취업 준비에 대한 마인드셋과 수료..

나의 후기

어땠나요?

7개월이란 시간이 정말 빛의 속도로 지나갔다. 하나하나씩 설명하자면 한 포스트에 담지 못할 것 같아 장점과 단점을 간단하게 정리해보려고 한다.

장점

  1. 통계학, ML부터 DL, CV, NLP, LLM까지 정말정말 다양한 분야에 대해 배울 수 있었다.
  2. 특히 업스테이지 실무자분들의 강의는 어렵지만 그만큼 깊이있는 내용들이기 때문에 여러 번 반복하면서 공부했다.
  3. 자체 대회 플랫폼도 좋았다. RTX 3090을 제공해주고 내가 공부한 내용들을 문제 풀이로 연결해 객관적인 점수로 평가 받을 수 있다는 측면에서 꽤나 큰 동기부여가 되었다.
  4. 업스테이지 실무자분들의 특강에서는 현재 기술의 트랜드나 취업에 관한 많은 조언들을 해주신다. 이걸 어디에서 또 들을 수 있을까?
  5. 패스트캠퍼스 측 운영진분들이 굉장히 친절하시다.
  6. 현업 전문가 분들의 이력서 피드백.

단점

  1. 커리큘럼 초반에 외부 강사님들이 해주시는 강의는 냉정하게 말해 강사 by 강사다. 정말 프로페셔널하게 내용을 준비해오시고 최대한 알려주시려고 하는 분들도 있고, 본업을 하시면서 강의를 하시느라 약간의 불편한 사항들도 있었다.(교육생들에게 화내는 분도 계심.)
  2. 과연 수강생 모집을 꼼꼼하게 맞나? 싶은 정도로 제멋대로인 수강생들이 몇몇 있는데 출석체크만 하고 팀활동을 전혀 하지 않았는데도 수료가 가능한 것 같다.
  3. 마지막 대회 기간 동안에는 이력서, 자소서 작성한다고 대회 참여를 하지 않는 사람들이 있다. 모두가 취업에 간절한데 왜 눈 앞에 주어진 일도 제대로 하지 않으면서 자기 밥그릇만 챙기기 급급한지 모르겠다.
  4. 중도 포기자들이 꽤나 많다. 분명 81명으로 시작했는데 어느새 50명? 정도가 남았던 것으로 기억한다.

Upstage Ai-Lab 추천하시나요??

장단점을 보면 좋다는건지 나쁘다는건지 애매할 수 있지만 열심히 공부하고자 하는 사람이라면 10점 만점에 8점으로 강력 추천한다.

일단 ML 프로젝트의 기본 프로세스들을 어떻게 수립할지, 현재의 모델을 어떻게 평가할 것인지, 어떻게 문제점을 파악해 해결할 것인지에 대해 배울 수 있다. 즉, 실무의 기본이 되는 프로세스는 명확하게 배울 수 있다고 본다.

뿐만 아니라 현재 가장 트랜드인 LM to LLM을 모두 배우고 공부할 수 있다는 점과 업스테이지 실무자분들과 소통할 수 있고, 전문가 분들에게 이력서 피드백을 받을 수 있다는 점도 놓칠 수 없는 점이라 생각한다.

현재 대학생이거나 졸업예정자 또는 나처럼 취업 준비생이라고 한다면 과감히 도전해볼만하다고 생각한다.(물론 수료한다고 해서 100% 취업 되는 것은 아니다…)

[Upstage]김다현 현직자님 취업 특강

1.Ai Research Engineer?

  • Ai 분야 R&D, 연구 개발 직종.
  • 고객의 문제를 이해하고 가장 효과적으로 해결하기 위한 가설 제시 및 검증 수행.
  • 제품의 요구사항을 이해하고 이를 개발 목표 및 연구 과제로 변환.
  • 모델 성능에 대한 객관적인 메트릭 정의 및 측정.

즉, AIRE 포지션으로 취업하고 싶다면 연구 능력과 문제 해결 능력을 모두 갖추고 있어야 한다.

2.대학원 진학과 Top-Tier 학회 논문 출간

많은 회사에서는 ML Engineer든, AIRE든 주어진 문제를 해결하면서 겪게 되는 수많은 문제들을 연구하면서 해결하는 능력이 핵심이라 생각하고 있는 것 같고, 이를 증명하는 것이 대부분의 채용공고(ML Engineer, AIRE)에는 위와 같이 탑티어 학회에 논문을 출간한 경험이 있으면 우대하고 있다.

  • 문제의 원인이 무엇인지 가설을 논리적, 객관적인 근거를 기반으로 수립할 수 있다. 또한 수학적, 컴퓨터 공학적 등 다양한 이론들을 기반으로 문제 해결을 시도할 수 있는 역량이 있다는 것을 입증하는 자격증 역할을 하는 것 같다.
  • 이전에 실무경험이 있다하더라도 이것이 과연 객관적으로 타당한 가설과 근거를 기반으로 개선 또는 해결이 되었는지 기업의 채용담당자 혹은 실무진이 평가하기는 번거로우나 탑티어 학회에 논문을 출간했다면 어느정도 그 경험의 퀄리티가 보장되는 느낌이다.
  • 논리적인 글쓰기를 기반으로 작성되는 것이 논문이다.

