본문 바로가기

전체 글233

IT기획자 개발 없이도 기술이해 필요(요구사항, 시스템, 협업) IT 기획 직무를 준비하는 취업 준비생의 포트폴리오와 과제 결과물을 함께 점검하다 보면 화면 설계서와 서비스 소개는 상당히 잘 정리되어 있는데, 개발 단계에서 필요한 질문이 들어오면 답변이 갑자기 모호해지는 경우가 있습니다. 예를 들어 회원가입 화면을 기획하고 필수 입력값과 버튼 동작까지 작성했지만, 이미 가입된 이메일이 들어왔을 때 어떻게 처리할지, 인증번호가 만료되었을 때 어떤 화면으로 연결할지, 가입 정보가 서버와 데이터베이스에 어떤 방식으로 저장되는지까지는 정리되지 않은 경우입니다. 화면은 완성되어 있지만 시스템이 실제로 어떻게 동작해야 하는지는 충분히 정의되지 않은 것입니다.개발자와 협업하는 상황을 가정하면 이런 차이는 더 분명해집니다. 기획서에는 결제 취소 기능 추가라고 한 줄로 적혀 있지만 .. 2026. 9. 25.
네이버 AI서비스 확대와 IT취업 변화(검색, 광고, 에이전트) IT 취업 상담이나 포트폴리오를 점검하다 보면 기업의 AI 뉴스는 꾸준히 찾아보는데, 정작 그 변화가 자신의 준비 방향과 어떻게 연결되는지는 설명하지 못하는 경우가 있습니다. 네이버가 AI 검색을 확대한다는 기사를 읽고 생성형 AI를 공부해야겠다고 생각하거나, AI 광고 기술이 늘어난다는 소식을 보고 데이터분석을 공부해야겠다고 판단하지만 여기에서 한 단계 더 들어가면 답변이 막히는 식입니다. 검색 서비스에 AI가 들어가면 기존 검색 시스템에서 무엇이 달라지는지, 광고 자동화에는 어떤 데이터와 추천 기술이 필요한지, 에이전트가 단순 답변을 넘어 예약이나 구매 같은 행동까지 연결하려면 어떤 시스템이 함께 움직여야 하는지까지 생각해보지 않은 경우가 많습니다.실제로 기업 기술동향을 이용해 포트폴리오 방향을 잡아.. 2026. 9. 24.
생성형AI 취업 프롬프트만으론 부족한 이유(RAG, 평가, 운영) 생성형 AI 취업을 준비하는 학생의 포트폴리오를 검토했을 때 처음에는 상당히 준비가 잘 되어 있는 것처럼 보인 적이 있습니다. ChatGPT API를 이용해 챗봇을 만들었고, 역할을 부여하는 프롬프트와 답변 형식을 제한하는 프롬프트도 여러 버전으로 비교해 두었습니다. 질문에 따라 답변 톤을 바꾸고 특정 형식으로 결과를 출력하는 기능까지 구현되어 있어 프롬프트 실습 자체는 충분해 보였습니다. 그런데 실제 프로젝트를 조금 더 깊게 확인하면서 차이가 드러났습니다. 회사 내부 문서를 질문에 활용해야 한다면 어떤 문서를 어떻게 찾을 것인지, 검색된 문서와 모델 답변이 맞는지 무엇으로 평가할 것인지, 잘못된 답변이 반복되면 어떤 기록을 확인해야 하는지 물었을 때 답변이 짧아졌습니다.모의면접에서도 비슷한 장면이 나옵.. 2026. 9. 23.
AI엔지니어 취업 모델 학습만으론 부족(데이터, 배포, 평가) AI 엔지니어 취업을 준비하는 학생의 포트폴리오를 검토할 때 처음에는 상당히 잘 준비된 것처럼 보이는 경우가 있습니다. 이미지 분류 모델을 만들었고, 자연어 처리 프로젝트도 진행했으며, 학습 정확도와 검증 정확도 그래프도 깔끔하게 정리되어 있습니다. 사용한 모델과 하이퍼파라미터, epoch에 따른 loss 변화까지 설명되어 있으면 머신러닝 공부를 꾸준히 했다는 점도 보입니다. 그런데 프로젝트를 조금 더 깊게 확인하면 예상하지 못한 빈틈이 나타납니다. 학습 데이터는 어디에서 왔는지, 누락값과 중복값은 어떻게 처리했는지, 학습용과 검증용 데이터를 어떤 기준으로 나눴는지 물으면 답변이 짧아지는 식입니다.모의면접에서도 비슷한 장면이 나옵니다. 모델 정확도가 90% 이상 나왔다고 설명한 뒤 새로운 데이터가 들어오.. 2026. 9. 22.
데이터베이스 취업 SQL 문법만으론 부족(설계, 성능, 운영) 데이터베이스 관련 취업을 준비하는 학생의 이력서나 포트폴리오를 보면 SQL 학습 내용을 가장 먼저 강조하는 경우가 많습니다. SELECT, JOIN, GROUP BY, 서브쿼리, 윈도 함수까지 공부했고 SQL 문제풀이 사이트에서 꾸준히 문제를 풀었다는 내용도 볼 수 있습니다. 그런데 프로젝트 데이터베이스 구조를 함께 살펴보면 예상하지 못한 빈틈이 나타날 때가 있습니다. 회원, 상품, 주문 데이터를 왜 각각 나누었는지 설명하지 못하거나, 조회 속도가 느려졌을 때 쿼리 문법만 계속 수정하려 하고, 실제 운영 중 데이터가 잘못 변경되거나 서버 문제가 발생했을 때 무엇부터 확인해야 하는지 답하지 못하는 경우입니다.처음 설명은 보통 JOIN을 사용할 수 있습니다, 복잡한 SQL을 작성할 수 있습니다 정도에서 끝납.. 2026. 9. 21.
데이터분석 취업 Python만으론 부족(SQL, 지표, 비즈니스) 데이터분석 취업을 준비하는 학생의 포트폴리오를 보면 Python으로 만든 결과물이 가장 먼저 눈에 들어오는 경우가 많습니다. pandas로 데이터를 정리하고, matplotlib이나 다른 시각화 도구로 그래프를 만들고, 결측치를 처리하거나 간단한 분석 모델을 적용한 프로젝트도 있습니다. 처음에는 준비가 잘 된 것처럼 보이지만 프로젝트 설명을 조금 더 깊게 들어가면 예상하지 못한 빈틈이 나타납니다. 분석에 사용한 데이터는 어디에서 가져왔는지, 필요한 데이터만 다시 조회해야 한다면 어떤 조건을 사용해야 하는지, 매출 증가율이나 재구매율 같은 지표의 기준을 어떻게 정의했는지, 그래프에서 숫자가 달라졌다면 실제 업무에서는 어떤 행동으로 이어져야 하는지 설명하지 못하는 경우입니다.처음 설명은 보통 Python으로.. 2026. 9. 20.

티스토리툴바