[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.

여러분은 어떤 국비 학원을 선택하시겠습니까?

좋은 선택이 성공적인 IT 커리어의 시작이 될 것입니다. ????

[기계학습][머신러닝] [인공지능] 지도학습, 비지도학습, 강화학습

머신러닝의 학습 방법은 크게 3가지로 분류됩니다.

• 지도학습
• 비지도학습
• 강화학습

● 지도학습(Supervised Learning)

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.

스팸메일 분류 예제

    2) 회귀(Regression)

회귀는 어떤 데이터들의 Feature를 기준으로, 연속된 값(그래프)을 예측하는 문제로 주로 어떤 패턴이나 트렌드, 경향을 예측할 때 사용됩니다. 즉 답이 분류 처럼 1, 0이렇게 딱 떨어지는 것이 아니고 어떤 수나 실수로 예측될 수 있습니다.

예를 들어 서울에 있는 20평대 아파트 집값 가격, 30평대 아파트 가격, 지방의 20평대 아파트 가격등을 입력데이터로 주고 결과를 주면, 어떤 지역의 30평대 아파트 가격이 어느정도 인지 예측할 수 있게 됩니다.

보스턴 주택 가격 예측 예제

*Feature

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.

• 지도학습, 비지도학습의 대표적인 알고리즘

출처: https://wendys.tistory.com/169

● 강화학습(Reinforcement Learning)

머신러닝의 꽃이라 불리는 강화학습(RL)은 지도, 비지도 학습과는 조금 다른 개념입니다.

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.

[References]

https://blogs.nvidia.co.kr/2018/09/03/supervised-unsupervised-learning/

https://wendys.tistory.com/170

출처: https://ebbnflow.tistory.com/165 [삶은 확률의 구름:티스토리]

[데이터분석 & 데이터 사이언스] 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?

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.

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.

Robert Chang은 주니어 데이터 사이언티스트들에게 조언하며 다음과 같이 굉장히 통찰력 있는 이야기를 했다.

일하게 될 곳의 전체 업무 절차(critical path)가 자신이 하고자 하는 것에 얼마나 부합하는지 따져봐야 한다. 자신이 바라는 것에 가장 잘 부합하는 업무 절차를 갖추고 있는 프로젝트, 팀, 회사를 찾아라.

이 조언은 고용주와 데이터 사이언티스트의 관계를 강조하는 것이다. 회사가 제대로 준비되어 있지 않거나 데이터 사이언티스트의 기대와 부합하지 않는 목표를 가지고 있다면, 데이터 사이언티스트가 다른 일을 찾게 되는 것은 시간 문제다.

이 문제에 흥미가 생긴다면, 온라인 쇼핑몰 Wish에서 분석 팀을 만든 과정을 다룬 Samson Hu의 연재 글을 읽어 보길 권한다. 통찰이 담겨있는 훌륭한 글이다.

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.

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.

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.

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.

이 글이 이 직업에 대한 흥미를 잃게 만든 것은 아니길 바란다.

읽어줘서 감사하다. 🙂

이 글은 Jonny Brooks-Bartlett의 Here’s why so many data scientists are leaving their jobs를 번역한 것입니다.

[출처] https://github.com/youngwoos/etc/blob/master/Here%E2%80%99s%20why%20so%20many%20data%20scientists%20are%20leaving%20their%20jobs.md#%EC%88%98%EB%A7%8E%EC%9D%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%82%AC%EC%9D%B4%EC%96%B8%ED%8B%B0%EC%8A%A4%ED%8A%B8%EB%93%A4%EC%9D%B4-%EC%A7%81%EC%9E%A5%EC%9D%84-%EB%96%A0%EB%82%98%EB%8A%94-%EC%9D%B4%EC%9C%A0%EB%8A%94-%EB%AC%B4%EC%97%87%EC%9D%B8%EA%B0%80

[산업] IT 국비교육, 쓰레기 속에서 그나마 덜 쓰레기인 곳 찾는 팁

박막례님

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.

1. 인터넷 믿지 말기

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. 

2. 귀찮겠지만 발품 팔기

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.

2-1. 질문 많이 하기

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.

1. 이번 연도 수업은 몇 번 열렸고, 그 수업마다 취업률이 몇 퍼센트인가요? 
2. 그 취업률에 IT 계열 외 타 계열에 취업한 사람도 포함인가요? 포함이라면 IT 계열로만 취업한 사람은 몇 명정도?
3. 제가 들어갈 수업의 강사 이름은? 또 강사가 수시로 바뀔 수 있나요? 전임 강사는 몇 명인가요?
4. 수료생들 포트폴리오 보여주세요
5. 프로젝트는 몇 회 진행하나요? 프로젝트 진행 방식은 어떤가요. 강사마다 다르면 제가 들어갈 회차 강사님의 전회차 수료생들은 어떤 방식으로 진행했나요?
6. 수업을 못 따라가면 못 따라가는 학생들을 위한 별도의 교육이 있나요?
7. 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.

3. 상담사의 회유

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.

4. 왕복 거리 

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.

5. HRD 수강 후기

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. 

1. KH
2. 쌍용
3. 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.

그럼 모두 좋은 강사와 학원을 만나길 바란다. 끝!

[출처] https://devhan.tistory.com/27

[인공지능 기술] 휴머노이드에 “일자리 빼앗을거야?” 묻자…뼈 때리는 답변 돌아왔다

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.

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.

[출처] https://www.chosun.com/economy/tech_it/2025/03/07/KYEQXMB7H5GL5JPKGN5MOG7MF4/

[chatgpt] 이전 기사 AI타임스 “오픈AI의 AGI 달성 기준은 인간 넘는 ‘코딩 에이전트’ 출시 순간”.

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.

https://twitter.com/sama/status/1876081442775793984

한편, 디 인포메이션은 내부 관계자를 인용, 오픈AI가 이번 주에 ‘챗GPT’에 AI 에이전트 ‘오퍼레이터’를 통합 출시할 계획이라고 보도했다.

오퍼레이터는 웹 사이트를 검색하고 여행 계획을 짜며 레스토랑을 예약하는 등 사람 대신 마우스와 키보드를 사용해 일반적인 업무를 처리하는 범용 GUI 에이전트다. 

지난 20일에는 티버 블라호라는 소프트웨어 엔지니어가 맥OS용 챗GPT 클라이언트에서 오퍼레이터의 단축키 옵션을 발견했으며, 오픈AI 홈페이지에서는 벤치마크 결과도 확인했다고 전한 바 있다. 이 때문에 오퍼레이터의 출시가 임박한 것으로 파악됐다.

임대준 기자 ydj@aitimes.com

 임대준 기자 ydj@aitimes.com

[출처] https://www.aitimes.com/news/articleView.html?idxno=167422

[ 一日30分 인생승리의 학습법] 기술부채(Technical Debt)는 소프트웨어 개발이나 프로젝트 과정에서, 약속된 것과 실제로 제공된 것 사이에 차이가 발생하는 것을 의미합니다. 

 

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