 팀과 협력하도록 재조직하는 것은 쉽지 않기 때문이다).
따라서 현장에서 일을 잘하는 데이터 사이언티스가 되고자 한다면, 단지 캐글 대회에서 좋은 성적을 거두고 온라인 교육 코스 몇 개 수료하는 것만으로는 충분하지 않다. 불행하게도, 위계와 정치가 비즈니스에서 어떤 식으로 작동하는지 이해해야만 한다(관점에 따라서는 좋은 것일수도 있다). 데이터 사이언스 분야에서 만족할 만한 직장을 구하려면, 자신이 기대하는 업무 절차를 갖춘 회사를 찾는 것을 핵심 목표로 삼아야 한다. 하지만 그렇더라도, 데이터 사이언스의 역할에 대해 가지고 있던 기대는 낮춰야 할 것이다.
누구든 코멘트, 질문, 반대 의견이 있다면 환영한다. 데이터 사이언티스트가 되고자 하는 사람들이 충분한 정보를 바탕으로 진로를 결정할 수 있도록 도우려면 건설적인 토론이 필수적이기 때문이다.
갓구글에 “국비”라는 단어를 검색하면 자동 완성(?) 기능에 “쓰레기”라는 단어를 찾아볼 수 있다.
또한 부정적인 단어들이 많은데 오늘 간단하게 이 얘기를 좀 해보고 싶어서 카테고리까지 만들었다.
일단 결론부터 얘기해보자면 국비지원은 쓰레기가 맞다! 솔직히 까놓고 얘기해보자, 우리나라 속담 중 ‘싼 게 비지떡’이라는 속담이 있다. 싸면 쌀 수록 제 값을 못한다는 얘긴데.. 이게 나라에서 운영하는 국비라고 비껴나갈 수 있을까..? 절대 불가능이다. 무료는 무료답다. 딱 그 정도.. 물론 국가에서 학원에 돈을 주긴 하지만 그래도 수강생 입장에서는 ‘무료’다. 그러니 절대 질 좋은 ‘유료’ 학원들과 비교하지 말았으면 좋겠다.
간혹 가다 좋은 ‘무료’ 학원도 많다. 예를 들면 싸피, 42서울 등등… 하지만 얘네들은 질 좋은 무료답게 끼리끼리 법칙으로 인해 질 좋은 수강생(이하 학생)들을 원한다. 반면에 국비는 그냥 내일 배움 카드(이하 내배카)만 발급되면 지천에 깔린 학원 중 아무 곳이나 등록하면 거의 90%의 높은 확률로 다닐 수 있다.(나머지 10%는 면접에서 떨어질 수 있다.)
약간 잔인한 말일지는 모르겠지만 이게 현실이다. 국비 다녀서 그래도 IT 공부했으니 네카라쿠배당토?? 얼토당토않는 말이다. 그래도 국비를 선택한 가장 큰 이유는 ‘취업’일 것이다. IT 계열은 그래도 그나마 다른 직종보다는 비전공자가 진입하기 쉽고, 취업은 잘 되는 편이니 일단 네카라쿠어쩌고는 집어치우고 ‘취업’에만 포커스를 맞추는 게 정신건강에 좋다.
자 그럼 본론으로 들어가서! 쓰레기 중에서 그래도 덜 쓰레기인 곳을 찾아보는 팁을 몇 가지 알아보자.
내가 국비 학원을 알아봤을 때 지금 생각하면 어이없지만 ‘지식인’에 서울에 있는 좋은 학원을 물어봤던 적이 있다. 학원 관계자 놈들도 먹고 살려는지 매크로 같은 걸 걸어 놓은 것 같은데.. 엄청나게 긴 학원 자랑과 본인 PR을 한 답변이 5분도 채 안돼서 8개 정도 달렸던 기억이 있다. 커뮤니티에서 직접 다녀본 사람들의 말은 어느 정도 신뢰가 되겠지만 이런 홍보가 가득한 곳에 적힌 글들은 절대로 믿지 말길 바란다.
월세 집을 구하거나, 전셋집을 구하거나, 매매를 하거나 어쩌고 저쩌고 하여튼 집을 구하기 위해서는 ‘발품’이 최고다. 학원 역시 그렇다. 인터넷 상담으로는 한계가 있다. 꼭 학원 한 군데서만 상담하지 말고 여러 후보군을 골라 이곳저곳 상담을 다녀보길 바란다. 상담을 다니면 다녀볼수록 ‘아 저거 개구라’라고 판별할 수 있는 안목이 길러진다고 나는 생각한다.
