본문으로 건너뛰기

© 2026 Molayo

Qiita헤드라인2026. 05. 31. 00:23

【첫 개최】Qiita Conference 2026 애프터 이벤트 참가 리포트

요약

Qiita Conference 2026 애프터 이벤트 참가 후기로, AI 시대의 실천적인 엔지니어링 접근법을 다룹니다. LLM의 확률적 특성을 보완하기 위한 결정론적 워크플로우 설계와 ML 모델과의 역할 분담 전략을 강조합니다.

핵심 포인트

  • LLM의 확률적 출력을 제어하기 위한 결정론적 워크플로우(TAKT) 설계 필요
  • 모든 것을 프롬프트에 담지 말고 정책과 지식을 분리하여 설계할 것
  • 판단 및 분류 태스크는 LLM 대신 경량화된 ML 모델을 활용하는 것이 효율적
  • AI 시대에는 개인과 회사의 브랜드력이 곧 엔지니어의 역량이 됨

Qiita Conference 2026 애프터 이벤트에 참가하고 왔습니다!

초대제로 진행되어 무려 경쟁률이 5배 이상이었다고 하는데, 솔직히 당첨될 거라고 생각하지 않았기에 정말 기뻤습니다. 참가자는 약 100명으로, 연령대는 25~35세가 핵심층이었습니다. 전원이 AI에 관심이 있는 엔지니어라는 공격적인 분위기라, 제가 최연소였을지도 모르겠습니다!

올해가 첫 개최라서 그런지 모두 정말 친절해서 교류하기 쉬웠습니다! 이전에 참가했던 기술 컨퍼런스에서는 '단골 그룹'이 형성되어 있어 좀처럼 섞이기 어려운 분위기가 있기도 했지만, 이번에는 그런 벽이 전혀 없었습니다. 무료로 귀중한 세션을 들을 수 있고, 비슷한 연령대에서 활약하는 엔지니어와 실제로 이야기할 수 있는 기회는 스스로 움직이지 않으면 좀처럼 얻기 힘들기에, 정말 참가하길 잘했다고 생각합니다!

개막 직후 바로 "옆 사람과 인사하기"라는 자리가 마련된 것도 인상적이었습니다. 이벤트의 키워드가 **HRT(겸손·신뢰·존경)**라는 점도 좋았고, 기술적인 이야기뿐만 아니라 사람과 사람 사이의 연결을 소중히 여기는 문화를 느낄 수 있었습니다. Qiita의 라이터(Writer)분들과도 많이 대화할 수 있어서, 저도 기사를 더 많이 써 나가야겠다는 동기부여를 확실히 받았습니다.

이 글에서는 특히 와닿았던 패널 디스커션(Panel Discussion)과 나루세 씨의 세션을 중심으로 정리하겠습니다!

DeNA와 KDDI의 엔지니어들이 참여한 패널 디스커션. "AI를 어떻게 능숙하게 다룰 것인가"라는 실천적인 논의가 몰아치듯 이어져서, 메모가 전혀 따라가지 못할 정도로 밀도 높은 내용이었습니다!

AI 활용을 평가할 때, "무엇을 만들었는가(output)\

Qiita의 기사에서도 "이 사람이 쓰고 있으니 틀림없다"라는 신뢰가 가치가 되듯이, 개인과 회사의 브랜드력이 그대로 역량 (Competency)이 되어가는 시대가 오고 있는지도 모르겠습니다.

AI 프로덕트 개발에서의 구체적인 설계 사상에 관한 이야기로, 패널 디스커션과는 또 다른 각도에서 와닿는 세션이었습니다! 추상적 설명에서 구체적 설명으로 이어지는 흐름이 일관되어 매우 듣기 편했습니다.

LLM은 "확률적인 출력"밖에 할 수 없기 때문에, 판단 재료로 사용하기에는 리스크가 있습니다. 그래서 다음 단계로 적절하게 전이시키는 "결정론적인 워크플로우 실행 기반 (TAKT)"을 자체 제작하고 있다고 합니다! VSCode 상에서 워크로드 (Workload)를 모두 자체 제작하고 있다는 이야기에 진심으로 대단하다는 생각이 들었습니다.

"AI에게 맡기고 싶지 않은 부분은 라이브러리를 별도로 만든다", "인간의 직관을 AI가 재현할 수 있는 설계로 만든다" 등, AI 시대의 코드 설계 관점으로서 매우 참고가 되었습니다. "인간이 읽는 테스트와 AI가 읽는 테스트는 분리될지도 모른다"라는 시사점도 흥미로웠습니다!

LLM 프로덕트 개발에서는 모든 것을 하나의 거대한 프롬프트 (Prompt)에 담으면 파탄 난다! 관점별로 정책 (Policy)과 지식을 나누어 설계하는 것이 중요하다고 합니다. 짐작 가는 부분이 있는 분들도 많지 않을까요...

프롬프트 설계 이전에 "그 AI 프로덕트가 애초에 성립할 것인가"를 판별하는 것이 중요하다는 이야기. LLM에 맡기면 "답은 나오지만 정당성을 담보할 수 없는" 케이스가 있습니다. 그러한 판단·분류 태스크 (Task)는 ML 모델에 맡기는 설계가 유효하다고 하는데, 이는 굉장히 실천적인 지견이라고 생각했습니다!

LLM과 ML 모델의 구분 사용: LLM은 텍스트 생성·문맥 이해에 뛰어난 범용 모델이지만, 추론 비용이 높고 출력의 정당성을 보증하기 어렵습니다. 반면, 기존의 ML 모델은 특정 태스크에 특화되어 경량·고속·정확도가 안정적이기 쉽습니다. 프로덕트 설계에서는 "판단·분류"를 ML 모델에 맡기고, LLM과 역할을 분담하는 접근 방식이 유효합니다.

품질 보증의 관점에서 AI에게 "파괴를 관측하게 하는" 접근 방식도 소개되었습니다. 테스트에서 망가진 사실을 AI에게 피드백함으로써, 더욱 안전한 수정을 할 수 있게 된다는 사고방식입니다. 발상이 재미있습니다!

첫 개최라고는 믿기지 않을 정도로 밀도 높고 뜨거운 이벤트였습니다! 무료로 이 정도 퀄리티의 세션을 들을 수 있고, 게다가 발표자나 참가자와 직접 이야기할 수 있는 기회가 있다는 것은 정말 귀중하다고 생각합니다.

전체적으로 관통하는 공통점은 "AI는 어디까지나 자신의 스킬을 확장하는 것"이라는 감각이었습니다. AI를 능숙하게 다루기 위한 사고·설계·통제 능력이써 앞으로의 엔지니어에게 요구되는 것이구나라고 강하게 느낀 하루였습니다. 내년에도 열린다면 반드시 참가하고 싶습니다!

⚠️ 이 기사는 참가 메모를 바탕으로 한 개인의 해석·정리입니다. 발표자의 발언을 정확하게 인용한 것은 아닙니다.

AI 자동 생성 콘텐츠

본 콘텐츠는 Qiita AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.

원문 바로가기
0

댓글

0