SEF 2023에 다녀오다

SEF2023에 초대합니다!

 

SEF(Software Edu Fest) 2023

SEF(Software Edu Fest)는 네이버 커넥트재단이 주최, 주관하는 교육 페스티벌인데 운 좋게 오프라인 행사에 당첨이 됐다..!

올해는 처음으로 온라인과 오프라인 행사가 모두 진행됐고, 오프라인의 경우 네이버 폼으로 왜 행사를 참여하고 싶은지도 작성해야 했다. 워낙 예전부터 네이버 커넥트 재단에서 진행하는 여러 프로그램들(강의, 코칭스터디, 부스트 캠프 등)을 참여해 왔기 때문에 꼭 가고 싶었는데 너무 감사하게 참석 기회를 얻었다 😆

 

오늘따라 가는 길이 다사다난한 하루였는데.. 다행히 꼭 보고 싶었던 두 세션에 참석할 수 있었다. 

각 세션에 대해 간단한 발표 요약 & 느낀 점 위주로 정리한 포스팅📑

 

SEF Show

 

첫 번째 행사는 "나도 몰랐던 내 취향, 데이터는 알고 있다!"로 평소에 정말*∞ 즐겨 사용하는 네이버 웹툰과 무신사의 데이터팀 테크 리드분들의 강연이었다..!!!!! 충실하게 쿠키 굽는 제빵사인데.. 무신사도 꾸준히...🤣

 

<데이터 사이언티스트, 이런 일을 합니다, 강병호님>

데이터 사이언티스트 업무 방식

1. Business & Service analytics : 비즈니스와 서비스에 대한 깊은 이해를 토대로 아이디어 도출

2. Communication: 여러 부서와 의견을 나누고, 조율하며 아이디어를 구체화

3. Engineering: 아이디어를 현실로 만들어 가치 창출

 

데이터 사이언티스트의 업무 방식과 데이터 사이언티스트가 갖춰야 할 역량으로 컴퓨터 공학 전공과목(엔지니어링)을 강조하셨었다. 부캠을 할 때도 그렇고 특히 네이버, 카카오에 가신 현직자분들 역시 비슷한 이야기를 했던 것이 기억났다.(그래서 CS스터디를 빡세게 하고 있기도 하고)

많은 SOTA 모델을 아는 것도 중요하겠지만, 오히려 현업에서는 OS, DB, 네트워크, 컴퓨터 구조, 이산수학 등 엔지니어링 등 기본기에 대한 깊은 이해를 바라신다고 하셨다. (실무에서 굉장히 중요하다고 발표와 Q&A에서 재차 강조하셨다.)

 

 

<데이터 사이언스로 비즈니스 문제 해결하기, 이원지님>

데이터 사이언스는 "어느 회사인지? 맡은 역할은 무엇인지? 에 따라 다를 수 있기 때문에"

Business pull 중심 회사인 무신사에서의 1. 문제정의, 2. 문제 해결 사례를 공유해 주셨다.

 

1. 문제 정의

- 상품 정보를 수작업으로 입력/검수한다고?
→ 자동 입력/검수 시스템

 

- 유저가 좋아할 만한 상품을 찾아줄게!

→ 추천 시스템

 

- 유저: 1300만 + a, 브랜드: 8천여 개 + a, 상품: 70만여 개로 탐색 범위가 너무 넓다.

 

데이터 프로덕트팀에서는 먼저 이렇게 문제 정의 후 Impact, Confidence, Ease 관점에서 문제의 솔루션을 찾아나간다.

 

 

2. 문제 해결

다음과 같이 추천 시스템 개발이라는 결론이 도출돼 모델을 개발한다고 했을 때,

데이터/모델 결과는 알 수 없기 때문에 빠른 시행착오, 반복(iteration), Small Success(데이터 및 모델 결과의 불확실성)를 목표로 모델을 개발해나가야 한다.

 

특히 인상 깊었던 부분은, 모델 개발 과정에서 보이는 실수들이었다.

"SOTA 모델을 적용해 보자 or 데이터를 전부 넣어보자" (ex. 넷플릭스 추천 모델 적용, 한 달치 모든 유저 데이터 사용) 등을 시도하지만 넷플릭스에서 잘 작동하던 모델이 무신사의 유저들에게 아무 반응을 만들지 못한다면 아무 의미가 없을 것이다.

따라서, 다음의 이미지처럼 MVP 관점에서 간단한 모델을 이용해 Small success부터 만들어보기가 돼야 한다.
(아래는 무신사의 MVP 테스트 예시)

1. 간단한 Rule Base 모델, 통계기반 모델부터 시작

2. 숨은 페이지를 만들어 추천 구좌 실험

3. 인사이트를 얻어 메인 화면 추천 변경

 

그렇다면 딥러닝 모델 개발 외에 필요한 것은 무엇일까? 정답은 IT의 모든 것 (기획, 디자인, 개발의 도움)이다.