상담 가서 ‘네..네…네..네..’ 네봇할 거면 가지 마라. 상담의 목적은 학원을 “파악”하려고 가는 거지 자랑을 들으러 간 것이 아니다. 소심한 성격이고 긴장을 많이 하는 성격이라면 그냥 핸드폰에 질문할 것들을 미리 생각 놓고 ‘질문하려는데 핸드폰에 필기 좀 할게요.’라면서 자연스럽게 핸드폰을 켜서 질문하면 된다. 페이스에 휘말리면 네네만 하게 되니까 절대 절대 쫄지말자.
상담이 길어지면 길어질수록 상담사나 학생이나 집중도가 떨어지기 시작한다. 그러니 짧고 굵게 상담을 하는 게 좋으니 진짜 필요한 정보를 얻을 수 있는 질문 몇 가지를 알아보자. 엄청나게 주관적이므로 본인이 중요하게 생각하는 질문들을 꼭 추가하기 바란다.
이번 연도 수업은 몇 번 열렸고, 그 수업마다 취업률이 몇 퍼센트인가요?
그 취업률에 IT 계열 외 타 계열에 취업한 사람도 포함인가요? 포함이라면 IT 계열로만 취업한 사람은 몇 명정도?
제가 들어갈 수업의 강사 이름은? 또 강사가 수시로 바뀔 수 있나요? 전임 강사는 몇 명인가요?
수료생들 포트폴리오 보여주세요
프로젝트는 몇 회 진행하나요? 프로젝트 진행 방식은 어떤가요. 강사마다 다르면 제가 들어갈 회차 강사님의 전회차 수료생들은 어떤 방식으로 진행했나요?
수업을 못 따라가면 못 따라가는 학생들을 위한 별도의 교육이 있나요?
학원 연계 기업 리스트 보여주시고 최근까지도 연계가 잘 되고 있나요?
당장 생각나는 건 이 정도밖에 없다. 대부분 취업과 관련된 질문이다. 강사의 강의력이 높을수록 학생들의 수업이해도가 높을 것이고, 취업에 중요한 프로젝트의 완성률이 높을 수록 취업이 잘될 것이고, 연계 기업이 많을수록 그나마 괜찮은 회사들을 받아볼 수 있을 것이다. 그래서 강사, 프로젝트, 연계 기업에 초점을 맞춰 질문 리스트를 작성했다.
강사 같은 경우는 학생들이 별로 중요하게 생각하지 않고, 그냥 ‘내가 가서 잘하면 되지 뭐..’ 이런 생각으로 강사를 뒷전으로 놓는 학생들도 많다. 물론 저 생각이 틀렸다는 게 아니라 정말 좋은 생각인데 생각보다 강사의 영향은 크다. 내가 다녔던 학원에서 옆 반은 강사가 3번이나 교체될 정도로 어수선했다. 이런 환경에서 공부가 잘 될 리가 없다. 그러니 꼭 전임 강사가 있는지, 내가 들어갈 수업의 강사가 시간 강사인지를 따져봐야 한다. 시간 강사라면 아무래도 전임 강사보다 열정이 적고 수업 질에 대한 생각을 별로 하지 않는다. 그러니 전임 강사가 있는 학원이 그나마 덜 쓰레기일 확률이 높다.
학원 연계 기업은 인터넷에 보면 별로 중요하지 않다고 말하는 사람들이 있다. 근데 나 같은 경우는 연계 기업이 꽤 도움이 됐다. 그리고 연계로 취업이 됐다. 연계 기업들 중 10에 9는 쓰레기 맞다. 근데 1 정도는 괜찮은 기업들이 있던 거로 기억한다. 그리고 이런저런 기업 이름들을 보고 그 기업에 관해 검색을 해보면 나름 본인의 취업 기준을 세울 수 있는데 큰 도움이 되고, 기업들의 평균 임금, 복지 등을 가늠할 수 있는 안목이 생긴다. 그러니 연계 기업의 질이 좋다면 너무 좋겠지만 그럴 일은 별로 없으므로 연계 기업이 많고 교류가 활발한 학원을 선택하는 게 그나마 낫다. 본인의 스펙이나 실력이 너무 뛰어나게 좋은 게 아닌 이상 솔직히 거기서 거기인 회사들에 취업이 되고, 그리고 비전공 국비 수료생의 서류 통과 또한 그렇게 쉽진 않다. 그러니 본인의 스펙이 좋거나, 실력이 좋은게 아닌 이상 연계 기업 또한 중요하게 봐야 할 순위에 넣어야 된다고 본다.
