당신은 주제를 찾고 있습니까 “머신 러닝 개발자 – 독학으로 머신러닝 개발자로 입문하기 완벽 정리“? 다음 카테고리의 웹사이트 ppa.maxfit.vn 에서 귀하의 모든 질문에 답변해 드립니다: https://ppa.maxfit.vn/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 저세상개발자 이(가) 작성한 기사에는 조회수 56,516회 및 좋아요 1,625개 개의 좋아요가 있습니다.
머신 러닝 개발자 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 독학으로 머신러닝 개발자로 입문하기 완벽 정리 – 머신 러닝 개발자 주제에 대한 세부정보를 참조하세요
머신러닝 맛보기
발표 중 첨부 자료
발표자
개인블로그: https://ilikechicken.tistory.com/
머신러닝 스터디 블로그(팀): https://machine-learning.kr/
유트브: https://www.youtube.com/channel/UCMTeQXTSlyOwdd9kKiEVOkw/featured
발표자가 추천한 스터디 자료
Docceptor 님의 머신 러닝 : https://www.youtube.com/playlist?list=PLrJcoRcsaj2ub5cWet5ojEwckfEKNvgkG
Andrew Ng 교수님의 무료 강의 : https://www.boostcourse.org/ai215
질문 중 추천하신
You Han Lee 님의 타이타닉 강의 : https://youtu.be/_iqz7tFhox0
발표 링크
https://www.slideshare.net/SesangCho/ps-252167746
현재 적지 않은 수의 사람들, 특히 학생이라면 더더욱 머신러닝을 커리어의 선택지로 고려하고 있을 것입니다. 하지만 이에 대한 한국어 자료의 부재와 개념적인 설명만 기술된 경우가 대다수이기에 머신러닝이 어떤 느낌인지 파악하기 힘들 수 있습니다. 이에 따라 머신러닝이 무엇인가에 대한 개념적인 설명들과 더불어 조금이나마 PS와 접목을 한 예제들로 머신러닝의 대략적인 느낌과 공부방법에 대한 가이드를 전달하는 것에 초점을 맞추어 진행합니다.
1. 머신러닝 공부에 선행되어야하는 지식들(통계, 수학)
2. 머신러닝의 분류(뉴럴 네트워크, 딥러닝 != 머신러닝)
3. 뉴럴 네트워크의 간단한 컨셉과 그 이전의 대표적인 모델(SVM)
4. 머신러닝 모델로 냅색문제를 풀어보자
5. 마무리-라이브러리 있는데 공부해서 어디다 쓰나요? 로드맵과 머신러닝 엔지니어, 연구원에 적합한 성향
발표자 No! 코포 Yes! 캐글
머신러닝 연구원이자 대학생.
스타트업에서 백엔드 10개월 → IBM 인턴(잡부) 2개월 → 다시 스타트업으로 회귀(3개월차) 라는 다소 특이한 경력.
7개월전 백준으로 PS를 시작하였고 매력을 느껴 앞으로도 꾸준한 취미로 이어나가려 합니다. 다만 앞으로는 문제의 해설들과 수학적인 증명에 초점을 맞추어 블로그에 정보 공유를 하는 것에 비중을 두려 생각중입니다.
많은 수의 PS러들이 개발자로 취업을 원하고, 개발자로 근무하고 있습니다.
따라서 여러 회사의 개발자 채용 프로세스를 둘러보고,
각 채용 프로세스별로 PS가 어떤 식으로 작용하는 지에 대하여 알아봅니다.
#머신러닝 #딥러닝 #개발자취업
머신 러닝 개발자 주제에 대한 자세한 내용은 여기를 참조하세요.
머신러닝 개발자? – 파비블로그
우리 회사에는 여러 IT 서비스 시스템을 만들지만, 머신러닝 개발자 라는 보직이 필요가 없다. 왜? 어차피 모델은 Data Scientist가 만들고,. 개발 팀에 …
Source: blog.pabii.co.kr
Date Published: 1/27/2022
View: 3299
2021 Dev-Matching: 머신러닝 개발자 – 프로그래머스
2021 상반기 머신러닝 개발자 데브매칭. #머신러닝/인공지능#과제 테스트#이미지 분류 과제#사이닝 보너스 50만원. 데브매칭은 내 이력서와 테스트 점수가 함께 지원한 …
Source: career.programmers.co.kr
Date Published: 6/17/2022
View: 3688
머신러닝을 배우지 않아도 되는 5 가지 이유.
머신러닝 분야에 몸담고 있는 많은 인플루언서는 1) 우리가 왜 머신러닝 … 프론트엔드(또는 백엔드, 모바일) 개발자보다 머신러닝 엔지니어로서 …
Source: hwiyong.tistory.com
Date Published: 9/13/2021
View: 5729
머신러닝 엔지니어 채용 정보 | 원티드
머신러닝 엔지니어 전문가에게 딱 맞는 글로벌 10000개 회사, 원티드에서 만나보세요. … 롤베이스, 딥러닝 기반 라이다, 카메라 소프트웨어 개발자.
Source: www.wanted.co.kr
Date Published: 2/19/2021
View: 1421
LINE 머신 러닝 엔지니어 임준석 님을 만나보았습니다
준석 님은 2019년에 머신 러닝(machine learning) 엔지니어로 LINE에 합류 … 하는 부서 등 사내 곳곳에서 머신 러닝 개발자분들이 일하고 계십니다.
