AI & ML 세부 직무 소개
지난 시간에 AI 엔지니어(AI Engineer)의 역할과 필요 역량에 대해 살펴보았다. 이번에는 AI & ML 세부 직무에 대해 좀 더 심층적으로 소개하려 한다.
AI 엔지니어링 분야는 아래와 같이 다양하게 나눌 수 있지만, 직무 명칭이 실제 업무 범위를 그대로 결정하지는 않는다. 직무 명칭은 회사와 산업, 팀에 따라 명칭이 다르게 사용되기도 하고, 상황에 따라 여러 업무를 동시에 수행하거나, 특정 기술 분야에 집중하는 경우도 흔하다.
따라서, 실제 환경과 프로젝트에 따라 업무 범위가 달라질 수 있다는 점을 꼭 기억하자.
1. AI Engineer
핵심 업무: 다양한 도메인과 응용 프로그램에서 AI 시스템을 개발하고 배포합니다.
주요 업무: 머신러닝 및 딥러닝 프로젝트, 데이터 전처리, 모델 학습 및 배포.
필요 기술: 알고리즘, 프로그래밍(Python, R), 머신러닝 프레임워크(TensorFlow, PyTorch) 사용 능력.
추세: 최근에는 MLOps 및 CI/CD 파이프라인 구축의 중요성이 강조되고 있어, 이와 관련된 기술도 필요합니다.
2. Machine Learning(ML) Engineer
핵심 업무: 예측 분석, 추천 시스템, 분류 작업과 같은 특정 응용 프로그램을 위한 머신러닝 모델 개발 및 최적화.
필요 기술: 통계 모델링, 지도 학습/비지도 학습, scikit-learn 같은 머신러닝 라이브러리 사용 능력.
사용 도구: 머신러닝에 특화된 도구와 기술, 예를 들어 AutoML 및 클라우드 기반 머신러닝 서비스.
추세: AutoML과 같은 자동화 도구 사용이 증가하고 있으며, 데이터의 질을 높이는 것도 중요해지고 있습니다.
3. AI Researcher
핵심 업무: AI 분야의 발전을 위한 원천 연구 수행, 학술지와 학회에 연구 결과를 발표.
필요 기술: AI/ML 이론에 대한 깊은 지식, 수학&통계학 및 알고리즘 지식
작업 결과: 새로운 AI 기술(모델, 학습 방법, 고도화,…) 개발, 이론적 발전 및 최첨단 AI 기술.
사용 도구: 연구 도구 사용에 중점을 두며, 산업에 즉각적인 응용보다는 이론적 연구에 초점을 맞춥니다.
4. AI Research Engineer
핵심 업무: 이론 연구와 실용적 응용의 격차를 해소하며, 연구된 AI 기술을 구현하고 테스트합니다. 또한, 새로운 기술을 적용하여 프로토타입을 개발하고 실제 성능을 검증합니다.
필요 기술: 프로그래밍 언어 및 구현 능력, AI/ML 이론, 특정 도메인 지식
추세: AI 기술의 현업 적용을 위한 데이터 기반 접근이 중요시되며, MLOps와 같은 DevOps 개념이 연구 프로세스에 통합되고 있습니다. 최근에는 AI의 윤리적 고려와 지속 가능성 문제도 주요 관심사로 부각되고 있습니다.
5. AI Applied Scientist
핵심 업무: 다양한 산업(예: 헬스케어, 금융, 전자상거래, 로보틱스)의 실제 문제를 해결하기 위해 AI 기술을 적용합니다.
필요 기술: 연구 능력과 실질적 구현 능력의 조합.
작업 결과: 특정 산업 요구에 맞춘 AI 시스템 개발 및 배포, 종종 학제 간 협업을 포함합니다.
추세: AI 기술이 실제 비즈니스 문제를 해결하는 데 어떻게 기여할 수 있는지에 대한 관심이 높아지고 있습니다.
6. Deep Learning Engineer
핵심 업무: 이미지 인식, 자연어 처리 및 생성 모델과 같은 응용 프로그램을 위한 딥러닝 모델 개발 및 최적화.
필요 기술: TensorFlow와 PyTorch와 같은 딥러닝 프레임워크에 대한 전문 지식, 신경망 아키텍처(CNN, RNN, GAN)에 대한 지식.
