AI 관련 협업, 내 옆에 누구를 앉혀야 하는가?
5대 AI 직무 세분화 & 탐구하기
항상 누군가와 가슴 뛰는 협업을 해야 한다는 사실은 기대감을 불러일으킵니다.
현재 프리랜서 일을 수행하면서, 사이드 프로젝트에 대한 니즈가 있어 한 달 전부터 멤버 구성을 하고 있었습니다. 주변 인맥들이 한쪽으로 치우쳐 있다 보니 마케터와 디자이너는 정말 없는 상황, IT 업계를 다니고 있는 마케터 친구에게 우리 팀이 생각하고 있는 내용을 알려주니 마케터 친구는 다음과 같은 이야길 했습니다.
대학교 친구이고 서로 본 지 10년이 넘었지만 술만 먹었지, 서로 뭐하는지 정확히 모르고 있었던 것입니다. 친구가 알려준 브런치 글을 보니 제가 업으로 하고 있는 곳에 대해 AI 직무 세계관을 정리할 필요성을 느꼈습니다.
글을 읽기 전 유의사항은 다음과 같습니다.
직무 명칭은 약어로 서술합니다.
데이터 분석가, CRM 마케터, 그로스 해커 등 "데이터"를 분석 & 활용하는 사람들 보다는 글 제목에 맞게 "AI" 직무에 초점을 맞추었습니다. 만약, AI보다 데이터 분야에서의 세부 직무로 더 깊게 알고 싶다면, 이 글을 추천합니다.
또한 시작하기에 앞서서 이해를 돕기 위해 아래와 같은 그래프를 기준으로 설명할 예정입니다.
x축은 머신러닝(Machine Learning, ML), AI에 대한 기술 & 이해도
y축은 SW(software) 공학적 지식과 이해도
원의 크기는 커뮤니케이션 및 문서화 실력입니다. (모든 직무가 커뮤니케이션과 문서 작성 능력이 필수이지만 소개하는 5가지 직무 내에서는 상대적임을 인지하시면 좋겠습니다.)
그럼 시작해 보겠습니다.
1. MLOps Engineer
첫째로 소개할 직무는 MLOps 부분입니다. 모델을 더 쉽게 배포하고 확장할 수 있도록 인프라(클라우드 등)를 구축하는 역할입니다. 코드를 구현하고 이를 Build 하고 Deployment를 했었던 방식이 전통적인 SW 개발 방식이 였는데 머신러닝이 결합한 것이 MLOps(ML + DevOps)입니다. 즉, 버전관리나 테스트 자동화, 모니터링 부분은 이전 SW 방식과 유사한 방식을 보이지만 Data와 머신러닝 요소가 결합된 직무입니다.
이 직무를 바로 시작하신 분들도 있을 수 있지만 그 비중은 상당히 작다고 생각합니다. 대다수가 SW를 전문적으로 개발을 해보았거나, 데이터 엔지니어링과 Pipeline을 구축해 보신 분들, ML platform이나 인프라 구축 스택이 여기 직무에 많이 속합니다. (개인적으로 MLOps 분야에서 신입을 뽑는 경우는 본 적이 없는 것 같습니다.)
조금 MLOps의 개괄적인 내용에 대해 추가적인 이해가 필요하신 분은 여기 글 카테고리에서 2, 3일 차 글들을 참고해 주시길 바랍니다 :)
2. ML Engineer (MLE)
두 번째로 소개할 직무는 MLE입니다. 제 주변의 MLE 분들은 1번에서 소개한 일들까지 기본적으로 수행하는 경우가 여럿 있습니다만 주로 하는 일은 AI 모델을 학습, 배포, 유지관리 역할을 Main으로 수행합니다. 즉, ML Pipeline의 유지 관리도 담당하고 업무에서 일부 비효율성을 자동화(1번과 유사함)할 수 있도록 지원도 합니다.
AI 모델에 대해서 깊은 이해가 필요하며 이를 Product화 할 수 있는 능력이 기본 덕목입니다. 제 개인적으로 AI를 활용하여 재미있는 것들을 직접 많이 구현하시고 커뮤니티 등에 많이 공유하시는 분들이라고 생각이 듭니다.