학원에 상담을 다니다 보면 수업이 개강하기 전에 학원에서 ‘유료’인 과목(대부분 프로그래밍 언어)을 들으라 권한다. 이유는 ‘비전공자’이기 때문에 수업을 따라잡기 힘들다는 이윤데.. 솔직히 나는 저 회유에 넘어가 본 사람으로서 말하자면 저런 학원에서 진행하는 유료 수업은 인터넷에서 많이 접할 수 있는 생활코딩이나 인프런에서 수강할 수 있는 수업과 별 다를 게 없다. 상담사로 인해 유료 수업을 학생이 듣게 되면 상담사에게 떨어지는 인센티브가 있기 때문에 죽어라 회유한다. 그러니 ‘비전공자’란 이유로 회유를 시전 한다면 가뿐히 무시하시길 바란다.
체력적이 쓰레기인 사람이 분명히 있을 것이다(나도 그렇다..^^). 학원이 대부분 직장인들의 출퇴근 시간이랑 겹치기 때문에 지옥철을 경험할 수 있다. 학원까지의 거리가 멀면 힘듦은 배가 되는 법… 학원을 다니는 것도 중요하지만 학원이 끝난 후 복습하는 것도 중요하기 때문에 본인의 체력을 고려하여 학원을 선택하는 것이 좋다. 물론 요즘은 코로나 때문에 대부분 비대면으로 수업해서 거리는 고려 대상에서 제외시켜도 무방하다.
잡플래닛에서 기업 리뷰를 살펴볼 때 사람들은 말한다. ‘장점은 믿지 말고 단점만 봐라.’ 이 얘기를 HRD 수강 후기에도 적용했으면 한다. 학원을 다닐 때 생각하는 기준이 다르고, 상황이 다르고, 성격도 다르기 때문에 어떤 사람은 불편하지만 수강 후기에 티를 안내기도 하고, 어떤 사람은 불편함을 아예 느끼지 못하는 사람도 있고, 어떤 사람은 불편한 것들을 수강 후기에 다 표현하는 사람도 있다. 그러니 대충 쓴 한 줄의 후기(예를 들면 ‘정말 뜻깊은 시간이었습니다.’ 같은) 보다는 단점 위주로 적힌 후기를 좀 더 신뢰하는 게 더 좋다.
이렇게 다섯 가지 팁을 적었는데 팁만 있어서야 되겠나. 서울 기준으로 일단 제일 유명한 IT 국비 학원은 총 3곳이다.
KH
쌍용
비트
이 세 곳의 경우 지방에 있는 사람들도 고시원을 구해서 들어가는 편이니… 그래도 그나마 덜 쓰레기일 확률이 높겠지만 또 지점에 따라서, 강사에 따라서 다르므로 참고만 했으면 좋겠다. 참고로 나는 이 세 곳 중 한 곳을 수료했는데… 음 학원보다는 강사가 정말 중요한 것 같다.
영국 엔지니어드아츠(Engineered Arts)가 개발한 휴머노이드 ‘아메카(Ameca)’. /X(옛 트위터)
인간과 흡사한 모습을 한 영국의 휴머노이드 로봇이 ‘로봇이 인간의 일자리를 빼앗을까’라는 질문에 재치 있고 날카로운 답변을 내놔 주목받았다.
5일(현지 시각) 데일리메일에 따르면, 영국 엔지니어드아츠(Engineered Arts)가 개발한 휴머노이드 ‘아메카(Ameca)’가 최근 스페인 바르셀로나에서 열린 모바일 월드 콩그레스(MWC) 2025에서 검은색 드레스와 빨간색 카디건, 흰색 운동화를 착용하고 참석자들과 자유롭게 소통했다. 아메카의 옷차림은 아랍에미리트의 통신회사인 에티살랏이 선물한 것으로 알려졌다.