Source: engineering.linecorp.com
Date Published: 12/3/2021
View: 2073
수포자가 머신러닝 개발자가 될 수 있나요? – OKKY
안녕하세요 스타트업에서 1년 반동안 웹, 앱 개발자로 살아가고 있습니다. 규모가 작은 곳에서 여러 개발을 하다보니 자연스럽게 머신러닝 쪽에도 …
Source: okky.kr
Date Published: 9/8/2022
View: 6970
딥러닝개발자/웹개발자 채용 정보 | 미스터마인드 – 로켓펀치
경력. 머신러닝 ∙ Machine Learning ∙ 머신러닝 NLP ∙ TensorFlow ∙ keras ∙ PyTorch ∙ theano ∙ R ∙ Python ∙ Scala ∙ SQL ∙ Hadoop ∙ spark ∙ splunk …
Source: www.rocketpunch.com
Date Published: 3/5/2021
View: 3483
주제와 관련된 이미지 머신 러닝 개발자
주제와 관련된 더 많은 사진을 참조하십시오 독학으로 머신러닝 개발자로 입문하기 완벽 정리. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 머신 러닝 개발자
- Author: 저세상개발자
- Views: 조회수 56,516회
- Likes: 좋아요 1,625개
- Date Published: 2022. 7. 23.
- Video Url link: https://www.youtube.com/watch?v=Y5XOpgE-O_0
머신러닝 개발자? – 파비블로그
머신러닝 개발자를 뽑는다는 말을 바꿔쓰면,
머신러닝이 개발자들의 영역이라고 생각한다는 뜻이다.
한 꺼풀 더 벗겨보면, 머신러닝이라는 걸 개발 시스템에 얹는 작업을 개발자들이 해야하는 업무라고 생각한다는 뜻이고,
또 한 꺼풀 더 벗겨보면, 머신러닝을 개발자들이 (그나마 제일 잘) 이해하고 있을 것이라고 생각한다는 뜻이기도 하다.
우리 회사에는 여러 IT 서비스 시스템을 만들지만, 머신러닝 개발자 라는 보직이 필요가 없다.
왜?
어차피 모델은 Data Scientist가 만들고,
개발 팀에 넘겨줄 때는 작게는 한 줄 요약된 코드 던져주고 끝나고,
크게는 아예 DB부터 새로 설계를 해야 되기 때문에,
Data Scientist가 작은 프로젝트의 PM이 되는 경우는 있어도,
Data Scientist에게 개발 업무를 시켜야 될 이유는 없다.
아예 Data Scientist가 개발을 인턴 수준 이상으로 잘 하기 쉽지 않을거 같은데…
반대로 개발자도 Data Scientist의 업무를 할 수가 없지 않나?
(내 질문에 하나도 제대로 대답 못하는 가짜 Data Scientist는 제외하고)
우리 입장에서 개발자가 우리와 가장 가까운 업무를 하는 레벨은
거대 DB의 효율적인 구성 + 내가 sign off한 모델을 시스템에 얹을 때 백/프론트엔드 장애사항 대응 뿐이다.
정말 머신러닝 개발자 라는 포지션을 뽑으면, 굳이 따졌을 때 Data Scientist + Software Engineer라는
마치 개발자+디자이너 = 개자이너 뽑는 개념일 것 같다.
내 눈에 합격점을 받을 수 있는 Data Scientist가 한국 땅에 과연 몇 명이나 있을지 의문인 상황에서
Data Scientist + Software Engineer라는 dual qualification을 충족시키는 인력이 한국 땅에 있기는 할까?
그럼 왜 저런 공고가 올라올까?
아마 아래의 두 가지 복합적인 이유의 결합일 것이다.
1. 딥러닝이, 아니 인공지능이 만능 짱짱맨인 줄 알고 있는 오너
2. 그런 딥러닝, 아니 인공지능을 (개발자가 복붙해서) 붙이기만 하면 모든 문제가 해결 될 것이라고 착각하는 오너
기껏해야 컴퓨터를 이용한 계산비용을 지불해서 Non-linear 함수 하나 맞춰주는 알고리즘이
인공지능이라는 과대망상 타이틀을 달고 있기 때문에 벌어지는 현상이고,
그런 제대로 된 이해없이, 그냥 언론에 뿌려진 사기꾼 공돌이들의 마케팅에 현혹되어 있는 오너들이 그런 결정을 하리라 생각한다.
아니, 큰 기업들을 가면 오너들은 아예 모르고 그 밑에 인사팀이라는 애들이 아무것도 모르면서 그런 결정을 내리고 있겠지.
특히 AWS 써 본 경험이 있는 개발자 라는 단서들이 자주 붙는 걸 보면,
결국엔 AWS 에서 제공해주는 “AI 알고리즘”을 갖다 붙일 수 있는 개발자를 찾는거지,
제대로 모델링을 할 수 있는 Data Scientist (요즘은 Research Scientist라고 부르더라?) 뽑는게 아니라는 걸 확신할 수 있다.
(Source: Freelancermap)
저런 공고가 올라왔다는 이야기를 들으면,
나 같은 사람들은
아, 저 회사가 기술력이 없구나
라고 생각한다. (최소한 한국에서는 그렇다.)
그냥 어디서 잘 돌아간다는 딥러닝 코드 구해와서 자기네 시스템에 붙이는 개발자 뽑고 있다는 뜻이기 때문이다.
아마 개발자들 사이에 굉장히 익숙한 용어일텐데,
“블랙 기업”이라는 표현이 있다.
수준 낮은 외주 업무만 열심히 하는 회사에서 몇 년 굴러봐야 1년차 개발자 N년 한 수준 밖에 안 되는데,
그래서 능력이 안 쌓여서 이직해봐야 몸 값이 별로 안 오르는데,
정작 외주 업무 연속이다보니 고객사 일정에 질질 끌려다니며 야근이 일상인 업무를 하는 기업을 말한다.
머신러닝 개발자 뽑는 회사도 내 눈에는 “블랙 기업”이다.
거긴 개발자가 어디서 딥러닝 라이브러리 몇 개 구해와서 전문가라고 까불거릴려고 할 때나 들어가지,
제대로 통계학 기반의 탄탄한 내공을 쌓은 분들이 가면 인생이 “꼬이”는 곳이다.
나한테 하소연 + 상담 요청오면, 그냥 “왜 갔냐?” 라고 되물어 줄 수 밖에 없다.
비슷한 상황에 좋은 회사 이직하려다가 포기한 어느 통계학도가
“가짜 커리어를 쌓느니 그냥 맘 편한 개발자하고 삽니다”라고 하던데, 차라리 그게 더 낫지 않나?
