요즘 내 머릿속에는 두 갈래의 욕구가 동시에 있다.

  • 하나는 AI 엔지니어링을 제대로 이해해보고 싶다는 욕구
  • 다른 하나는 AI를 활용한 실습 프로젝트를 해보고 싶다는 욕구

이 글에서는 두 번째(프로젝트)보다는 첫 번째에 집중하려 한다. 지금 내가 더 궁금한 건 “무엇을 만들까?”가 아니라, 왜 지금 이 시기에 AI 엔지니어링을 배우고 싶어졌는가다. 내가 나를 설득하지 못하면, 어떤 계획도 오래 못 간다. 자명하다. 그런데 “왜 AI 엔지니어링을 배우고 싶은가?” 라는 질문에 대해, 누가 푹 찌르면 단단하게 답할 정도로 정리해본 적은 없었다. 그래서 이 글은 그 생각을 정리하기 위한 기록이다.

변화가 빠를수록, 기본기는 더 중요해진다

처음엔 “업무에서 AI를 잘 쓰면 되지”라는 마음이 컸다. 뉴스나 아티클, SNS를 보면서 최신 트렌드를 따라가고, 그때그때 필요한 도구와 기법을 익히면 충분하다고 생각했다. 그런데 어느 순간부터 피로감이 쌓였다. AI 사용법은 너무 빨리 바뀌고, 정답도 자주 바뀐다. 오늘 먹히던 방식이 내일은 시시해지거나, 더 좋은 패턴이 바로 등장한다. 이 지점에서 생각이 바뀌었다.

  • 단기적으로는 트렌드를 캐치하는 감각이 필요하다.
  • 하지만 장기적으로는, 개인이 할 수 있는 수준(독학, 책 읽기)에서라도 “AI가 왜 그렇게 동작하는지” 같은 원리를 익혀두는 게 도움이 되지 않을까?

웹 개발을 배울 때도 비슷했다. 자바스크립트 문법 같은 기본기는 시간이 지나도 내 편이었다. 프레임워크는 바뀌어도, 기본기가 있으면 새 환경에 적응하는 속도가 달라졌다.

지금 내가 AI에서 찾는 것도 결국 그 감각과 비슷하다. 시시각각 변하는 흐름에 흔들리지 않으면서, 혼란 속에서도 판단하고 적응하는 능력. 운동으로 치면 기술 한 가지가 아니라, 코어 근육과 체력 자체를 키우는 느낌이다.

내가 원하는 코어는 “문제 해결” 7, “원리 이해” 3

이 글을 쓰면서 더 명확해진 게 있다. 내가 원하는 코어는 아직까지는 제품 중심, 즉 문제 해결 중심이다.

나는 지금 “모델을 새로 발명하는 사람”이 되고 싶다기보다, 나와 주변(세상, 고객)의 문제를 더 잘 해결하는 사람이 되고 싶다.

내가 겪는 문제는 대체로 이런 종류다.

  • 사용자는 문제를 말로 설명하지만, 요구는 자주 바뀐다.
  • 기능은 빨리 만들어야 하지만, 품질과 비용, 안정성은 함께 챙겨야 한다.
  • AI를 붙이면 뭔가 좋아질 것 같지만, 실제로는 애매하게 흔들리거나 실패한다.

여기서 내가 원하는 실력은 “유행을 외우는 능력”이 아니라 이런 능력이다.

  • 이 문제에 AI가 맞는지 아닌지 판단하는 능력
  • 맞다면 어떤 방식(RAG, 툴 사용, 워크플로우, 평가, 운영)으로 풀어야 하는지 결정하는 능력
  • 실패했을 때 감으로 때우지 않고, 다음 시도를 설계하는 능력

그래서 나는 문제 해결 코어 7, 원리 코어 3이 지금의 나에게 가장 현실적인 균형이라고 결론 내렸다. 원리를 아예 포기하는 게 아니라, “제품을 더 잘 만들기 위한 원리” 정도로 붙잡아 두는 비율이다.

AI, 머신러닝, 딥러닝, 그리고 AI 엔지니어링

용어가 섞이면 방향도 쉽게 흐려진다. 그래서 내가 이해한 범위를 간단히 정리해본다.