아메카는 고도로 정교한 얼굴 표정과 움직임을 구현하는 AI 기반 휴머노이드다. 마이크와 카메라, 얼굴 인식 기능을 탑재해 인간과 유사한 시선 처리가 가능하다. 회사 측은 이 로봇을 ‘인간과 로봇의 상호작용을 위한 플랫폼’이라면서 AI 기반 언어와 표정을 사용해 사람들과 상호 작용하도록 설계됐다고 소개했다. 현재 걷지는 못하지만 질문을 듣고 기본적인 답변이 가능하다. 회사 측은 “우리 로봇은 오락, 정보 제공 및 교육을 위해 설계됐다”면서 “가장 인간적인 방식으로 인간과 기술을 연결한다는 것이 우리의 신조”라고 했다.
취재진이 아메카에게 “로봇이 우리(인간)의 일자리를 모두 빼앗게 될까”라고 질문하자 아메카는 “잘 모르겠지만, 당신은 당신의 직업(일)에 얼마나 능숙한가”라며 “당신이 얼마나 일을 잘하느냐에 달려 있을 것”이라고 답했다. 이 로봇은 “로봇이 미래에 세상을 지배할 수 있을까”라는 질문에는 “흥미로운 질문이지만, 제가 답하기에는 흥미롭지 않다”고 답했다.
현재 이벤트나 전시 목적으로 대여가 가능하지만 제작 비용은 공개되지 않았다. 회사는 아메카가 상용화되기까지 여러 기술적 과제가 남아 있다고 설명했다. 특히 보행 기능 구현이 주요 과제로 꼽힌다.
참석자들과 소통하는 아메카의 모습. /X(옛 트위터)
일반적인 통념과 달리 고학력, 고임금 일자리가 상대적으로 AI에 더 많이 노출돼 대체 가능성이 높게 나타났다는 연구 결과가 있다. 한국은행 조사국 고용분석팀이 지난 2023년 11월 발표한 ‘AI와 노동시장 변화’에 따르면 의사, 회계사, 변호사, 자산 운용 전문가를 비롯해 화학공학 기술자, 발전장치 조작원, 철도 및 전동차 기관사, 상하수도 처리 장치 조작원, 재활용 처리 장치 조작원, 금속재료 공학 기술자 등이 대체 가능성이 높게 나타났다.
AI 노출 지수가 낮은 직업은 음식 관련 단순 종사자, 대학교수, 종교 관련 종사자, 운송 서비스 종사자 등 대면 접촉 및 관계 형성이 중요한 직업이 포함됐다.
미국 골드만삭스가 2023년 직종별 AI 노출도를 분석한 결과, AI 노출도는 모든 산업 전반에 걸쳐 25% 수준이었으며, 행정(46%)과 법률(44%)에서 가장 높고 건설(6%) 및 유지보수(4%)와 같은 노동집약적 분야에서는 낮게 나타났다.
[chatgpt] 이전 기사 AI타임스 “오픈AI의 AGI 달성 기준은 인간 넘는 ‘코딩 에이전트’ 출시 순간”.
“오픈AI의 AGI 달성 기준은 인간 넘는 ‘코딩 에이전트’ 출시 순간”…’오퍼레이터’는 이번 주 챗GPT에 통합
임대준 기자
승인 2025.01.23 18:00
(사진=셔터스톡)
오픈AI가 소프트웨어 개발을 담당하는 코딩 전문 인공지능(AI) 에이전트를 개발 중으로 알려졌다. 그리고 코딩 에이전트가 최고 수준의 프로그래머를 대체하는 순간을 인공일반지능(AGI)에 도달한 것으로 간주할 것으로 전해졌다.
또 이와는 별도로 개발한 범용 GUI 에이전트 ‘오퍼레이터’는 이번 주 정식 출시를 앞뒀다는 소식이다.
디 인포메이션은 22일(현지시간) 오픈AI 임원진과 이야기를 나눈 3명을 인용, 고급 소프트웨어 개발자보다 복잡한 프로그래밍 작업을 처리하는 AI 에이전트를 개발 중이라고 보도했다.
이에 따르면 오픈AI의 목표는 레벨 6 엔지니어, 즉 선임 스태프 급 엔지니어를 복제하는 것이다. 이 수준의 개발자는 관리자로부터 광범위한 지침을 받고 새로운 소프트웨어나 기능의 설계부터 이를 구동하는 시스템까지 전체를 발할 수 있다.