요즘은 대학원 생들 뽑아서 교육 시키며, 학생들에게 뭔가 괜찮은 프로젝트 거리를 던져줘야겠다는 생각을 하다보니,
그런 기술력 없는걸 스스로 인증한 회사 공고가 가볍게 보이질 않는다.
바보들이 AI 전문가라고 썰 풀어서 수십억, 수백억의 투자를 받은 상태일텐데,
이건 뭐, 우리에게 엄청난 찬스라는 뜻이기 때문이다.
당장, 토익 문제를 AI를 이용해서 예상해준다고 AI마케팅을 하는 회사가 꼭 그렇게 사람을 뽑고 있더라.
작년 이맘때, 일과시간에 넷플릭스나 보고 있던 직원들 몇 명 내보내면서,
지난 몇 년간 슬로우 캠퍼스의 가짜 머신러닝 강의 박살내는 고급 강의 만들어 냈듯이,
그래서 슬로우 캠퍼스 강의 듣는 애들은 바보 아니면 개발자라는 메세지를 이 시장에 널리 퍼뜨렸듯이,
저 가짜 AI 토익을 참교육 시켜야겠다는 생각에 나 혼자 삽을 퍼려고 했다가
대학원을 만들게 되면서 손을 놨던거라 준비해 놓은게 한참 쌓인 상황이거든.
우리 대학원 생들이 이미 내 수업을 들으며 뭐가 필요한지 감을 잡은 상태라 길게 설명할 필요도 없이,
다들 내가 그리고 있는 구조를 바로 이해하고 하고 싶다고 우르르 달려들더라.
간단히 정리하면, 단순무식하게 딥러닝 알고리즘이라는 어느 라이브러리 붙여서 컴퓨터 학대하는 시스템이 필요한게 아니라,
각 문제마다 출제 확률을 Logit or Probit 형태의 Non-linear probability model을 만들고,
그 모델의 변수로 lag variable들을 놓는데,
직전 시험에 나왔으면 안 나올 확률이 높을테니 t-1 ~ t-5정도까지는 coefficient가 음수로 나오다가,
더 오래된 t-6부터 뉴토익 시대 초창기까지 거슬러가는 t-100, t-200으로 가면 coefficient가 양수가 되는 시스템을 생각해 볼 수 있다.
물론 간단히 토익 시험 회차만 시계열 변수로 쓰는 단순한 모델을 쓸 이유는 없고,
각 문제별로 우리 눈에 보이는 Physical variable이 있고, 우리 눈에 보이지 않는, 속칭 Latent variable이 있을텐데,
우리가 문제마다 배정한 그룹, 그 그룹들을 NKPQ…의 Tensor or higher dimension data set으로 구성해놓고,
거기서 Factor Analysis 같은 방법을 통해 우리 눈에 보이지 않는 Latent 그룹을 역추적해내는 방식으로 변수 선정을 하는 작업을 거칠 것이다.
(이런걸 어느 회사가 Latent Matrix Factorization 이라고 이름 붙여놓은걸 봤다)
아마 데이터 셋의 구조상 Panel data 지식이 좀 필요할텐데,
MSc DS나 MBA AI/BigData에서 배울 내용이 아니니 결국 extra로 더 가르쳐서 일을 주거나,
아님 우리 교수진이 직접 들어가서 모델을 손을 보긴 해야겠지.
어차피 학원가에 널리 퍼진 다양한 속설을 봤을 때,
대박달, 쪽박달, 평균 점수 유지, 최근 기출 출제 유형, 나올 때가 된 유형 등등의 “생각의 재료” or “모델의 재료”가 될 만한 주제가 많아서
에니그마 해독할 때 “하일 히틀러” 같은 힌트가 널려 있는 데이터 셋,
반드시 100% 정확도를 도전해야하지 않아도 되는 데이터 셋,
결정적으로 방대한 문제은행을 두고 뒤에서 사람이 아니라 기계의 알고리즘이 돌아가고 있는 데이터 셋이라서
우리 같은 모델링 훈련을 받은 사람들에게 최적 타겟이라는 생각을 하게 됐다.
어차피 그들이 가진 Non-linear function (or any possible function)의 형태를 완벽하게 추정할 필요는 없잖아?
Non-linear function 추정의 기본은 무식하게 딥러닝이 아니라, Taylor’s expansion 아녔나??
데이터 셋도 이미 구했고, 아마 우리 대학원 생들이 반년정도 고생하면 충분히 괜찮은 모델을 뽑을 수 있을 것이다.
적절한 판매 방식과 플랫폼을 셋팅해 사업화하는 것은 또 다른 레벨의 도전이 되기는 하겠지만,
적어도 우리는 AI 사기를 치지 않고, 머신러닝 개발자 라는 요상한 직군의 사람들을 뽑지 않고,
직업 학교 수준으로 therefore 야매로 딥러닝 코드 몇 줄 돌려서 AI라고 우기지 않고,
수리통계학 기반의 모델로 그 문제를 풀어내려고 한다.
예전엔 경제학 박사 하는 애들이 너도나도 Finance로 갈아타서 월가로 튀거나, 경영대 Finance 교수하려고 했다.
연봉이 최소 2배, 많으면 10배씩 했었으니까
우리나라처럼 기술적 분석 이런 쓰레기 지식이 아니라, Stochastic Calculus 기반 Non-linearity (& Joint normality 가정 기반) pricing 모델, (G)ARCH 류의 통계학 기반 모델을 경제학 박사 과정에서 의지만 있다면 공부할 수 있었으니까
요즘은 다들 마케팅에 발 뻗어서 우리 SIAI에서 가르치는 지식 기반으로 Data Scientist 하려고들 한다.
그리고, 그런 애들이 지난 5년 사이에 엄청나게 늘어서 요즘은 실리콘 밸리를 꽉꽉 채우고 있다.