모델링은 전체 서비스 아키텍처의 일부이며, 기획, 디자인, BE/FE 등 유관부서와 수많은 커뮤니케이션이 필수적이기 때문에!

 

결론적으로 특히 Business Pull 중심 회사에서 데이터 사이언티스트에게 필요로 되는 사항은 다음과 같다.

1. 계속 배울 수 있는 성장 마인드셋

- 데이터 사이언스 기술은 끝도 없이 발전 중이기 때문에 기본기는 갖추되, 계속 배우기

- 문제 해결력 + 커뮤니케이션 능력도 중요!

 

2. Data Science를 통해 무엇을 하고 싶은지 - 나만의 방향성 적립

 

 

<Q & A>

두 분의 발표 이후에 (고등래퍼 싸이퍼처럼) 마이크를 잡고 질문하는 Q & A시간이 있었는데..

이번이 아니면 테크 리드분들에게 언제 질문해보겠나 싶어서 마이크 잡았고, 나는 그렇게 2천 원 더 비싸졌다..😭

(아래는 Q & A에서 나왔던 질문 내용 정리)

 

Q1. 최신 기술 동향 및 트렌드를 어디서 참고하시나요?(공부법)

- Medium 유명 기술 블로그(넷플릭스, 에어비앤비 등)

- 키워드 검색 후 논문 리서치

- 지인과 커피챗(네트워킹)

- Facebook, LinkedIn

 

Q2. 개발 외 산업 도메인 관련해서 조언을 부탁드립니다.

- B2C 사업이라면 서비스에 대한 애정이 필수!!

 

Q3. 데이터 사이언티스트 직군 채용에 중요한 것은 무엇인지?

- 컴퓨터 공학 과목(CS, DB, OS, Network, 컴퓨터 구조, 이산수학 등)에 대한 깊이 있는 이해

- SOTA 모델을 단순히 가져다 쓰는 것은 허들이 높지 않아서 기본기에 집중했으면 좋겠다.
(ML/DL 모델 등은 회사 와서 충분히 배울 수 있지만, 기본기에 대한 스터디 기회가 적음)

 

Q4. 이력서, 포트폴리오를 작성할 때 취준생들이 간과하는 부분이 무엇인 것 같은지?(특히 부캠출신)

- 왜? 가 빠져있다(ex. 왜 해당 모델을 썼는지, Baseline 모델에 비해 사용한 모델이 얼마나 성능을 끌어올렸는지 등)

- 근거 없는 팩트가 많아지면 내용이 쓸데없이 길어진다. 영양가 없다.

 

 

밋업

두 번째 세션은 두 AI 엔지니어 분들과 함께하는 밋업이었는데 두 분 다 이름이 낯이 익다했더니 부캠 멘토님 분들이셨음..!
(Recsys 트랙이 아니라 따로 대화를 한 경험은 없지만, 채팅이나 추억공유에서 자주 뵌 멘토님들!!)

<AI Engineer가 되기까지 했던 고민과 발표자의 솔루션, 이유진님>

Part 01. 공부할 때 고민한 내용

Q. 어떻게 공부할 때 가장 잘 이해하고, 잘 기억할 수 있을까? 

- 개인적으로 토론식으로 친구들과 대화하면서 정답을 찾고, 그것을 글로 정리할 때 제대로 이해할 수 있었다. 

→ 많은 시행착오를 통해 나에게 맞는 공부방법을 찾아보는 것이 중요하다!

 

Part 02. 취업 준비를 할 때 고민한 내용

Q. 석박사와 경쟁을 하게 되는데, 나만의 경쟁력을 갖추기 위해 어떤 경험을 쌓고 어떻게 어필해야 할까? 

1) 연구 역량 쌓기 

- 그들만큼 잘하진 못해도 현업 종사자가 봤을 때 '논리적으로 일하는 사람이구나~'라는 인상을 줘야 한다.

2) 서비스와 관련된 역량 쌓기 

- 이미 있는 것을 적재적소에 맞게 빠르게 가져다 쓰는 엔지니어링 역량. 

- 내가 종사하고자 하는 도메인, 기업, 서비스 분석 - 서비스 배포에 사용되는 tech stack 사용 경험

 

Q. 논리적으로 생각을 가지고 일하는 사람이구나라는 인상을 주기 위해 어떻게 해야 할까? 

1) 연구 역량? 논리적으로, 생각을 가지고 일하는 사람? 왜? 

WHY, HOW, RESULT 

- 면접관은 문제를 바라보는 시선, 분석 방법, 솔루션을 찾아가는 과정 등을 알고 싶다. 

- 분석 없이 솔루션부터 적용하고 결과가 잘 나오면 넘어가는 식의 경험은 전혀 어필 안된다. 

- 특히, AI 직무를 하겠다고 생각했으면 더더욱 합리적 가설과 이유를 가지고 솔루션을 적용하는 것이 중요하다고 생각한다.