또 오픈AI의 어시스턴트는 코드 출력뿐 아니라, 코드 베이스에 변경 사항을 적용하려는 경우 슬랙을 통해 인간에게 메시지를 보내 알릴 수도 있는 것으로 전해졌다.
오픈AI의 몇개 팀이 이를 개발하고 있으며, 추론 모델 ‘o1’도 일부 활용한 것으로 알려졌다.
이에 대해 제이슨 리우 재피어 AI 컨설턴트는 오픈AI가 최고 수준의 프로그래머를 타깃으로 하는 것이 합리적이라고 말했다. 수석급 엔지니어는 가장 비용이 많이 들고 대체가 어렵기 때문에, 고급 코딩 에이전트가 기업에 재정적으로 확실한 도움이 된다는 것이다.
또 현재 출시된 코딩 에이전트가 기대에 미치지 못한다고도 지적했다. 리우 컨설턴트는 지난해 코그니션이 출시한 세계 최초의 코딩 에이전트 ‘데빈’과 작업하는 것을 “그저 멍청한 인턴 10명의 관리자가 되는 것 같은 느낌이 든다”라고 표현했다. 따라서 성능이 확실히 뛰어나야 한다는 것이다.
앞서 오픈AI는 지난해 하반기부터 코딩 성능 향상에 초점을 맞추고 집중적인 개발에 매달렸다는 말이 나왔다. 당시 오픈AI 제품이 앤트로픽에 비해 코딩 능력이 가장 떨어진다는 판단 때문이었다.
이번 소식으로 인해 샘 알트먼 CEO가 연초 개인 블로그를 통해 ‘리플렉션’이라는 글을 올리며 “AGI에 도달하는 방법을 이미 알고 있다”라고 한 것과 “연말까지 AI가 인력에 합류할 수 있다”라고 말한 것이 어떤 의미인지 확실해졌다는 분석이다.
[ 一日30分 인생승리의 학습법] 기술부채(Technical Debt)는 소프트웨어 개발이나 프로젝트 과정에서, 약속된 것과 실제로 제공된 것 사이에 차이가 발생하는 것을 의미합니다.
기술부채(Technical Debt)는 소프트웨어 개발이나 프로젝트 과정에서, 약속된 것과 실제로 제공된 것 사이에 차이가 발생하는 것을 의미합니다. 즉, 기술적으로 해결해야 할 문제를 미루고 비즈니스 문제를 해결하는 것을 말합니다.
기술부채는 금전적인 채무와 비슷한 개념으로, 언젠가는 이자와 함께 상환해야 합니다. 기술부채가 쌓이면 개발 속도가 느려지고, 고객은 수정되지 않은 결함으로 인해 피해를 볼 수 있습니다.
기술부채를 최소화하기 위해서는 다음과 같은 방법을 고려할 수 있습니다.
프로젝트 초기부터 적절한 기술 선택과 설계를 수행합니다
코드 품질 관리를 합니다
충분한 테스트를 수행합니다
지속적인 개선과 리팩토링을 수행합니다
기술 부채를 적극적으로 모니터링하고, 적절한 대응 전략을 수립합니다
기술 부채(Technical Debt)란?
글쓴이 권오륜 / 2023년 06월 27일
기술 부채의 정의
사전적인 정의는 다음과 같습니다.
현 시점에서 더 오래 소요될 수 있는 더 나은 접근방식을 사용하는 대신 쉬운(제한된) 솔루션을 채택함으로써 발생되는 추가적인 재작업의 비용을 반영하는 소프트웨어 개발의 한 관점이다.
기술 부채는 금전적인 채무와 비유될 수 있다.
– 위키백과
출처 입력
워드 커닝햄(Ward Cunningham) 이 1992년도에 사용한 표현으로, 소프트웨어 개발에서 빠른 개발이나 기능 출시를 위해 나중에 처리하도록 미루어진 기술적인 문제를 말합니다. 이러한 문제들은 나중에 수정되어야 하지만, 미뤄진 만큼 처리하기에 더욱 복잡하고 비용이 많이 들어가게 됩니다.
결국, 나중에 개발해야 만 하는 추가적인 작업 형태로 남아 마치 갚아야 할 부채처럼 된다는 것입니다.