반대로 AI사기꾼들은 설자리가 점점 줄어들 수 밖에 없겠지
머신러닝 개발자라는 좀 황당한 직군의 수명이 얼마나 길게 갈지는 모르겠지만,
아마 머신러닝 라이브러리를 갖다 쓸 수 있는 개발자 정도로,
그냥 Go lang 쓸 수 있는 개발자, LISP 언어 쓸 수 있는 개발자 등등으로
개발자 중 특화된 능력치를 갖고 있는 사람 정도로 끝나게 되리라 생각한다.
한국은 언제나 글로벌 트렌드에 뒤쳐지고 지식이 부족한 2,3류 국가니까 몇 년 더 우려먹을 수 있기는 하겠지만,
증권사에서 기술적 분석하는 애들을 호구, 개미투자자, 고객 끌어올 스토리는 나와도 사기꾼이라서 차마 못 뽑는 것처럼,
일반인의 지식 수준이 올라오면 자기 회사 명예를 위해서라도 퇴출대상이 될 수 밖에 없을 것이다.
“그거 AI라더니 그냥 아마존에서 준 코드 붙인거라매?” 같은 소리가 일반에 먹히기 시작하면 회사 이미지에 치명타 아닐까?ㅋ
아뭏튼, 우리 학생들이 AI로 토익 어쩌고라는 가짜 마케팅에 참교육 시키는 결과물을 졸업 전에 만들어 낼 수 있도록
모델링 아이디어들을 이것저것 던져주며 learning-by-doing을 시켜보려고 한다.
지난 몇 년동안 고생해가며 AI교육 시장에 참교육을 시전했고, 그걸 기반으로 고급 인력 양성을 하는 덕분에
이제 좀 쉽게 AI토익에도 참교육에 도전할 수 있게 됐는데, 뭐 좀 더 참교육 시켜볼 만한 사업 없나?
오랜만에 잡 서치 사이트들 검색 한 번 해 볼까?
“머신러닝 개발자” 뽑는 회사들, 산업들 좀 뒤져봐야겠다ㅋ
머신러닝을 배우지 않아도 되는 5 가지 이유.
이 글은 Data Scientist이신 Roman Orac님의 ‘5 Reasons You Don’t Need to Learn Machine Learning'(link click) 글을 번역한 것입니다.
저자 동의하에 번역을 진행하였다는 점을 알려드립니다.
머신러닝 분야에 몸담고 있는 많은 인플루언서는 1) 우리가 왜 머신러닝 학습을 시작해야하는지에 대한 이유와 2) 일단 시작해보면 머신러닝을 얼마나 쉽게 배울 수 있는지 설명하는 글들을 작성하고 있습니다. 트위터, 링크드인, Medium, Reddit 등 이를 위한 엄청난 양의 글이 있어, 이 중에서도 자신에게 도움이 되지 않는 글을 걸러내는 것도 실력이라는 말이 나올 정도입니다.
글을 읽다보면 마치 우리가 머지않아 전문가가 될 것 같고, 머신러닝을 적용해서 다양한 문제를 해결할 수 있을 것 같은 느낌을 받게 됩니다. 하지만 이번 글에서는 이를 다른 관점으로 바라보고자 합니다. 관련된 다른 글을 비난하거나 비웃자는 글이 아니며, 지극히 주관적인 생각을 다룹니다.
많은 머신러닝 전문가(또는 여기서 부르는 인플루언서)가 작성한 글을 보면서, ‘왜 많은 사람들이 처음에 머신러닝부터 배우려고 할까?’에 대한 의문이 떠올랐습니다.
아마 주요한 이유는 많은 사람들이 머신러닝을 공부할 때 주로 접할 수 있는 환경과 실제 머신러닝 엔지니어가 머신러닝을 수행하고 있는 환경의 차이를 모르기 때문일 것입니다. 실제로 일부를 제외한 다수의 머신러닝 엔지니어는 뉴스에서 자주 접할 수 있는 알파고와 같은 인공지능이나 테슬라의 전기차와 같은 자율주행을 연구하고 있지 않습니다.
많은 인플루언서가 작성한 글을 공부한다고 해서 머신러닝 전문가가 될 수 없습니다. 또, 하나에 집중하지 않고, 많은 부분을 습득하려 한다면 절대로 이를 달성할 수 없습니다(“A Jack of all trades and master of none”).
Why do so many wish to learn Machine Learning?
Photo by Ariana Prestes on Unsplash
대학을 다니면서 머신러닝 엔지니어가 되기로 결심했습니다. 어렵고, 도전적이며, 특히 매우 재밌어보였기 때문입니다. iOS 게임 개발자가 되겠다고 선택하기 전까진 말이죠.
누군가 나에게 ML 엔지니어로서의 어떠한 것을 권유하더라도, iOS 게임 개발자라는 커리어을 버리지 않을 것입니다. iOS 게임 개발로 커리어를 쌓는게 매우 행복하고, 직업 선택이 예전처럼 극단적(black and white) 결과로 나아가지 않기 때문에 이에 대한 나의 선택이 온전히 틀렸다고 말할 수 없습니다.
Photo by KOBU Agency on Unsplash
왜 iOS 게임 개발로 행복을 느낄 수 있을까요? 그 이유는 머신러닝을 통해 학습할 때의 재미와 iOS 게임 개발 할때의 재미가 같기 때문입니다. 또는 백엔드, 프론트엔드 애플리케이션 개발을 포함해서 말이죠. 여기서 언급한 세 가지도 충분히 도전적인 분야입니다.
대학을 다니면서 머신러닝을 바라보는 관점은 아래와 같았습니다.(아마도 머신러닝을 얕게 알고있는 많은 사람들이 이와 같은 생각을 하지 않을까 싶습니다. 아래와 같은 생각이 틀렸다는 것은 아니고 어떻게 보면 머신러닝을 학습하고자 하는 사람이 겪을 수 있는 당연한 과정인 것 같습니다.)
머신러닝은 어렵지만(Seems hard), 일자리를 쉽게 얻을 수 있다(ML Job).
