AI 시대의 프로덕트 매니저에게 필요한 스킬
변화하는 기술 환경에서 PM으로서 적응하는 방법
AI 시대를 맞이하며 모든 직업 분야가 큰 변화를 겪고 있습니다. 프로덕트 매니저(PM) 분야도 예외는 아닙니다. PM은 전통적으로 사용자 요구사항, 비즈니스 목표, 기술적 가능성 사이의 균형을 맞추는 역할을 해왔습니다. AI 기술의 발전은 우리가 일하는 방식을 크게 변화시키고 있으며, PM의 역할도 그에 맞춰 진화하고 있습니다. 변화에 성공적으로 적응하기 위해 어떤 역량과 스킬이 필요할지 함께 살펴보겠습니다. 많은 분들께서 하드 스킬에 대한 관심이 높으시고, 기존 프로덕트 대비 AI 프로덕트 매니저에게는 기술 리터러시가 중요해졌기 때문에 하드 스킬 중심으로 정리해보겠습니다.
1. 머신 러닝에 대한 이해
깊은 AI 전문 지식이 반드시 필요한 것은 아니지만, AI 리서처, 엔지니어와 효과적으로 협력하기 위해 기본적인 이해는 필수적입니다. 관련 주요 알고리즘을 학습하고 언제, 어떻게 적용해야 하는지를 이해해야 합니다. ChatGPT 포함해서 text to image, text to video 같은 AI 프로덕트가 시장에 많이 출시한 만큼 NLP에 대한 기본 이해는 도움이 될 것입니다. 이밖에 많은 머신 러닝 라이브러리가 파이썬(Python) 기반이기 때문에 기본적인 관련 코딩 스킬은 엔지니어와 협업에서 유용합니다.
2. 데이터 라벨링
데이터 라벨링은 머신 러닝 모델이 학습할 수 있도록 데이터를 준비하는 과정입니다. 여기서 라벨링이란, 데이터를 특정 범주나 속성에 따라 태그를 붙이는 것을 의미합니다. 예를 들어, 사진 속에 있는 객체를 식별하고 “고양이”, “개”, “자동차” 등으로 분류하는 것이 데이터 라벨링입니다.
프로덕트 매니저는 머신 러닝을 위한 데이터 라벨링을 어떻게 다루는지, 관련 파이프라인을 어떻게 구성하는지 이해하면 모델이 학습되는 방식을 더 잘 이해할 수 있습니다. 데이터가 적절하게 라벨링되어 있어야 모델이 올바르게 학습하고 예측할 수 있으며, 잘 라벨링된 데이터는 모델의 성능을 크게 향상시킵니다.
3. 모델 평가
정확도(Accuracy), 정밀도(Precision), 재현율(Recall)과 같은 지표를 통해 기계 학습 모델의 효과성을 평가하는 방법을 이해하면 좋습니다. 이 과정에서 여러 케이스와 데이터셋을 기반으로 많은 시간을 투자해야 하므로 인내심도 필요합니다.
정확도는 전체 중에서 얼마나 많이 맞췄는지 보는 것이고, 정밀도는 내가 맞췄다고 생각한 것 중에서 실제로 얼마나 맞았는지 보는 것입니다. 재현율은 실제로 맞아야 할 것 중에서 내가 얼마나 많이 맞췄는지 보는 것입니다. 날씨 예보로 예를 들면... 아래와 같습니다.
• 정확도(Accuracy): 전체 날 중에서 모델이 얼마나 많은 날을 맞췄는지.
• 정밀도(Precision): 모델이 비가 온다고 예측한 날 중에서 실제로 비가 온 날의 비율.
• 재현율(Recall): 실제로 비가 온 날 중에서 모델이 비가 온다고 예측한 비율.
4. Generative model에 대한 이해
저도 아직 이 부분에 대한 이해도가 높지는 않지만, Generative model은 말 그대로 새로운 데이터를 생성하는 데 사용되는 AI 모델입니다. 가장 대표적인 예로는 LLM(Large Language Models)이 있습니다. 이 모델들은 텍스트, 이미지, 오디오, 코드 등을 생성할 수 있습니다. Generative model이 어떻게 텍스트를 생성하는지 이해하면, 현실적인 기대치를 설정하고 제품 내에서 적절한 사용 사례를 만드는 데 도움이 됩니다. 더 나아가 Generative model을 활용하여 고객에게 새로운 가치를 제공할 수 있는 혁신적인 제품과 서비스를 개발할 수 있습니다. 예를 들어, 개인화된 콘텐츠 생성, 자동화된 디자인 생성, 고도화된 데이터 분석 등이 가능합니다.
5. 프롬프트 엔지니어링 (Prompt Engineering)
프롬프트 엔지니어링은 Generative model에게 원하는 결과를 얻기 위해 질문이나 요청을 정확하고 효과적으로 작성하는 기술입니다. 예를 들어 ChatGPT, DALL-E, 또는 GitHub Copilot 같은 AI 도구는 입력된 프롬프트에 따라 응답하거나 결과물을 생성합니다. 따라서 프롬프트를 어떻게 작성하느냐에 따라 모델의 응답 품질이 크게 달라집니다.
만일 ChatGPT를 사용하여 블로그 포스트를 작성한다면, “AI에 대해 글을 써줘.” 같은 단순 프롬프트는 너무 일반적이어서 원하는 정보가 포함되지 않을 수 있습니다. 더 구체적이고 유용한 정보를 포함한 글을 생성하려면 “AI의 역사와 최근 발전에 대해 기술 블로그 포스트를 작성해줘. 특히 머신 러닝과 딥 러닝의 역할에 대해 자세히 설명해줘.”와 같이 프롬프트를 작성하면 더 나은 결과를 얻을 수 있습니다.
또는 ChatGPT API를 활용한다면 Role 개념을 효과적으로 활용하면 프롬프트 엔지니어링의 효율성을 크게 높일 수 있습니다. system 역할을 통해 모델의 초기 행동을 설정하고, user 역할을 통해 입력된 쿼리, 프롬프트에 대한 반응을 assistant 역할을 통해 일관된 맥락을 유지할 수 있습니다.
제가 뉴스레터 운영을 재개했습니다. 뉴스레터 명은 아직 가칭이지만 "PM을 위한 뉴스레터"입니다. 그리고 Discover, Learn, Laugh라는 부제를 붙였습니다. Discover는 제품 개발 관점에서 발견일 수도 있고, 구독자 또는 고객 관점에서 발견일 수도 있습니다. Learn 역시 제품 개발관점의 고객의 이해일 수도 있고, 뉴스레터를 통해서 얻어가시는 것일 수도 있습니다. 마지막 Laugh는 일과 배움에서 얻는 즐거움을 담아내고 싶었습니다. 아래 링크 통해서 구독해주시면 감사하겠습니다 :)