3. ML Researcher (MLR)
세 번째로 소개할 직무는 MLR입니다. 머신러닝 & AI의 전문가 소리를 조금 들을 수 있으며 연구원 경향이 강하고 대학원 석사 출신들이 제일 많다고 볼 수 있습니다. (저 또한 여기서부터 시작을 할 줄 알았습니다만 현재 많이 변질이 되어버렸습니다.) 주로 AI 모델을 연구 & 개발하고 깊이 있는 Paper 또는 보고서 등을 쓰는 직군이며 CS(Computer Science)와 통계학, 수학과 석박사 직군들이 상당히 많습니다.
개인적으로는 여기 직무 관련된 Academical 한 관점에서의 교육 자료들이 제일 많다고 생각합니다. 또한 해외에서 뚜렷한 연구 기술에서 박사 학위가 없는 사람들을 훈련하도록 Google Brain residency 처럼 Industrial Fellowship program 이 잘되어있다고 합니다.
4. Data Scientist (DS)
네 번째로 소개할 직무는 DS입니다. 위에서 언급한 직무 1~3번이 결합된 완전체이자 다양한 역할을 포괄합니다. 보고서도 작성하고 예측모델 또한 개발은 물론, 분석을 활용하여 비즈니스에 직접적인 관여 & 기여 또한 많이 합니다.
5. Machine Learning Product Manager (ML-PM)
마지막 직무는 PM입니다. 전통적인 Product Management 배경은 당연히 기본이지만 더 중요한 건 AI 개발 프로세스의 특수성을 제대로 이해하고 있어야 하는 것이 기본 요건이라 생각합니다. 개발 프로세스에 대한 이해가 없는 PM이 프로젝트를 맡게 된다면 불바다를 볼 수 있습니다.
제 주변의 뛰어난 AI PM 분들은 평소에 해외 글이나 영상들을 보면서 기술적인 트렌드를 계속 쫓아다니고 개발 또한 덕업일치(최소 5~7년 이상)를 오래전부터 해오신 분들이라 여기에 대한 감을 꾸준히 유지하는 모습을 보았었습니다. ML 엔지니어나 Data Scientist들이 PM으로 경험과 실력이 쌓이면서 자연스럽게 이 포지션으로 전환하는 것을 많이 볼 수 있습니다.
이렇게 AI & Data 직군에서 어떤 직무들이 있는지 알아보았습니다.
원래 IT 업계에서 제품이나 서비스를 내놓는다는 것은 상당히 어려운 일입니다. 이것을 기획하고 내놓기 이전에 이를 구현할 검증된 사람을 채용해야 하는데, AI 산업군에서는 항상 사람이 부족하다는 이야기를 많이 듣는 것이 현실입니다. 또한 AI 업계는 빠르게 트렌드가 수시로 변한다는 점이 장기적인 인재를 채용하는 데 있어 불확실성을 키우는 것 같습니다.
이 글이 도움 되는 대상은 다음과 같이 정리할 수 있겠습니다.
- AI를 이용하여 Product 또는 Service를 내고 싶은데 어떠한 종류의 사람을 채용해야 할지
- 본인의 커리어 & 진로에 대해 깊게 한번 더 생각하게 되는 AI 쪽에 막 취업하신 주니어 분들
- AI 직무에 취업하고자 하는 취준생들
이 글이 절대 표준 정답은 아니라는 점을 인지하시면 좋겠습니다. 그 이유는 회사마다 직무 이름을 명시해 놨지만 세부 기술 스택을 보면 조금씩 다를 정도로 경계가 아직까지는 모호한 부분이 많이 있습니다.
또한 AI 직무 관련하여 더 세부적으로 알고 싶다면 구글에 "{직무이름} Roadmap github"이라고 검색하시면, 사람들이 그림 또는 마인드 맵과 같은 Image들 github에 제시한 내용(예시)들이 있을 것입니다. 검색 결과에서 본인이 부족한 점이나 보완할 점을 미리 파악하는 것도 도움이 될 수 있습니다. (이렇게 정리하고 나니 저 또한 부족한 부분들을 더 메꾸어야겠다는 생각이 들게 되네요!)
긴 글 읽어주셔서 감사합니다.
(+이 글을 쓸 동기와 영감을 주었던 제 친구에게도 감사합니다.)
- Reference
"Full Stack Deep Learning 2022"에서 영감을 받고 저의 경험을 듬뿍 담아 반영하였습니다.
- 함께 읽어보면 좋은 글
https://www.upstage.ai/blog/people/what-swe-do-at-ai-company