재밌고(Fun), 고액 연봉을 받을 수 있으며(High wages),
모든 작업이 자동화될 것인 웹 개발자와 다르게 미래가 보장되어 있다(Future proof).
하지만 나는 이 생각이 틀렸다고 느꼈고, 그 이유를 차근차근 설명해보겠습니다.
1. Machine Learning seems hard
Photo by NOAA on Unsplash
인플루언서들이 작성한 글을 보면 머신러닝을 굉장히 쉽게 다루고 있습니다. 타이타닉 데이터셋을 다운로드하고, 단 10줄의 파이썬 코드로 머신러닝 튜토리얼을 끝마칠 수 있습니다.
실제로 해보면 쉽게 타이타닉 사망자/생존자를 예측할 수 있습니다. 하지만 이를 할 수 있다고해서 돈을 주고 우리를 고용할 필요가 있을까요? 더욱 매력적인 머신러닝 엔지니어임을 어필하려면, 더욱 깊은 수준의 기술을 배우고 사용할 수 있어야 합니다.
모든 것을 다 이해할 수 없을뿐만 아니라 그럴 필요도 없기 때문에 머신러닝을 더 깊이 배우는 것은 더욱 어렵습니다. 더 깊이 배우는 것에 좀 더 쉽게 다가가기 위해선 자신 주변에 훌륭한 멘토가 있다는 것이 매우 중요한 요소인데 현실에서 이를 구한다는 것은 매우 힘든 일입니다. 아마도 훌륭한 멘토를 얻을 수 있는 가장 좋은 방법은 훌륭한 인턴쉽을 수행하는 것이 아닐까요?
(머신러닝 배우는게 매우 어렵고, 멘토 구하기도 힘들기 때문에) 내가 첫 커리어를 시작할 때, 누군가가 이에 대해 말해줬다면 매우 좋았을 것 같습니다. Computer Science가 아닌 다른 분야의 동료와 함께 일할 때, 그와 관련된 것(프론트엔드, 백엔드, 모바일 등)을 배우기 위해 상당한 시간이 투자되었기 때문입니다.
왜냐고요? 음.. 프론트엔드(또는 백엔드, 모바일) 개발에서 멘토를 구하기도 쉽고, 많은 사람들이 이 분야를 하고 있으니까요.
2. Easier to get a Machine Learning Job
Photo by Hunters Race on Unsplash
프론트엔드(또는 백엔드, 모바일) 개발자보다 머신러닝 엔지니어로서 일자리를 구하기 매우 어렵다는 것은 확실하게 말할 수 있습니다.
자그마한 스타트업은 보통 ML Engieer를 감당할만한 자원(Resource)을 가지고 있지 않습니다. 이제 막 시작했기 때문에 데이터’도’ 없기 때문이죠. 그렇다면 그들이 뭐가 필요한지 아세요? 소비자에게 비즈니스를 제공할 수 있는 프론트, 백엔드, 모바일 엔지니어입니다.
스타트업이 안되면, 대기업을 가면 되지 않을까요? 뭐 틀린 생각은 아니지만, 실제로 취업 시장에 뛰어들어보면 ML Engineer를 필요로하는 대기업이 많지 않고, 찾아보기도 힘듭니다.
3. Higher wages
Photo by Sharon McCutcheon on Unsplash
Senior ML Engineer는 다른 Senior보다 더 많은 돈을 벌고 있지 않습니다.
미국에는 머신러닝 슈퍼스타가 그들의 사고방식(mindset)에 따라, 또는 돈에 구애받지 않고 자신이 원하는 곳에서 일을 하는 것도 있지만, 사실 미국에서는 이보다 더 높은 돈을 받는 소프트웨어 엔지니어가 다수 존재합니다.
4. Machine Learning is future proof
Photo by Tomasz Frankowski on Unsplash
미래를 보장한다는 머신러닝과 같이 프론트엔드, 백엔드, 모바일 개발도 동일하다고 말할 수 있습니다.
프론트엔드 개발자로서 매우 만족한다면, 그대로 하세요! 머신러닝 모델로 웹사이트를 만들고 싶다면, 이에 대한 지식을 보유하고 있는 동료와 함께 일하면 됩니다. 반대로 그 동료도 프론트엔드 개발자가 필요하겠죠. 혹은 혼자 다 하거나.
5. Machine Learning is Fun
Photo by Braydon Anderson on Unsplash
머신러닝은 항상 재밌지만은 않습니다.
많은 사람들은 머신러닝 엔지니어가 인공지능이나 자율주행차를 연구하는 멋진 일을 할거라고 생각하는데 그렇지 않습니다. 이들 대부분은 학습 데이터를 만들거나 머신러닝 인프라 구축을 위한 작업을 수행하고 있을 것입니다.
또, 머신러닝 엔지니어가 딥러닝 모델을 다양하게 바꿔본다던가, 하이퍼파라미터를 튜닝하는 일을 할 것 같지만 그렇지 않습니다. 오해하지 마세요. 일부는 이와 같은 일을 하겠지만 많지는 않을 거에요.
ML 엔지니어는 현실 세계의 문제와 닮아있는, 또 이를 해결할 수 있는 학습 데이터를 어떻게 구축할 것인지에 대한 고민에 대부분의 시간을 사용한다는 것이 진실입니다. 이 고민이 성공적으로 끝난다면, 복잡한 딥러닝 모델도 사용할 수 있겠지만 대부분의 고전적의 머신러닝 모델도 충분히 잘 작동하고, 좋은 성능을 보여줄 겁니다.
Conclusion
Photo by Johannes Plenio on Unsplash
본문은 자칫하면 오해의 소지가 있을 수 있지만, 앞서 언급했듯이 누군가의 생각을 비하하거나 다른 생각과 싸우자는 글이 아닙니다.
머신러닝이 자신의 길이라고 생각하면, 하세요! 직접 연락해서 (저자에게) 조언을 구해도 좋습니다.