→ 깊이 있게 파고드는 공부를 하자

- 모든 프로젝트에서 해결해야 할 이슈가 있으면 WHY, HOW에 집중하는데 이때 해당 이슈를 해결하고 끝내는 게 아니라 내가 적용한 솔루션에서 또 어떤 문제가 생길 수 있을지 예상, 분석하고 가설을 세운 뒤 n차 실험을 진행해야 한다. (현업에서 서비스를 만들어 나가는 방식과 일치)

 

2) AI 기술을 서비스할 때 필요한 역량? 

회사는 B2B, B2C든 결국 서비스를 만들어 수익을 내야 한다. AI 기술을 서비스할 때 필요한 역량이 뭘까? 

- 비즈니스 분석(서비스 분석) 능력 

- 요구사항 정리 및 구현 

- 실제로 AI를 서비스할 때 필요한 tech stack(흔히 말하는 MLOps)

 

Q. (취업 전 쌓아햐 하는) 실무 역량 / 경험에 대한 고민? 

멘토님의 경우, 인턴 활동을 통해 해당 역량을 쌓았다고 하신다. 

"실무" 역량이라는 건 뭘까? 

- 꼭 AI 연구개발, 흔히 생각하는 모델링 역량과 관련돼 있다고 생각하지 않았다 

- 서비스 배포를 위한 모든 과정 

- 과정을 담당하는 사람들과의 커뮤니케이션 

- 효율적으로 일하는 방법

 

Part 03. 나의 경험이 실무에서 어떻게 쓰일까?

<AI Engineer가 하는 일>

프로젝트 기획, 일정 수립, 데이터 수립, 전처리, 모델 개발, 검증, 서비스화

모든 일은 타당한 이유를 가지고 진행 → 나의 생각을 일목요연하게 전달하고 누군가를 설득하는 일

 

다음의 일들을 인턴 및 프로젝트에서 쌓은 역량을 활용해 어필하셨다고 한다.

 

<학습과 실무, 그 사이 어딘가의 당신에게, 고지형님>

1. 문제 발굴 및 정의 

- 서비스 내외부에 발생한 문제를 찾고(리스트업), 이를 기술적으로 정의 

2. 연구 및 개발

- 정의한 문제에 딱 맞는 솔루션을 얻을 때까지 연구 → 프로토타이핑 → 테스트 무한반복

3. 배포 및 유지보수

- 개발한 솔루션을 서비스에 반영하고 지속적으로 유지보수(AB 테스트, CS 대응 등)

4. 제품 관점에서 기술 바라보기

1) 각종 커뮤니티 팔로우업

- 페이스북: Tensorflow KR

- 클럽하우스: Weekly Arxiv 만담

- 오픈카톡: Recommender System KR 등

2) 현업자가 있는 곳에 가면 된다.

- 혹은 개발자를 목표로 하는 열정적인 사람들이 모인 곳

- 직접 사람을 모아보는 것도 좋다.(스터디, 프로젝트 등)

3) 인턴십

- 서비스에서 발생한 문제를 직접 볼 수 있다.(여기저기 개발자 천지)

4) 부트캠프

- AI 이론 지식 쌓기 & 현업과 유사한 개발 경험

5) 서비스 직접 만들어보기

- 채용 방향성, 필요한 기술 스택 등을 직접 정의하고 런칭까지 A-Z전반 경험

 

멘토님께서 네이버 인턴과 왓챠에서 진행하신 업무 내용도 있었지만 프라이빗 세션이었던 만큼 구체적인 내용은 생략..

 

후기

첫 번째 세션이었던 SEF Show에서 부스트캠프 운영진님 두 분을 만났다..!

사실 나에게는 내적 친밀감 100000% 운영진님들이지만, 두 분에게는 우리가 수많은 수료생 중에 한 명일 텐데도 너무 반갑게 맞이해 주시고, 진심 어린 조언도 엄청 해주셨다ㅠㅠㅠㅠ 감동ㅠㅠㅠㅠ

 

오늘 두 차례의 세션을 들으면서 느낀 점이 굉장히 많았다.

 

1. 원래도 자주 사용하던 무신사 서비스 및 기술에 관심이 생겼다..! 무신사 데이터 프로덕트 팀의 문제 해결 방식이 굉장히 인상 깊었다.

 

2. Q & A 시간에 이력서/포폴에 대한 리드 분들의 조언을 듣고 정신이 번쩍 들었다.

- 항상 Why를 놓치지 말자. 

- 배우는 것은 늘 즐겁지만 배운 것을 정리하고 어떻게 비즈니스에 적용할 수 있을지 생각하자.

- 내가 하고 싶은 것은 무엇인지, 데이터로 어떤 문제를 풀고 싶은지 명확한 방향성을 가져야 길을 잃지 않을 수 있다.

 

3. 두 번째 세션을 통해, 깊게 파고든 경험을 효율적으로 정리 및 전달하는 연습의 중요성을 느꼈다. 

 

네이버 1784 오는 동안 많은 일이 있는 우당탕탕 하루였지만, 그래도 다시 한번 동기부여가 된 하루!!

 

+ 압도적인 네이버 1784 스타벅스와 수많은 굿즈들...