  • AI(인공지능): 인간의 학습, 이해, 문제 해결 같은 능력을 컴퓨터가 흉내 내도록 만드는 기술 전반
  • 머신러닝(ML): AI의 하위 분야. 규칙을 직접 코딩하기보다, 데이터에서 패턴을 학습해 예측/결정하는 방식
  • 딥러닝(DL): ML의 하위 분야. 다층 신경망(뉴럴 네트워크) 기반 학습 방식. 최근 생성형 AI와 LLM의 중심

그리고 AI 엔지니어링은 “모델 자체”만을 뜻하지 않는 경우가 많다. 특히 최근에는 파운데이션 모델(LLM 등)을 활용해 실제 제품을 만들고 운영 가능한 수준으로 만드는 과정을 포함해 말하는 경우가 많다.

즉, 내가 관심 있는 AI 엔지니어링은 대략 이런 질문들에 가깝다.

  • 이 기능을 만들 때 모델을 어떻게 선택할까?
  • 데이터는 어디서 가져오고, 어떻게 연결할까?
  • 평가를 어떻게 해서 품질을 관리할까?
  • 운영 중에 깨지는 지점(회귀, 비용 폭증, 환각, 안전성)을 어떻게 다룰까?
flowchart TB
  AI["AI<br/>인공지능"] --> ML["ML<br/>머신러닝"]
  ML --> DL["DL<br/>딥러닝"]
  DL --> FM["Foundation Models<br/>LLM · 멀티모달"]

  subgraph Roles["역할(직무) 관점"]
    RS["AI Researcher<br/>새 알고리즘 · 모델 연구"]
    MLE["ML Engineer / Applied Scientist<br/>학습 · 서빙 · 파이프라인"]
    AIE["AI Engineer (GenAI)<br/>FM 활용 기능 개발 · 평가 · 운영"]
    OPS["MLOps / GenAIOps(LLMOps)<br/>배포 · 모니터링 · 거버넌스"]
  end

  AI --- RS
  ML --- MLE
  FM --- AIE
  ML --- OPS
  FM --- OPS

“흔들리지 않는 중심”이 목적이라면, AI 엔지니어링이 맞을까?

여기서 남는 질문은 이거다.

“흔들리지 않는 중심”이 목표일 때, 내가 배우려는 것이 정말 AI 엔지니어링이 맞나?

지금 내 결론은 “아마도 맞다, 다만 전부는 아니다”에 가깝다.

  • 내가 원하는 코어가 제품/시스템 중심(문제 해결 7) 이기 때문에, AI 엔지니어링은 잘 맞는 편이다.
  • 다만 “원리 이해 3”을 위해서는, AI 엔지니어링만으로는 갈증이 남을 수 있다. 그래서 ML/DL의 기본 개념과 직관은 최소한으로라도 함께 가져가고 싶다.

결국 목표는 “AI를 공부했다”가 아니라, 변화가 빠른 환경에서도 흔들리지 않고 문제를 풀 수 있는 내가 되는 것이다.

내가 이 흐름을 타고 여기까지 온 이야기

돌아보면 나는 시대 흐름을 어쩌다 잘 탔다. 운이 좋았다. 2020년에 개발을 독학했고, 2021년 부트캠프를 거쳐 그해 말 취업에 성공했다. 이후로 개발자 시장이 계속 내리막길이라고 느낀 순간도 많았다. 그럼에도 내가 무너지지 않았던 이유는, 내가 정말 좋아하는 일(내가 원하는 삶)을 하고 있다는 마음이 있었다는 점이다. 그게 아니었다면 시장 트렌드가 변할 때마다 정신적으로 더 힘들었을 거라고 생각한다.

앞으로 해볼 것

  • 내가 말하는 “AI 엔지니어링”의 범위를 더 명확히 하기.
    • 내가 원하는 것은 연구 중심인지, 제품 중심인지, 어디까지 포함되는지?
  • “문제 해결 코어 7”에 맞는 학습 루트를 구체화하기.
    • (책 읽기, 간단한 실험, 평가/운영 관점의 체크리스트 만들기 등)
  • 이 과정을 혼자 끌고 가지 않기 위해, AI 엔지니어링 북스터디를 열어볼 계획이다.
    • 모집 글은 이 글이 아니라, 별도의 글에서 정리해서 올릴 생각이다.

References