하지만 머신러닝은 모두를 위한 기술도 아니고, 모두가 알 필요도 없습니다. 만약 소프트웨어 엔지니어로서 훌륭하고, 재미를 느낀다면, 계속 소프트웨어 엔지니어 커리어를 쌓아가세요. 몇몇 머신러닝 튜토리얼은 소프트웨어 엔지니어 커리어에 도움이 되지 않을 것입니다.
이 글의 목적은 많은 인플루언서의 글과 다르게 이에 대한 비판적 견해를 말해주기 위함입니다.
대부분 공감하는 말이다. 이 글도 수용할 수 있는 한 가지 방법은 ML 전문가이면서 프론트엔드(백엔드, 모바일)도 전문가이면 되지만….. 쉽지 않다.
LINE 머신 러닝 엔지니어 임준석 님을 만나보았습니다
준석 님은 2019년에 머신 러닝(machine learning) 엔지니어로 LINE에 합류했습니다. 서비스 개발 부서와 긴밀하게 협력하며 LINE 서비스 곳곳에 머신 러닝 기술을 적용하고 계신데요. 온라인에 흔적을 남기는 것을 즐기지는 않지만 LINE의 머신 러닝 개발 환경을 널리 홍보하고 싶은 마음에 인터뷰를 수락했다는 준석 님. LINE에서 어떤 새롭고 즐거운 경험을 하고 있는지 함께 만나보시죠!
업무에 관한 이야기
Q. LINE의 머신 러닝 엔지니어가 하는 업무에 대해 간단히 소개해 주세요!
저희 팀은 LINE 메신저 플랫폼의 메신저 기능을 비롯한 다양한 서비스에 머신 러닝 모델을 개발하여 적용하는 일을 합니다. 구체적으로 올해 진행한 프로젝트를 예시로 들어 설명 드리면, LINE 메신저의 OpenChat 서비스에서 사용자가 관심 있어 할 채팅방을 추천해 준다든지, 문제가 될만한 채팅방을 사전에 가려내는 프로젝트를 진행했습니다. 또한 메신저상 친구들 간의 친밀도를 측정하여 친밀도가 높은 친구를 더 상단에 노출하는 기능, 사용자 패턴을 학습해서 어뷰저(abuser)나 스패머(spammer)들을 분류할 수 있는 기능과 관련된 프로젝트를 진행하기도 했습니다. 저희가 서비스에 필요한 내용을 고민한 뒤 서비스 개발 부서와 협업하는 프로젝트도 있지만, 개발 부서에서 저희에게 머신 러닝으로 효율화할 수 있는 부분을 먼저 제안하고 의뢰해 주시는 경우도 많습니다. 이런 경우엔 부서에 도움을 드리며 서비스의 성장 속도를 더 가속화시킬 수 있어 뿌듯합니다.
머신 러닝 기술이 특히 필요한 부서에는 머신 러닝 부서가 따로 존재하기도 하는데요. 제가 속한 조직 외에도 광고 추천이나 가격 설정 등 광고 로직을 개발하는 부서, 타임라인 서비스에서 콘텐츠를 추천하는 로직을 개발하는 부서 등 사내 곳곳에서 머신 러닝 개발자분들이 일하고 계십니다.
Q. 업무 중 주로 어떤 경우에 보람을 느끼시나요?
성과가 눈에 보일 때 큰 보람을 느낍니다. 저희가 하는 업무는 정량적으로 결과를 확인할 수 있어서 모델을 적용한 후에 수치를 지속적으로 트래킹하는데요. 기존과 비교해 수치가 극적으로 개선되면 그만큼 기쁜 게 없죠. LINE에서 처음 맡았던 프로젝트가 개인화 추천 모델을 개발해 OpenChat에 적용하는 것이었습니다. 서비스 론칭 후 평가 지표를 설정하고 컴퓨터 한구석에 대시 보드를 띄워서 시시각각 새로 고침을 누르며 체크한 기억이 있는데요. 론칭 직후부터 발생한 로그를 통해 비교군 대비 수치가 향상되는 것을 보며 만족감을 얻을 수 있었습니다. 이후 충분한 모니터링을 거치면서 ‘혹시라도 수치가 악화되면 어떡하지’라는 걱정이 사라지고 기존 대비 확실히 개선되었다고 확정이 되었을 때 맥주 한잔하러 가는 것도 큰 보상입니다.
Q. 다른 직군이나 부서와 협업하실 때 어떤 점을 가장 신경 쓰시나요?
머신 러닝이 비교적 전문적인 분야이기 때문에 설명하고 설득하는 데 공을 들이는 편입니다. 어떤 서비스를 협력하며 제작하기 위해서는 참여자 간에 합의가 되어야 하는데요. 저는 머신 러닝 모델을 왜 적용해야 하고, 이것이 어떤 효과를 가져올 것인지에 대해 이해시켜야 하는 의무가 있습니다. 다른 도메인에서 오신 분들은 머신 러닝 분야에 대해 공부할 기회가 당연히 적었을 것이기 때문에 최대한 쉽게 설명하기 위해 노력하는 편이에요. 특히 머신 러닝 분야는 전문 용어가 많아서 이런 용어들을 풀어서 설명하려고 노력하고, 프로젝트 진행 상황을 사내 위키 페이지 등에 정리하여 수시로 공유하는 것에도 집중하고 있습니다. 이를 통해 서비스의 성공이라는 공동의 목표에 조금이라도 원활하게 다가갈 수 있도록 기여하고자 합니다.
Q. 언어나 도구는 주로 어떤 것을 사용하시나요?
대부분의 머신 러닝 엔지니어들과 비슷한 것 같아요. 저희 팀 내 대부분의 레퍼지토리는 Python으로 되어 있습니다. 다만 처리 속도가 중요한 경우에는 C++이나 C를 사용하기도 하죠. 대용량 처리 엔진으로는 Spark를 주로 사용하는데요. Spark를 효율적으로 사용하기 위해 부분적으로 Scala를 활용하기도 합니다. 테스트 코드 작성이나 내부 필요에 의해 일시적으로 수행하는 애드혹(ad hoc)한 작업을 할 때는 Jupyter나 Zeppelin 노트북을 주로 사용하고 있습니다. 특히 Zeppelin은 Spark를 직접 지원하기 때문에 대용량 처리를 위한 환경을 Jupyter 노트북에 비해서 간편하게 구성할 수 있습니다. 또한 여러 가지 언어를 지원하기 때문에 상대적으로 사용하기 편리한 면도 있다고 생각합니다.
