brunch

매거진 AI 엔지니어의 모든 것

라이킷 11 댓글 2

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 뭅즤 Oct 20. 2022

비전공자도 AI 대학원 진학해도 될까?

이번에는 비전공자의 AI 관련 대학원 진학이라는 주제를 가지고 이야기를 나눠보겠습니다. 비전공자라는 말이 조금 애매할 수 있어서 아래에서 비전공자에 대한 범주를 정의하고 설명하도록 하겠습니다.

비전공자의 AI 관련 대학원 진학

많은 사람들은 AI 대학원 진학 시 컴퓨터공학과 출신이 아니면 '비전공자'로 간주합니다. 하지만 실제로 머신러닝과 딥러닝은 수학, 통계학 등 다양한 분야와 연관되어 있습니다. 다만 이를 실제로 구현하려면 프로그래밍 능력이 필수적이죠. 따라서 AI 관련 연구실의 경우 대부분 컴퓨터공학과에 소속되어 있습니다. 그래서 입학생들도 주로 컴퓨터공학, 인공지능 관련 학과 출신이 많습니다. 하지만 수학과, 통계학과, 물리학과 등 다양한 전공자들도 AI 대학원에 진학하고 있습니다.

그렇다면 비전공자도 AI 대학원에 진학할 수 있을까요? 제 생각에는 어느 정도의 기초 지식만 있다면 충분히 가능합니다. 다만 전공에 따라 어려움의 정도가 다를 수 있죠.

아래 분류 기준으로 말씀드리면, lv4 이상인 경우에는 AI 관련 대학원 진학을 추천하지만, lv3 이하인 경우에는 선수과목, 프로그래밍, 머신러닝/딥러닝 공부 등의 사전 준비가 필요할 것 같습니다. 이를 위해 최소 3개월 이상의 준비 기간이 필요할 것 같습니다.

전공자+ : 컴퓨터공학을 전공 + 머신러닝/딥러닝 관련 수업을 수강 또는 관련 프로젝트를 수행

전공자 : 컴퓨터공학을 전공 + 머신러닝/딥러닝은 기본적인 것만 아는 사람

비전공자 lv5 : 컴퓨터공학은 아니지만 프로그래밍을 배우는 공학을 전공 + 선수과목 수강

비전공자 lv4 : 전공이 공학 쪽이 아님 + 선수과목 수강 + 코딩을 잘 모름

비전공자 lv3 : 전공이 공학 쪽이 아님 + 선수과목 미수강 + 코딩을 어디선가 배우긴 했음

비전공자 lv2 : 이공계 아님 + 선수과목 미수강 + 코딩을 어디선가 배우긴 했음

비전공자 lv1 : 이공계 아님 + 선수과목 미수강 + 코딩 잘 모름

선수과목 : 머신러닝, 미분적분학, 확률통계, 선형대수학, 수치해석, 프로그래밍 기초 등

AI 관련 대학원에 진학해서 수월하게 연구와 프로젝트를 진행하기 위해서는 '선수 과목에 대한 기초 지식(공학적 역량)', '기본적인 머신러닝/딥러닝 지식', '어느 정도의 코딩 실력' 저는 이렇게 세 가지가 중요하다고 생각합니다.

AI 연구를 위한 필수 공학적 역량

AI 분야에서 연구를 수행하기 위해서는 기본적인 공학 지식이 매우 중요합니다. 딥러닝, 컴퓨터 비전, 자연어처리, 강화학습 등 다양한 세부 분야를 연구하더라도, 미적분, 선형대수학, 확률통계 등 이공계의 기초 지식이 뒷받침되어야 합니다. 물론 일반적인 머신러닝/딥러닝 개념을 이해하는 것은 이공계 출신이 아니더라도 가능합니다. 하지만 깊이 있는 연구를 수행하기 위해서는 이러한 공학적 기반 지식이 반드시 필요합니다.

AI 관련 연구에서는 주로 본인만의 독창적인 접근 방식으로 기존 기술의 성능을 높이는 것이 중요합니다. 이를 위해서는 단순히 자신의 연구 분야 지식뿐만 아니라, 다양한 공학 분야의 지식을 활용할 수 있어야 합니다.

유명 논문들을 살펴보면, 다른 분야에서 활용되던 방법론을 자신만의 방식으로 재해석하여 연구 분야에 접목하고 성능을 향상시킨 경우가 많습니다. 이는 대학원 생활 동안 많은 논문 학습을 통해 쌓은 폭넓은 공학 지식이 뒷받침되었기 때문입니다. 따라서 AI 분야에서 의미 있는 연구를 수행하기 위해서는 기본적인 공학 지식을 바탕으로, 창의적이고 혁신적인 접근 방식을 개발할 수 있는 역량이 필수적입니다. 이를 위해 AI 연구를 시작하기 전에 충분한 공학 기초 지식을 쌓는 것이 중요할 것 같습니다.

