ai직무4 AI서비스 기획과 일반 서비스 기획 차이(모델, 데이터, 평가) AI 서비스 기획 직무를 준비하는 취업 준비생의 포트폴리오를 함께 점검하다 보면 화면 구성과 사용자 흐름은 잘 만들어져 있는데, 정작 AI가 예상과 다른 결과를 만들었을 때 어떻게 처리할 것인지가 빠져 있는 경우가 있습니다. 사용자가 질문을 입력하면 AI가 답변하고, 답변을 저장하거나 다시 생성하는 기능까지는 상세하게 기획되어 있지만 모델이 잘못된 정보를 생성했을 때 어떤 문구를 보여줄지, 근거가 부족한 질문에서는 어디까지 답변하게 할지, 같은 질문에 조금 다른 결과가 나와도 정상으로 볼 수 있는지는 정리되지 않은 식입니다. 일반적인 서비스 기획에서는 회원가입이 성공했는지, 결제가 정상적으로 끝났는지처럼 비교적 명확한 성공과 실패 조건을 정의할 수 있습니다. 하지만 생성형 AI 서비스에서는 같은 입력에도.. 2026. 10. 21. KT AI서비스 확대와 주목 직무(클라우드, 데이터, 에이전트) KT의 AI 관련 직무를 준비하는 취업 준비생의 프로젝트를 함께 점검하다 보면 생성형 AI 서비스를 만들어본 경험은 있는데, 그 서비스가 실제 기업 환경에서 어떤 인프라와 데이터를 사용하고 어떻게 운영되는지까지 설명하는 단계에서는 답변이 짧아지는 경우가 있습니다. LLM API를 연결해 챗봇을 만들었고 RAG 프로젝트도 진행했지만, 모델이 어느 환경에서 서빙되는지, 서비스 사용량이 늘어나면 어떤 자원을 확인해야 하는지, 에이전트가 어떤 데이터와 업무 시스템을 사용할 수 있는지를 질문하면 각각 별개의 기술처럼 받아들이는 식입니다. 반대로 클라우드와 데이터 관련 기술을 공부한 취업 준비생 중에도 비슷한 문제가 나타납니다. Azure와 AWS에서 서버를 배포하고 SQL과 데이터 파이프라인도 경험했지만, AI .. 2026. 10. 20. AI 직무 취업 Python 다음 학습(데이터, ML, 배포) AI 직무를 준비하는 취업 준비생의 학습 과정과 프로젝트를 함께 점검하다 보면 Python 문법과 기본 라이브러리는 상당히 익숙한데, 그다음 무엇을 공부해야 하는지에서 방향이 갈리는 경우가 있습니다. 변수와 함수, 클래스까지 학습했고 NumPy와 Pandas도 한 번씩 사용했지만 바로 딥러닝 강의로 넘어가야 하는지, SQL과 데이터 전처리를 더 공부해야 하는지, 아니면 PyTorch로 모델부터 만들어야 하는지 판단하지 못하는 식입니다. 조금 더 진행한 경우에는 머신러닝 모델까지 만든 경험이 있는데도 비슷한 문제가 나타납니다. 캐글이나 공개 데이터셋을 이용해 분류 모델을 학습하고 정확도를 비교했지만, 새로운 데이터가 들어오면 어떤 전처리가 다시 필요한지, 학습한 모델을 다른 사용자가 실제로 이용하려면 어떻.. 2026. 10. 18. AI개발자와 AI엔지니어 업무 차이(모델, 서비스, 인프라) AI 관련 직무를 준비하는 취업 준비생의 포트폴리오와 채용공고를 함께 점검하다 보면 프로젝트는 분명 AI를 활용했는데 자신이 AI 개발자와 AI 엔지니어 중 어느 방향에 가까운지 설명하지 못하는 경우가 있습니다. Python으로 데이터를 전처리하고 모델을 학습한 뒤 정확도를 비교한 경험이 있어 AI 개발자를 준비한다고 생각했지만, 다른 프로젝트에서는 이미 만들어진 모델을 API로 연결하고 웹서비스에 배포하는 역할을 더 많이 담당한 경우도 있습니다. 프로젝트 이름은 모두 AI였지만 실제로 수행한 업무는 서로 달랐던 것입니다.면접 질문에서도 차이가 드러납니다. 모델의 성능을 개선하기 위해 어떤 데이터를 추가했고 왜 특정 평가 지표를 사용했는지 묻는 질문에는 답변할 수 있지만, 사용자가 동시에 많이 접속했을 .. 2026. 10. 1. 이전 1 다음