역량에 관한 생각
Q. 준석 님의 업무에서 좋은 퍼포먼스를 내기 위해서는 어떤 역량이 필요하다고 생각하시나요?
세 가지 정도를 꼽을 수 있을 것 같은데요. ‘학술적인 연구를 실용적으로 적용할 수 있는 역량, 문제를 근본적으로 해결하고자 하는 태도, 한 발 먼저 나서서 시도해 보는 태도’입니다.
먼저 머신 러닝하시는 분들은 다들 아시겠지만, 이 분야에 특히 학술 논문을 비롯해 새로운 기술이 엄청나게 쏟아지고 있는데요. 이런 수많은 기술을 공부하는 것 못지 않게 그것들을 실제 서비스에 적용할 수 있는 능력이 중요하다고 생각해요. 학술적인 연구는 실제로 적용하기 어려운 가정을 바탕으로 진행하는 경우도 많은데요. 이것들을 잘 이해해서 필요한 부분만 활용하는 게 중요한 역량입니다. 논문을 보고 익히는 것뿐 아니라, 핵심 아이디어를 추려내서 효율적으로 활용할 수 있는 방안에 대해 고민해 보면 좋을 것 같습니다. 또한 학습한 것을 직접 구현할 수 있는 개발 능력도 있어야 해요. 개발 능력이 갖춰지면 현재 사용하고 있는 모델이 어떤 부분에서 개선이 필요한지 직접 확인할 수 있습니다. 이렇게 되면 남이 개발해 주기를 기다리는 시간도 줄일 수 있어서 업무 속도도 빨라져요.
다음으로 문제를 근본적으로 해결해야겠다는 마음가짐이 필요하다고 생각해요. 해결해야 하는 문제가 발생했을 때 적당히 넘어가면 경험적으로 그 문제가 또 발생하더라고요. 심한 경우 서비스 장애로 이어지기도 하는데요. 이런 악순환을 끊을 수 있는 지식과 끈기가 중요한 것 같습니다.
마지막으로 제가 가장 좋아하는 LINE STYLE 항목을 빌려 말씀드리고 싶은데요. ‘한 발 차이 : 완벽한 계획보다 빠른 시도가 중요하다’라는 항목입니다. 보통 이슈가 발생하면 이슈를 해결하기 위한 회의를 열어 의견을 도출하고 합의한 뒤, 담당자를 정해서 그 사람이 해결해 주길 기다리곤 하는데요. 경험상 누구든지 책임 의식을 갖고 미리 이것저것 시도해 보면 시간 손실이 크게 줄어드는 것 같습니다. 시도한 결과가 좋다면 본인의 성과가 될 것이고, 결과가 좋지 않다면 의사 결정 과정에서 그와 같은 시도를 배제할 수 있어 좀 더 효율적으로 프로젝트를 진행할 수 있습니다. 빠른 프로젝트 완결에 기여하기 위해서는 이런 태도가 뒷받침되어야 한다고 생각합니다.
LINE에서 겪은 특별한 경험
Q. LINE에서 성장하고 있다고 느끼는 계기가 있으신가요?
LINE에서 업무를 시작하고 나서 이전보다 담당하는 업무의 폭이 훨씬 넓어졌고 제가 스스로 결정할 수 있는 부분도 많아진 것 같습니다. 특히 개발하는 모델을 서비스에 바로 적용할 수 있는 환경이라는 게 매우 긍정적인 부분이라고 생각합니다. 현재는 서비스 담당자분들과 커뮤니케이션하는 것부터 대안을 제시하고 문제를 해결하는 것까지 전 과정에 기여하고 있습니다. ‘기술적으로 리딩’한다고 표현해야 할까요? 문제 정의나 데이터 전처리 방식에 대한 부분에서부터 시작해 전체 프로젝트를 함께하는 과정은 때론 길고 힘들기도 하지만, 그 결과 원하는 수준으로 개선됐을 때 아주 즐겁고 개인적으로 성장한 느낌이 듭니다.
Q. LINE이 글로벌 서비스이기 때문에 특별히 다른 점이나 어려운 점이 있나요?
여러 가지로 세심하게 신경 써야 할 부분이 많습니다. 같은 모델이더라도 국가별로 사용자가 보이는 반응이 상이한 경우가 많더라고요. 그렇기 때문에 모든 프로젝트에서 실제 서비스에 적용하기 전에 LINE 해외 법인의 서비스 운영자들, 그리고 때때로 서비스와 관련이 없는 LINER(LINE 임직원)들을 대상으로 파일럿 테스트와 같은 일종의 정성적 평가를 거칩니다. 이런 정성적 평가를 통해 나온 피드백들은 모델에 반영되어 국가별로 세분화된 모델을 만드는데 기여합니다. 또한 국가별로 지표에 반응하는 특성들이 각각 다르다 보니 같은 서비스에 적용하는 모델이더라도 국가별로 조금씩 튜닝해 다른 모델을 적용하기도 하는데요. 이런 부분은 정말 국내에서는 어디서도 쉽게 하기 어려운 경험이라고 생각합니다.
그리고 글로벌 회사이다 보니 외국어를 봐야 하는 일이 많은데요. 제가 알 길이 없는 언어들을 마주할 때면 조금 당황스러울 때도 있어요. 데모 페이지를 제작하려고 보면 알아볼 수 있는 것이 이미지밖에 없는 신기한 경험도 종종 합니다. 특히 NLP(Natural Language Processing) 관련 개발을 해야 하는 경우엔 난감했는데요. 그래도 이젠 적응해서 번역기나 서비스 측 도움을 받아 잘 해결해 나가고 있어요. 모든 언어를 다 익힐 수는 없지만, 일본어 같은 경우에는 조금씩 익히려고 노력하는 중입니다.