평균적인 소프트웨어 개발자는 기술 부채를 처리하는 데 일주일에 13시간 이상을 쓴다.
– 2018년 스트라이프(Stripe)의 Developer Coefficient 보고서
출처 입력
이와 같이 기술 부채를 관리하는데, 많은 시간을 투입해야 하는 것으로 나타났으며, 시스템이나 애플리케이션이 복잡하고, 커질수록 더욱 많은 시간을 투입해야 합니다.
이외에도, 마틴 파울러는 2009년 그의 블로그에서 기술 부채 사분면을 제시하였으며, 소프트웨어 개발 과정에서 “빠른 구현” 이라는 효과는 나타낼 수도 있지만 결국에는 “유지보수 노력 증가”라는 대가를 치루게 된다는 점을 설명하면서, 기술 부채의 중요성을 강조하고 있습니다.
마틴 파울러의 기술 부채 사분 (https://www.productplan.com/glossary/technical-debt/)
기술 부채의 종류
기술 부채는 다양한 형태로 나타날 수 있으며, 예를 들어, 설계 부채, 코드 부채, 테스트 부채, 인프라 부채 등이 있습니다.
설계 부채
소프트웨어 설계 단계에서 적절한 설계를 제대로 수행하지 않았거나 설계 결함을 미처 수정하지 못하여 생기는 부채
소프트웨어의 설계가 미흡하거나 부적절하게 이루어졌을 때, 나중에 해당 소프트웨어를 수정하거나 유지 보수하는 과정에서 발생하는 추가적인 비용과 시간
코드 부채
개발자가 프로그램 코드를 작성할 때, 시간이나 예산 등의 제한으로 인해 충분한 품질을 보장하지 못하고 미루는 코드 작성 작업
소프트웨어 개발의 초기 단계에서는 효과적으로 비용을 절감할 수 있지만, 이후에 시스템을 유지 보수/업그레이드/기능 추가 시 많은 비용과 시간이 들어감
테스트 부채
소프트웨어 개발 과정에서 충분한 테스트를 수행하지 않아 생기는 부채
시스템의 기능이나 성능을 충분히 검증하지 않거나, 불완전한 테스트를 수행하여 발견하지 못한 결함으로 인해 시스템이나 소프트웨어의 품질 저하되며, 이후 품질 향상을 위해 많은 비용과 시간이 들어감
인프라 부채
소프트웨어 개발 및 운영을 위한 인프라 구성에 대한 부채
개발자가 시스템 운영을 위한 서버나 DB 등의 인프라 구성을 미리 준비하지 않은 채 개발을 진행하여, 시스템의 초기 버전은 빠르게 출시할 수 있지만, 이후 시스템 규모가 확장되거나 사용자 수가 증가하면 인프라 구성이 부족한 상황이 발생하게 되어, 시스템의 성능 저하나 서버 다운 등의 문제가 발생
기술 부채의 원인
기술적인 결함
시스템/소프트웨어 대한 적절하지 않은 설계 또는 코드의 품질 관리를 하지 않는 등의 이유
시간 및 예산 제약
개발 프로젝트의 일정이 매우 촉박하거나, 예산이 제한되어 있는 경우 개발자들은 충분한 테스트나 코드 리팩토링을 수행하지 않아 발생
기술적인 부족함
새로운 기술을 익히는데 시간이 부족한 경우나, 충분한 경험이 없는 경우 발생 가능성이 높음
업무 환경
개발 프로젝트를 위한 업무 환경이 부적절하거나, 커뮤니케이션에 문제가 있어 일부 정보나 요구사항을 놓치는 경우
이외에도 업무 우선순위, 기술적인 한계 등 여러 원인이 있을 수 있습니다.
