컴퓨터 배경 지식이 전혀 없는 사람에게 6개월의 시간을 주고, 처음부터 AI Engineering을 배우게 한다면 기업 채용 요구 수준에

만약 지금 컴퓨터 배경 지식이 전혀 없는 사람에게 6개월의 시간을 주고, 처음부터 AI Engineering을 배우게 한다면, 마지막에 기업의 채용 요구 수준에 도달할 수 있을까요?

실제 로드맵은 매우 명확합니다. 첫 달에는 Python, API, Git을 배우고, 둘째 달에는 LLM 기초를 배우며, 셋째 달에는 RAG(Retrieval-Augmented Generation)를 배우고, 넷째 달에는 Evals와 Tracing을 배우고, 다섯째 달에는 Agent와 Tool Calling을 배웁니다. 그리고 마지막 한 달 동안 공개적으로 접근 가능한 프로젝트 두 개를 완성해야 합니다.

솔직히 말해서 이 분야에 큰 문제는 없다고 생각하지만, 만약 제가 정말로 다시 배워야 한다면, 절대 6개월이 되어서야 프로젝트를 시작하지 않을 것입니다.

저는 방송/TV 연출가 전공에서 AI 엔지니어링 방향으로 전향한 학생입니다.

지난 몇 달 동안 기업들로부터 RAG, Agent, GEO(지리 정보), 자동화 워크플로우 등을 접하면서 가장 크게 느낀 점은, 많은 기술 지식은 실제로 프로젝트를 해보지 않으면 자신이 무엇을 모르는지 전혀 알 수 없다는 것입니다.

예를 들어 RAG의 경우, 튜토리얼만 보면 몇 시간 만에 Chunking, Embedding, Vector Database, Retrieval의 기본 프로세스를 이해할 수 있습니다.

하지만 실제 기업 지식 기반(Knowledge Base)을 만들려고 하면, 튜토리얼에서는 자세히 다루지 않은 문제들이 바로 터져 나옵니다.

PDF 파싱 오류는 어떻게 처리해야 할까요? 문서가 업데이트되었을 때 인덱스를 어떻게 동기화할까요? 사용자별 접근 권한은 어떻게 분리해야 할까요? 검색된 자료가 이미 만료되었다면 어떡하죠? Evals(평가)는 도대체 어떻게 설계해야 할까요?

이런 것들은 RAG 튜토리얼 한 세트만 보고 자동적으로 습득할 수 있는 것이 아닙니다.

Agent도 마찬가지입니다. 도구를 한 번 호출한다고 해서 Agent Engineering을 이해했다고 볼 수 없습니다.

도구 호출 시간 초과(Timeout)는 어떻게 처리해야 할까요? 작업 실행이 중간에 실패하면 어떡하죠? 중복 작업을 어떻게 방지할까요? 언제 사람이 승인해야 할까요? 각 단계의 실행 결과를 어떻게 추적할까요?

실제로 프로젝트를 시작하고 나면, 이전에 'AI 엔지니어링 문제'라고 불리던 것들 상당수가 결국 전통적인 소프트웨어 엔지니어링 기초에서 벗어날 수 없다는 것을 깨닫게 됩니다.

그래서 저는 지금 학습 방식이 점점 바뀌고 있습니다. 첫 달부터 프로젝트를 시작하고, 문제가 생길 때마다 필요한 지식을 보충하며, 동시에 정해진 시간을 할애하여 기초 이론을 시스템적으로 학습하는 것입니다.

예를 들어 Python과 FastAPI를 사용해서 간단한 API 서비스를 만들고, 그것을 공용 인터넷에 배포합니다.

그다음 점차 대규모 언어 모델(LLM)을 연결하며 문서 검색, 도구 호출, 로그 추적, 자동화 테스트 기능을 추가합니다.

마지막으로 프로젝트를 GitHub에 올리고 아키텍처 설계, 테스트 방법, 알려진 문제점, 실제 작동 결과 등을 명확하게 작성합니다.

이 과정을 마치면 적어도 다른 사람에게 몇 가지 질문에 답할 수 있어야 합니다. '왜 이렇게 설계했나요?', '다른 방식을 쓰지 않은 이유는 무엇인가요?', '시스템은 어떤 상황에서 실패하나요?', '어떻게 검증했나요?' 같은 것들이요.

현재 Codex나 Claude Code 덕분에 개발 속도는 확실히 빨라졌습니다. 하지만 AI가 코드를 생성한다고 해서 그 엔지니어링 능력이 자동으로 자신에게 귀속되는 것은 아닙니다.

저는 원문의 마지막 문장인 'Proof beats certificates (증명된 경험이 자격증보다 낫다)'에 깊이 공감합니다.

하지만 저는 여기서 한 단계 더 나아갈 수 있다고 생각합니다.

진정으로 설득력이 있는 것은 단순히 데모(Demo) 두 개를 만들어내는 것이 아니라, 그 프로젝트들의 기술적 의사결정 과정과 테스트 결과, 그리고 자신이 직접 해결했던 문제들을 설명할 수 있느냐입니다.

물론 6개월 만에 반드시 적격한 AI 엔지니어가 될 수 있다고 생각하지는 않습니다.

회사마다 요구하는 수준이 매우 다르며, 6개월 동안 얼마나 나아갈지는 투입 시간, 기존 배경 지식, 그리고 프로젝트의 질에 달려 있습니다.

하지만 비전공자가 AI로 전향하려는 사람들에게는, 반년 동안 튜토리얼을 모으거나 여러 인기 프레임워크를 연구하는 것보다, 가능한 한 빨리 실제 프로젝트를 완성하여 실습 속에서 자신의 능력 부족한 부분을 찾는 것이 더 나은 방법입니다.

저 자신도 아직 Python, 데이터베이스, 컴퓨터 네트워크, 소프트웨어 엔지니어링 같은 기초 지식을 보충하고 있는 단계라, 성숙한 엔지니어 수준과는 거리가 멉니다.

하지만 적어도 지난 몇 달간의 경험을 통해 한 가지를 깨달았습니다:

프레임워크 하나를 배우는 것은 어렵지 않지만, 그것을 실제 문제에 적용하는 것이 정말 어려우며, 문제가 생겼을 때 스스로 원인을 찾아내는 능력이 가장 중요하다는 것입니다.

If I had 6 months to become an AI engineer
M1 → Python, APIs, Git
M2 → LLM basics: tokens, context, prompting
M3 → RAG: embeddings, vector DB, chunking
M4 → evals and tracing
M5 → agents with tool calling
M6 → ship 2 projects with live demos
Proof beats certificates