Q. 준석 님이 특별히 자랑하고 싶은 LINE만의 복지 혹은 문화가 있나요?
우선, 조식 종류 중 하나로 과일이 나오는 게 너무 좋습니다. (웃음) 또 자율출퇴근제도 잘 정착되어 있어 좋은 것 같아요. 월 단위 근무 시간만 준수하면 컨디션 좋을 때 일을 더 하고, 좋지 않을 때 일을 덜 할 수 있어서 좋아요. 병원이나 은행 등에 다녀오기도 편하고요. 과일과 자율출퇴근은 업무 효율에 큰 도움이 됩니다.
마무리하며
Q. 지금 반드시 이루고 싶은 목표가 있으신가요?
LINE 메신저 플랫폼 안에는 정말 다양한 서비스가 있는데요. 그 다양한 서비스 각각에 맞게 다양한 머신 러닝 프로덕트를 적용해 나가고 싶어요. 우리 LINE 서비스가 머신 러닝 기술로 점점 더 고도화되고 효율이 극대화되었으면 좋겠습니다.
Q. LINE의 머신 러닝 엔지니어 포지션에 관심 있는 분들께 마지막으로 한 말씀해 주세요!
LINE에서는 정말 다양한 경험을 할 수 있습니다. 문제를 정의하는 것부터 최종 결과까지 엔드 투 엔드의 경험을 하실 수도 있고, 글로벌 환경에서 다른 곳에서 쉽게 하기 어려운 새로운 경험을 하실 수도 있습니다. 성장해 나가는 서비스와 조직에 주도적으로 기여할 수 있는 환경이라서 개발자라면 모두 환영할 만한 환경이라고 자랑하고 싶습니다. 또한 더 좋은, 더 멋진, 더 최신의 모델을 활용해 보기 위한 공부와 시도도 게을리하지 않습니다. 그리고 이런 모델링만큼 데이터를 파악하는 작업과 프로젝트 구성원들과의 커뮤니케이션도 중요하다고 생각하기에 이런 부분도 소홀히 하지 않으려고 노력하고 있습니다. 필요한 경우에는 개발 지식도 계속해서 업데이트하고 있죠. 이렇게 좋은 환경에서 함께 성장하는 경험을 하길 바라시고, 능동적으로 스스로를 갈고닦기를 즐기는 분과 함께 프로젝트를 진행할 수 있게 된다면 참 좋겠습니다!
▶️ LINE AI/ML 개발 신입(석/박사) 공개 채용: https://lin.ee/vYKviiB
수포자가 머신러닝 개발자가 될 수 있나요?
안녕하세요 스타트업에서 1년 반동안 웹, 앱 개발자로 살아가고 있습니다.
규모가 작은 곳에서 여러 개발을 하다보니 자연스럽게 머신러닝 쪽에도 관심이 갔었는데요
개인적으로는 이때까지 개발을 하면서 수학적인 사고 논리력만 가지면 된다고 생각하였는데
유독 머신러닝 분야는 수학과 관련된 항목들이 많더라고요
지금 커리어가 중구난방이라 이제는 뭔가 한 우물을 파고 싶은데
앱과 머신러닝 개발자 둘 가운데 놓고 고민을 많이 하고 있습니다.
현재는 앱개발자로 살아가고 있는데 그 이유는 다음과 같습니다.
1. 머신러닝을 주력적으로 공부하기엔 지금 당장 그걸로 돈 벌이를 하기가 힘들다.
(시간이 오래 걸릴것이라고 판단)
2. 고등학교때 수포자였으며 28살인 지금 다시 수학을 한다고 하였을때 앱 개발 보다 머신러닝을 잘 할 자신이 없다.
3. 입사 시 같은 개발직이라 하더라도 머신러닝 분야는 학력을 다른 곳 보다 많이 본다고 생각한다.
(지방대 비전공 출신)
위에 언급한것이 앱 개발을 현재 택한 가장 큰 이유였습니다.
사실 1번을 제외하고 2, 3번이 해결이 된다면 장시간이 걸린다고 하더라도 앱개발로 밥벌이를 하면서 이직을 할 생각이 있는데… 현실적으로 가능한가에 대한 부분에서 의문이 있습니다.
궁금한것은 다음과 같습니다.
1. 언급한 3가지 중 제가 오해하고 있는 부분이 있는지
2. 머신러닝에서 수학이 차중하는 비중이 얼마만큼인지 노력으로 극복 가능한 부분이라고 생각하시는지
3. 앱 개발을 직업으로 하고 장기간을 잡고 머신러닝을 학습하여 이로 이직하는 것이 가능하다고 판단하시는지
이에 대해서 해결이 된다면 머신러닝 쪽으로 진로를 잡고 싶은데…
현실적으로 가능한가에 대한 부분에서 어떻게 해야 될지 모르겠네요
사견도 좋으니 멘토님들의 답변을 기다립니다ㅠㅠ
딥러닝개발자/웹개발자 채용 정보
웹 브라우저에서 광고 차단 도구를 사용중이면 광고 관련 페이지가 정상적으로 보이지 않을 수 있습니다. 광고 차단 도구를 끄거나 로켓펀치를 예외로 추가하는 것이 좋습니다. 광고 차단 도구를 끈 후에는 화면을 새로 고침해 주세요.
키워드에 대한 정보 머신 러닝 개발자
다음은 Bing에서 머신 러닝 개발자 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 독학으로 머신러닝 개발자로 입문하기 완벽 정리
- 머신러닝
- 딥러닝
- 개발자취업
- 개발자
- 코딩
- 인공지능
- 머신러닝개발자
- 딥러닝개발자
독학으로 #머신러닝 #개발자로 #입문하기 #완벽 #정리
YouTube에서 머신 러닝 개발자 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 독학으로 머신러닝 개발자로 입문하기 완벽 정리 | 머신 러닝 개발자, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.