사용 도구: GPU 컴퓨팅, 딥러닝 라이브러리 및 대규모 모델 학습을 위한 클라우드 플랫폼 사용.
추세: 모델의 경량화 및 최적화가 강조되며, 경량화된 모델을 모바일 및 IoT 기기에 배포하는 기술이 중요해지고 있습니다.
7. Computer Vision Engineer
핵심 업무: 이미지 및 비디오와 같은 영상 데이터를 해석하고 이해하는 AI 시스템 개발.
필요 기술: 컴퓨터 비전 기술, 이미지 처리 및 시각적 데이터에 대한 딥러닝 모델에 대한 숙련도.
사용 도구: OpenCV 등의 영상 처리 라이브러리, Pytorch, Tensorflow, Huggingface 등 딥러닝 프레임워크
추세: 실시간 비디오 분석 및 자율주행차, 로봇과 같은 응용 기술과 이미지&비디오 생성 기술의 수요가 증가하고 있습니다.
8. NLP & LLM Engineer
핵심 업무: NLP 기술을 활용해 텍스트 데이터에서 의미를 추출하고, 자연어 생성, 번역, 감정 분석, 요약 등의 작업을 수행할 수 있는 모델을 개발합니다. 최근에는 LLM fine-tuning, prompt engineering 등의 역할을 주로 수행합니다.
필요 기술: 언어학 배경, NLP 알고리즘 및 SpaCy, NLTK와 같은 프레임워크에 대한 강력한 이해.
사용 도구: NLP 도구 및 플랫폼에 특화되어 있으며, 최근에는 LangChain과 같은 LLM 프레임워크 사용 역량도 요구됩니다.
추세: 대형 언어 모델(LLM)의 사용과 관련하여, 파인튜닝 및 다양한 언어 처리 응용이 중요해지고 있습니다.
9. Data Scientist
핵심 업무: 데이터를 분석하고 인사이트를 도출하여 비즈니스 문제를 해결합니다.
주요 업무: 데이터 수집, 처리, 분석, 모델링, 데이터 시각화.
필요 기술: 통계 분석, 프로그래밍(R, Python), 머신러닝, 데이터 시각화 도구(Tableau, Power BI).
응용 분야: 마케팅 분석, 고객 분석, 운영 효율성 개선.
추세: 데이터 기반 의사결정의 중요성이 증가함에 따라, 데이터 사이언스의 필요성과 영향력이 계속 확대되고 있습니다.
이처럼 AI & ML 분야는 다양한 직무로 세분화할 수 있다. 보편적으로는 AI 엔지니어로 통칭할 수도 있지만, 연구 중심이라면 AI Researcher, 응용 연구를 주로 한다면 AI Research Engineer 또는 AI Applied Scientist, 특정 분야의 예측 모델링이나 모델 성능 최적화 및 실시간 서비스 배포 업무를 한다면 ML Engineer, 영상 데이터를 주로 다룬다면 Computer Vision Engineer, 언어 데이터를 주로 다룬다면 NLP & LLM Engineer로 구분할 수 있다.
예를 들어, 나는 연구 결과를 실제 도메인 문제에 적용하고 해결하는 역할을 맡고 있어 AI research Engineer 또는 AI Applied Scientist로 분류될 수 있으며, 주로 영상 데이터를 다루기 때문에 데이터를 기준으로 본다면 Computer Vision Engineer로 볼 수 있다.
하지만 앞서 얘기한 것처럼, 직무 명칭이 실제 업무 범위를 정확히 정의하지는 않는다. 기업마다 직무 명칭을 다르게 사용할 수 있고, 실제 업무 내용은 기업, 산업, 프로젝트에 따라 다양하게 달라질 수 있다. 중요한 것은 AI & ML 분야에 이렇게 다양한 세부 직무가 존재한다는 점을 이해하는 것이다.
특히, 취업을 준비하거나 커리어를 막 시작한 AI 엔지니어라면 자신의 강점을 어디에 맞출지 고민하는 것이 중요하다. 본인의 강점을 기반으로 전문성을 키우는 것이 AI 엔지니어로 성장하는 데 필수적인 요소가 되니까.
이로써 AI 엔지니어에 대해 여러 방면에서 살펴봤다. AI 엔지니어를 꿈꾸거나 관련 분야로 이직을 고려하는 분들께 가고자 하는 길에 작은 도움이 되었길 바란다.
