자, 솔직히 말해봅시다. 만약 당신이 "AI/ML 엔지니어가 되는 법"을 구글링했다면, 그저... 로고들이 벽처럼 늘어선 로드맵 이미지들에 압도당했을 것입니다. TensorFlow 로고, AWS 로고, Docker 로고, 사방에 널린 화살표들, 하지만 정작 그중 무엇을 어떻게 해야 하는지에 대한 실제적인 설명은 전혀 없습니다.

그래서 여기, 더 이상의 "당신에게 필요한 10가지 기술" 같은 리스트글을 의미 없이 스크롤하는 대신, 언제 다음 단계로 넘어가야 할지 알 수 있도록 체크포인트가 포함된 실제 단계별 분석을 준비했습니다.

1단계: 수학 (네, 정말로요)

학위 전체를 따라는 것이 아닙니다. 단지 다음을 의미합니다:

• 선형 대수학 (Linear algebra) (행렬 = 신경망 (NN) 레이어가 실제로 계산하는 것)
• 미적분학 (Calculus) (기울기 (gradients) = 역전파 (backprop)가 실제로 무엇인지)
• 확률/통계 (Probability/stats) (이것은 말 그대로 당신의 모델이 얼마나 좋은지 평가하는 방법입니다)

체크포인트: NumPy를 사용하여 선형 회귀 (linear regression)를 처음부터 직접 구현해 보세요. sklearn은 사용하지 마세요. 네, 짜증 나는 일입니다. 그래도 그냥 하세요.

2단계: 데이터 핸들링 (Data Wrangling)

Pandas + SQL + 피처 엔지니어링 (feature engineering). 이것이 실제 업무의 80%를 차지하지만, 튜토리얼에서 다루는 비중은 5%에 불과합니다. 특히 SQL은 면접에서 자주 등장하며 사람들을 끊임없이 당황하게 만듭니다.

체크포인트: 실제 (지저분한) 데이터셋을 활용한 완전한 EDA 프로젝트를 수행하고, 제대로 된 README와 함께 GitHub에 업로드하세요.

3단계: 고전적 머신러닝 (Classical ML)

회귀 (Regression) → 트리 (trees) → 랜덤 포레스트 (random forest) → 그래디언트 부스팅 (gradient boosting) (XGBoost, 모두가 이것을 사용합니다) → SVM → 클러스터링 (clustering).

솔직히 말해서 알고리즘보다 평가지표 (Metrics)가 더 중요합니다. 정확도 (Accuracy)는 불균형 데이터 (imbalanced data)에서 기본적으로 함정 지표이며, 놀랍게도 많은 사람이 이 사실을 모릅니다.

체크포인트: 왜 해당 평가지표를 선택했는지에 대한 설명이 포함된 2~3개의 완전한 프로젝트를 수행하세요.

4단계: 딥러닝 (Deep Learning) + LLM

신경망 (Neural net) 기초 → PyTorch 또는 TF 중 하나 선택 (저는 PyTorch를 추천합니다) → 비전을 위한 CNNs → 현재 모든 기업이 채용하고 있는 RAG/LLM 관련 내용을 포함하여, 이제 거의 모든 텍스트 관련 작업에 쓰이는 Transformers.

체크포인트: 사전 학습된 모델 (pretrained model)을 미세 조정 (Fine-tune)하고, 이를 FastAPI 엔드포인트로 감싸세요.

5단계: 클라우드 (모두가 건너뛰는 부분)

하나만 선택하세요:

• AWS → SageMaker/Bedrock → 가장 많은 일자리
• GCP → Vertex AI → 솔직히 최고의 ML 툴링
• Azure → Azure ML → 엔터프라이즈 중심의 기업들

IAM (Identity and Access Management), 스토리지 (storage), Docker, 기초 Kubernetes, 관리형 학습 (managed training), 모델 레지스트리 (model registries), 엔드포인트 (endpoints)를 학습하세요. 이러한 개념들은 어떤 클라우드를 선택하든 그대로 적용됩니다.

체크포인트 (Checkpoint): 이미 구축한 모델을 배포해 보세요. 전체 루프: 학습 (train) → 등록 (register) → 서빙 (serve).

단계 6: MLOps

이 단계는 "실제 엔지니어" 단계입니다. 실험 추적 (Experiment tracking, 예: MLflow), 파이프라인 (pipelines, 예: Airflow), CI/CD (예: GitHub Actions), 드리프트 (drift) 모니터링을 다룹니다.

체크포인트 (Checkpoint): 시작부터 끝까지 자동화되고 모니터링되는 하나의 완전한 파이프라인을 구축하세요.

단계 7: 전문화 (Specialize)

• GenAI/LLMs (현재 가장 뜨거운 분야, 비교 불가)
• 컴퓨터 비전 (Computer Vision)
• MLOps/플랫폼 엔지니어링 (Platform Engineering)
• 데이터 엔지니어링 (Data Engineering) + ML

요약 (TL;DR)

모두 똑같아 보이는 20개의 튜토리얼 프로젝트를 만드는 것을 멈추세요. 3~5개의 실제 프로젝트를 만들고, 그것들을 실제로 배포하고, 모니터링하고, 문서화하는 단계까지 끝까지 완수하세요. 그것이 무시당하는 포트폴리오와 면접 기회를 가져다주는 포트폴리오의 차이입니다.

댓글을 남겨주세요 — 당신은 현재 어느 단계에서 막혀 있나요?