[목 차]
  

베타리더 후기 vii

시작하며 ix

이 책에 대하여 x

 

CHAPTER 1 | AI/ML 직군, 무엇을 하는 사람들인가 1

1.1 AI를 만드는 사람들 5

1.2 AI/ML 직군 업무와 필요 역량 10

1.3 AI/ML 직군 세부 직무 29

1.4 AI/ML 실제 JD 분석 37

1.5 AI 공부 로드맵: 기초부터 실무까지 67

1.6 AI 대학원: 커리어를 위한 선택지 중 하나 80

 

CHAPTER 2 | AI/ML 커리어 성장과 확장 101

2.1 AI 프로젝트의 시작, 커리어 성장의 첫 단추 105

2.2 실현 가능한 AI 프로젝트는 무엇이 다를까? 115

2.3 AI 기술 개발, 이건 왜 안 되는 걸까? 126

2.4 AI/ML 커리어, 어떤 방향으로 성장할 수 있을까? 137

2.5 AI 기술 패러다임의 변화, AI/ML 엔지니어의 역할은? 144

 

CHAPTER 3 | AI/ML 엔지니어로 살아간다는 것 157

3.1 어떻게 AI/ML 엔지니어가 되었을까? 161

3.2 AI/ML 엔지니어의 장단점 168

3.3 AI/ML 엔지니어의 하루 일과 171

3.4 일태기와 번아웃 178

 

CHAPTER 4 | 궁금하지만, 아무도 알려주지 않는 AI 직군 이야기 185

4.1 AI를 개발하려면 수학을 잘해야 할까? 189

4.2 AI/ML 엔지니어로 일하려면 프로그래밍을 잘해야 할까? 191

4.3 AI/ML 엔지니어가 되려면 대학원 진학이 꼭 필요할까? 193

4.4 AI 분야 취업 팁이 있다면? 195

4.5 AI/ML 엔지니어로서 가장 어려웠던 경험은? 197

4.6 AI/ML 엔지니어로서 어떻게 경력을 쌓아야 성장할 수 있을까? 198

4.7 AI 모델 개발 외에 하는 업무는 무엇일까? 199

4.8 AI/ML 엔지니어가 되려면 IT 기업에서 경력을 시작해야 할까? 201

4.9 AI 기술은 빠르게 변하는데, 어떻게 따라잡을 수 있을까? 202

4.10 향후 AI/ML 엔지니어는 어떤 변화를 겪을까? 203

4.11 AI/ML 엔지니어는 주로 어떤 프로젝트를 할까? 205

4.12 AI 분야로 전환하려면 어떤 준비가 필요할까? 207

4.13 AI는 인간의 일자리를 대체할까? 209

4.14 AI 관련 일을 하면 돈을 많이 벌 수 있을까? 210

 

CHAPTER 5 | AI/ML 엔지니어 8인의 커리어 로그 211

5.1 LLM 엔지니어: 끈질기게 해본 경험의 가치(이한준) 215

5.2 AI 비전 엔지니어: 문제 해결 과정에 대한 고민의 중요성(9년 차 개발자) 220

5.3 ML 엔지니어: 다양한 도메인 문제 해결 경험(고준서) 226

5.4 추천 시스템 ML 엔지니어: 직접 만들고 운영해본 경험의 가치(이유림) 231

5.5 데이터 사이언티스트: 경험이 만들어내는 힘(임선우) 235

5.6 NPU/SLAM 전문가: 비전과 AI를 아우르는 탐구자(슬램슬램) 241

5.7 로봇 강화학습 대학원생: 작은 성과를 차곡차곡 쌓는 힘(임수빈) 246

5.8 음성 AI 대학원생: 꾸준함과 자기 관리로 이루는 성장(he_is_weak_) 254

 

찾아보기 258

[본 문]
  

AI/ML 엔지니어는 프로젝트의 첫 단추를 끼우는 단계에서 비즈니스 관점에서 문제를 파악하고 요구 사항을 분석해야 한다. 이 단계는 단순히 기술적인 출발선이 아니라, 프로젝트 전체의 방향을 결정짓는 중요한 작업이다. 문제 정의가 명확하지 않거나 잘못된 방향으로 설정되면, 이후 과정에서 아무리 뛰어난 AI 기술을 적용하더라도 기대한 결과를 얻기 어렵다. (12쪽)

 

네이버 웹툰(Naver Webtoon)에서 공고를 낸 AI 리서치 엔지니어는 웹툰 비즈니스의 다양한 현업 니즈를 AI로 해결하고자 MLLM(multimodal large language model) 및 LLM 기반 AI 에이전트를 연구 및 개발하는 역할을 한다. (...) 단순히 LLM을 호출하거나 챗봇을 만드는 데 그치지 않고, 웹툰 도메인 문제를 구조화하고 데이터와 시스템을 설계해 복잡한 과정을 AI가 스스로 처리할 수 있도록 만드는 경험이 중요하다. (38쪽)

 

많은 사람이 ‘명문 대학원이 아니면 의미 없다’는 이야기를 하곤 한다. 실제로 이름 있는 대학원일수록 우수한 교수진, 촘촘한 연구 네트워크, 대형 프로젝트 참여 기회 등 여러 면에서 유리한 환경을 갖춘 경우가 많다. 유명 연구실에서의 경험이 브랜드 효과처럼 작용하는 것도 어느 정도 사실이다. / 하지만 그것이 전부는 아니다. AI/ML 커리어에서는 ‘어디서 공부했는지’보다 ‘무엇을 했는지’가 더 중요하게 작용하는 경우가 많다. 실제 채용 과정에서는 대학원에서 수행한 연구가 해당 포지션과 얼마나 잘 맞는지, 유사한 기술 문제를 직접 다뤄본 경험이 있는지가 실질적인 평가 기준이 되기도 한다. (82~83쪽)

 

하나의 기술을 깊이 파는 대신 여러 기술을 유연하게 넘나들며 커리어를 확장하는 방식도 효과적이다. (...) 다양한 기술을 넘나드는 방식은 특히 스타트업이나 빠르게 변화하는 조직에서 강력한 무기가 될 수 있다. 새로운 기능을 빠르게 검증하고 서비스화해야 하는 환경에서는 특정 기술만 고집하기보다 문제에 따라 적절한 접근 방식을 빠르게 찾는 역량이 더 중요하기 때문이다. (139쪽)

 

수학은 AI 개발에서 중요한 기초 중 하나다. 특히 AI/ML을 공부하거나 논문을 읽을 때는 선형대수학, 미적분, 확률과 통계 같은 수학적 개념이 꼭 필요하다. 머신러닝과 딥러닝은 이러한 수학적 원리를 기반으로 작동하기 때문에, 기초 개념들을 잘 이해해두는 것이 장기적으로 큰 도움이 된다. (189쪽)

 

데이터 전처리, 피처 엔지니어링, 모델 학습과 평가, 결과 분석까지 거의 모든 과정이 코드로 이루어지기 때문에 머릿속으로 생각한 것을 코드로 구현할 수 있는 능력은 필수다. 단순히 기존 코드를 조금 고치는 수준이 아니라 문제를 정의하고 그에 맞는 로직을 설계해 직접 구현할 수 있어야 한다. / 가장 많이 사용하는 언어는 파이썬이다. 넘파이, 팬더스, 사이킷런, 파이토치, 텐서플로 같은 라이브러리로 데이터 처리부터 모델링까지 전 과정을 수행할 수 있다. 이 도구들에 익숙해지는 것은 AI/ML 엔지니어로서 기본기를 다지는 데 매우 중요하다. (191쪽)