그럼 당장 대학원에 등록할까?? 라고 생각할 수 있지만 연구에 관심이 없는데 순전히 개인적인 스펙을 위해서 대학원에 진학하고 연구, 논문 작성을하게 되면 굉장히 괴롭다고 한다. 또한 연구라는 것이 기본적으로 정답이 없는 문제부터 정의하고 해당 문제를 풀어가는 과정이기 때문에 연구에 뜻이 없으면서 대학원에 가는 것은 좋은 선택이 아니다.

3.문제해결 경험이 곧 자산이다.

그럼 취업을 위해서는 어떻게 해야하나?? 문제를 해결한 상황을 많이 만들어야 한다.

기술을 가져와 사용하는건 누구나 할 수 있다. 예를 들어 “OO 논문을 읽고 해당 기술을 적용했더니 성능이 오른 경험이 있었다.”라는건 누구나 할 수 있는 경험이라는 것이다.

따라서 유행하는 기술을 공부하는 것은 좋은게 맞지만 워낙 빨리 바뀌기 때문에 특정 기술, 문제만 잘하는 것이 아니라 문제 해결 능력 그자체가 더 중요하다. 기술이 아닌 문제를 해결한 경험을 쌓자.

  • “사람들이 재활용 쓰레기를 잘 버리는지 판별해주는 프로그램을 만들고 싶었고, 재활용 쓰레기의 이미지만 보고 잘 분류하기 위해…”
  • Ai-Lab에 있으면서 이미 많은 문제들을 경험했고 해결하려고 노력했을 것이다.
  • 그러니 문제 해결 위주의 서사를 하는 것이 중요하다.

문제에서 출발하면 경험에 깊이가 더해진다. 문제부터 출발해보면 보통은 데이터부터 시작하게 될텐데 데이터를 하나하나씩 살펴보는 것은 굉장히 번거로운 일인 것은 분명하다.

하지만 모델 학습, 새로운 기술 적용 등은 코드만 살짝 바꾸면 되니까 오히려 장점이 없다. 즉, 남들이 기피하는 부분에 대한 경험을 쌓으면 강력한 차별점이 될 수 있다.

4.딥러닝 코딩 테스트(파일럿 프로젝트)

채용절차 중 추상적인 요구사항을 문제로 환원시키고 해결하는 능력을 입증하는 단계.

  • 문제가 주어졌을 때 문제 해결 능력을 확인하는 테스트.
  • 데이터셋과 평가지표 등은 고정으로 주어지고 기간 내에 서능을 높이는 것이 주목적.
  • 무작정 여러 방법들을 사용하는 것보다 가설 -> 실험 -> 결과 분석을 하나의 trial로 묶어서 여러 방법을 시도 후 결과 보고에 녹여내는 것이 중요하다.
  • 점수를 향상 시키는 것도 중요하지만 주어진 자원/시간에 따라 실험 설계를 잘하는지 보여줄 수 있어야한다.
  • TODO 또한 정리해서 결과 보고에 포함시키면 좋다.

5.기술 면접

기술 면접에서는 답이 정해져 있는 질문보다 특정 상황을 가정하고 그 상황에서 어떻게 문제를 해결할 수 있는 경우가 많다.(Open-Ended Questions)

  • 분류기 모델을 납품해야한다.
  • 고객사마다 그들만의 데이터로 모델을 만들기를 원한다.
  • 그렇다면 매번 고객사마다 모델을 처음부터 학습하면 비효율적일 것 같은데 좋은 방법이 있을까??

즉각적으로 답을 하기보다는 추가적인 정보들을 면접관에게 물어보면서 조금씩 답을 하는 핑퐁이 핵심.

  • 고객사별 데이터 크기는?
  • 우리가 내부적으로 확보한 데이터의 크기는?
  • 현재 학습 전략은??
  • 내부적으로 확보한 데이터로 사전학습을 하고 고객사별 모델을 그들만의 데이터로 미세조정하는건 어떨까?로 제시.

이후 추가적인 질문들이 발생할 수 있음. 따라서 깊이 있게 문제를 고민해보는 연습과 경험이 중요하다.

  • 고객사와 우리가 확보한 데이터의 분포가 다르다면?
  • 사전학습 후 고객사별 학습을 따로 하는 단계에서 성능이 저하되지 않을까?
  • 고객사의 데이터는 어느 범위까지 활용가능할까?

[Upstage]김윤기 현직자님 취업 특강

1.Upstage Ai Lab에서 얻은 것?

우리가 지금까지 공부한 것들로 얻을 수 있는 것은 분야별 전문적인 지식이라기 보다는 문제풀이(Problem solving) 능력을 얻기 위함이었다.

  • CV에는 어떤 기술들이 있었고, NLP에서는 어떤 기술들이 있었는지, 어떤 문제들을 풀기 위해 나왔는지 배우고 이들을 실제 대회 문제에 적용해보는 경험을 얻었다.
  • 학교에서 배우는 방식이 아닌 좀 더 현업에 가까운 데이터와 문제들을 직접 경험해봤다.
  • 따라서 하나의 기술에 대해 이해했다기 보다는 어떤 문제나 상황이 주어지더라도 해결할 수 있는 사람이 될 기반을 마련했다.

2.대학원 진학이 고민이라면?

위 내용을 보면서 스스로가 과연 “연구”에 관심과 흥미가 있는지 냉정하고 깊게 고민해보길 바란다. 뿐만 아니라 금전적인 문제도 무시할 수 없다.

3.도움되는 Q&A

댓글남기기

참고