기술 부채 최소화하는 방안
코드 리뷰
다른 개발자들이 작성한 코드를 검토하고, 잠재적인 기술 부채를 예방할 수 있음
코드의 가독성, 유지보수성, 확장성 등을 개선하고, 문제가 발생했을 때 빠르게 대처할 수 있도록 도와줌
테스트 자동화
개발자가 작성한 코드를 자동으로 검증하고, 문제를 미리 파악할 수 있음
잠재적인 기술 부채를 미리 예방할 수 있으며, 개발자가 코드를 수정하거나 추가할 때마다 자동으로 테스트가 수행되므로 코드의 신뢰성을 높일 수 있음
지속적인 통합/배포
코드 변경 사항을 빠르게 반영하고, 문제를 빠르게 파악하고 해결할 수 있음
개발자들은 코드 변경에 대한 실시간 피드백을 받으므로, 문제가 발생했을 때 빠르게 대처할 수 있음
기술 부채 관리
기술 부채를 발생시키는 원인을 파악하고, 관리할 수 있는 프로세스를 도입하여 최소화할 수 있음
기술 부채를 쌓이지 않도록 예방하고, 발생했을 때는 빠르게 대처하여 안정적인 소프트웨어 개발을 진행할 수 있도록 노력해야 함
최신 기술 도입
새로운 기술이 나올 때마다 최신 기술을 도입하여 기술 부채를 최소화할 수 있음
최신 기술을 도입하면 개발 시간이 단축되고, 더욱 효율적으로 개발할 수 있음
기술 부채를 최소화하기 위해서는 프로젝트 초기부터 적절한 기술 선택과 설계, 코드 품질 관리, 충분한 테스트, 그리고 지속적인 개선과 리팩토링을 수행해야 합니다. 또한, 기술 부채를 적극적으로 모니터링하고, 적절한 대응 전략을 수립하여 신속하게 해결하는 것이 필요합니다. 이러한 노력을 통해 기술 부채를 최소화하고, 높은 품질과 안정성을 갖춘 소프트웨어를 개발하는 것이 가능합니다.
기술 부채 관리의 중요성
기술 부채는 소프트웨어 개발 프로젝트에서 매우 중요한 문제이며, 기술 부채가 높아질수록 프로젝트 진행에 대한 위험이 높아질 수 있습니다.
높은 기술 부채는 미래에 프로젝트를 더욱 복잡하게 만들어서, 수정과 유지 보수 비용이 늘어날 수 있으며, 회사와 고객에게 추가적인 비용과 불편함을 초래할 수 있습니다. 또한, 품질이 낮아질 가능성이 높아져서, 불편한 사용자 경험과 기능 오류를 초래할 수 있습니다.
따라서, 기술 부채를 적절하게 관리하고 최소화하는 것이 매우 중요합니다. 기술 부채를 관리함으로써, 프로젝트의 일정과 예산을 준수하는 데 도움을 주며, 프로젝트의 품질과 안정성을 유지하는 데에도 중요합니다. 또한, 기술 부채를 최소화하면 개발자들은 보다 많은 시간과 에너지를 현재의 개발 과제에 집중할 수 있으며, 개발자들의 생산성과 만족도를 높이는데 도움을 줍니다.
마치며 …
기술 부채는 피할 수 없는 것이며, 모든 조직에서 발생할 수 있는 문제입니다.
개발자들은 기술 부채에 대한 인식을 높이고, 팀 전체적으로 기술 부채를 예방하고 관리할 수 잇는 문화를 구축해야 할 것입니다.
팀내에서도 기술 부채를 관리하고 있는지에 대해 한번쯤 검토해 보아야 할 것이며, 저희가 개발하고 있는 제품/서비스를 지속적으로 발전해나가려면, 기술 부채들을 조금씩은 해소해나가면서 개발 진행할 수 있도록 해야할 것입니다.
기술 부채를 최소화하기 위한 방안 및 프로세스 개선에 대해서도 본부 차원에서 고민해봐야 할 문제로 보입니다.
한컴테크한컴테크를 통해 한컴의 기술을 공유합니다. 한컴의 프로그래밍, 프레임워크, 라이브러리 및 도구 등 다양한 기술을 만나보세요. 한컴 개발자들의 다양한 지식을 회사라는 울타리를 넘어 여러분과 공유합니다. 한컴이 제공하는 기술블로그에서 새로운 아이디어와 도전을 마주하고, 개발자가 꿈꾸는 미래를 실현하세요.
지난 5월 미국 시애틀에서 열린 마이크로소프트의 연례 개발자 회의 ‘빌드’에서 연설하는 샘 올트먼 오픈AI 최고경영자. /AFP 연합뉴스
세계에 생성 인공지능(AI) 열풍을 불러일으킨 챗GPT 개발사 오픈AI가 수익성을 강화하는 방향으로 지배 구조를 전격 개편한다. 오픈AI는 “상상보다 더 많은 자본을 모으는 것”을 개편 이유로 들었다.