기본적인 머신러닝/딥러닝 지식

대학원에 입학하실 때 머신러닝/딥러닝 분야에 대한 기초적인 이해가 부족할 수 있습니다. 하지만 대학원 과정 1년 내에 이 분야의 기초적인 개념을 익히고 설명할 수 있는 수준까지 올라가는 것이 중요합니다. 그래야 순탄한 대학원 생활을 기대해볼 수 있습니다.

Feature space, Back propagation, Loss function/surface, Gradient Descent, Optimization, regression, classification, Regularization, Over/Under-fitting, CNN, RNN, Transformer 등의 기본 개념을 익히는 것이 필요합니다. 또한 자신의 연구 분야에 따라 관련 도메인 지식도 갖추는 것이 좋습니다. 예를 들어 컴퓨터 비전 분야라면 영상 처리에 대한 기본 개념을, 자연어 처리나 강화학습 분야라면 해당 도메인에 대한 이해도 필요합니다.

이를 위해 책이나 온라인 강의를 통해 머신러닝/딥러닝의 기본 개념을 학습하고, 유명 논문을 읽으며 실제 연구 사례를 살펴보는 것이 좋습니다. 또한 간단한 예제 코드를 직접 실행해보고, 코드를 변경하며 디버깅하고 결과를 분석하는 과정을 통해 깊이 있게 이해할 수 있습니다. 이런 실습 경험은 이론만으로는 얻기 어려운 실질적인 감각을 기를 수 있습니다.

어느 정도의 코딩 실력

대학원에서 연구를 위해 딥러닝 코드를 작성하는 경우, 반드시 뛰어난 프로그래밍 실력을 요구하지는 않습니다. 딥러닝 프레임워크를 잘 활용할 수 있다면 좋지만, 일반적으로 파이썬을 사용하므로 접근이 쉽습니다. 또한 이론적인 알고리즘을 설계하는 것에 비해 코드로 구현하는 것이 상대적으로 쉬운 편입니다.

그러나 프로그래밍에 전혀 경험이 없다면 이 과정 역시 어려운 작업이 될 수 있습니다. 머신러닝/딥러닝 지식은 충분하더라도 코딩 실력이 부족해 필요한 부분을 수정하지 못할 수 있기 때문입니다. 따라서 대학원 1학기를 시작할 때 '어느 정도' 수준의 프로그래밍 실력을 갖추는 것이 좋습니다.

구체적으로는 하나의 프로그래밍 언어를 능숙하게 다룰 수 있고, 기본적인 알고리즘을 구현할 수 있는 수준이면 충분합니다. 또한 GitHub 등에서 이전 연구 코드를 받아 수정하며 실험을 진행할 수 있는 정도의 역량이 필요합니다.

물론 대학원을 졸업하고 취업을 위해서는 프로그래밍 실력과 개발 경험이 더욱 중요해집니다. 따라서 대학원 과정 중에도 프로그래밍과 소프트웨어 개발 분야에 대한 관심과 학습을 지속하는 것이 좋습니다.

저는 이 세 가지 요소 중 '공학적 역량’이 가장 중요하다고 생각합니다. 공학적 기반이 있다면 머신러닝과 딥러닝의 기본 개념을 비교적 쉽게 습득할 수 있습니다. 다만 이러한 공학적 기반을 단기간에 구축하기는 쉽지 않습니다. 프로그래밍 실력은 대학원 입학 전 2-3개월 정도의 노력으로 어느 정도 갖출 수 있지만, 더 깊이 있는 공학적 역량은 대학원 과정 중 연구와 프로젝트를 통해 함께 향상시켜 나가야 할 것입니다.

비전공자의 경우, 공학적 기반이 lv4 이상이라면 전공자와 큰 차이 없이 준비할 수 있습니다. 하지만 lv3 이하의 공학적 기반을 가진 경우나 프로그래밍을 잘 모르는 경우에는 AI 대학원 입학을 위해 더욱 부단한 노력이 필요할 것입니다. 특히 lv1-2 수준이라면 필요한 기본 지식을 먼저 공부하고 AI 분야가 내게 잘 맞는지 고민해볼 필요가 있습니다.

추가로, AI 분야는 계속해서 새로운 논문과 기술이 등장하므로 졸업 후에도 꾸준한 공부가 필요합니다. 단순히 대학원 기간 동안만 노력하는 것으로는 부족하며, 새로운 동향을 파악하고 적용하는 역량이 중요합니다. 따라서 AI 분야에 지속적으로 관심을 가지고 공부하는 습관을 기르는 것이 중요할 것 같습니다.