27일 오픈AI는 자사 블로그를 통해 비영리 이사회의 통제를 받는 기존의 영리 자회사 법인을 보통 주식(ordinary shares of stock)을 보유한 공익법인(Public Benefit Corporation, PBC)으로 전환하는 방안을 검토하고 있다고 밝혔다. 앞서 오픈AI는 ‘안전한 AI’를 목표로 내걸고 2015년 비영리법인으로 시작했다.
오픈AI는 지배 구조 개편이 필요한 이유로 ‘자금 조달’을 들었다. 오픈AI는 “주요 기업들이 현재 AI 개발에 수천억 달러를 투자하고 있는 상황은 오픈AI가 사명을 계속 추구하기 위해 실제로 무엇이 필요한지를 보여준다”며 “우리는 다시 한번 상상했던 것보다 더 많은 자본을 조달해야 한다. (지배 구조 개편을 통해) 경쟁사들처럼 필요한 자본을 조달할 수 있게 될 것”이라고 밝혔다.
그래픽=김하경
현재 오픈AI는 복잡한 구조를 갖고 있다. 2015년 설립된 오픈AI는 비영리법인으로 시작해 이사회의 통제를 받고 있다. 하지만 AI 모델을 훈련하기 위해 대규모 자금이 필요하자 2019년 손자회사로 ‘오픈AI 글로벌’이라는 영리법인을 설립했다. 실제 AI 모델을 개발하고 사업화를 담당하는 회사다.
명목은 ‘영리법인’이지만 오픈AI 글로벌은 ‘이익제한기업(Capped profit company)’이라는 독특한 구조를 갖고 있다. 주요 의사 결정은 모회사인 ‘오픈AI 지주회사’가 내리고 수익은 원금의 100배로 제한돼 있다. 상한선을 초과하는 이익은 비영리법인에 귀속돼 오픈AI가 지향하는 인류 전체의 이익을 위해 사용된다.
오픈AI은 이같은 수익 제한 원칙이 투자금을 제한할 수 있다고 보는 것으로 알려졌다. 실제 지난 10월 오픈AI는 66억 달러(약 9조 7416억원) 규모의 투자를 유치했는데 당시 투자자들은 오픈AI에 2년 이내에 회사가 현재의 수익 제한을 풀지 못하면 자금을 회수할 수 있다는 조건을 내건 것으로 알려졌다.
이 때문에 오픈AI는 ‘투자 친화적’인 기업으로 전환을 위해 현재의 영리 법인을 보통 주식을 보유한 PBC로 전환한다는 계획이다. PBC는 사회에 공헌하는 목표를 갖고 있으면서도 이익을 추구할 수 있는 형태의 구조다. 오픈AI의 대항마로 평가받는 AI 스타트업 앤스로픽과 일론 머스크 테슬라 최고경영자(CEO)가 소유한 AI 기업 xAI도 이와 유사한 구조라고 로이터 통신은 전했다.
오픈AI는 “(개편을 통해) 상업적 운영을 추진할 수 있다”며 “그러면서도 비영리 부문을 위해 직원을 별도로 고용하고 이 부문이 의료, 교육, 과학 분야에서 자선 활동을 맡을 수 있게 하겠다”고 밝혔다.
다만 오픈AI의 이같은 계획이 순조롭게 이뤄질지는 미지수다. 오픈AI의 공동창립자이자 현재는 샘 올트먼 오픈AI CEO와 대립각을 세우고 있는 머스크가 앞장서서 이를 반대하고 있기 때문이다. 그는 지난달 29일 캘리포니아 북부 지방법원에 오픈AI 영리법인 전환을 막아달라며 가처분 신청서를 제출했다. 머스크 CEO는 “(오픈AI가 초래할 위협을 막기 위해선) 오픈AI의 비영리적 성격을 보존하게 하는 가처분 명령이 유일한 구체책”이라고 주장했다.
여기에 페이스북 모회사 메타의 마크 저커버그 CEO도 가세하고 나섰다. 메타는 지난 12일 캘리포니아주 법무장관에게 보낸 서한에서 “자선단체로서 비영리 혜택을 누린 뒤 영리 목적으로 전환하는 것은 불법”이라며 오픈AI의 영리법인 전환을 저지해줄 것을 요청했다.
박막례님
