학습 목표

1. DX와 AX의 특징을 말할 수 있다.
   → IT/코딩 분야의 학습 방법: '말할 수 있어야' 함
   → 최근에는 데이터 사이언스, AI라는 말 보다 Data Transformation, AI Transformation이란 표현을 더 사용한다고 함
2. 인공지능분야 엔지니어의 직무 능력을 말할 수 있다.

DX와 AX의 특징

DX란?

DX의 정의

• 디지털 트랜스포메이션(Digital Transformation)의 약자
  • Digital Transformation의 이니셜은 DT지만 영미권에서는 접두사 Trans를 X로 쓰는 관습이 있고, Trans에는 '~를 가로지른다'는 의미가 있어 동의어 'Cross'를 생략할 때 사용하는 X를 약칭으로 사용해 DX로 표기
    → DX는 쉽게 빅데이터라고 생각하면 됨!
• 전반적인 모든 비즈니스 요소에 디지털 기술을 활용해 조직 문화, 비즈니스 모델, 산업 구조 등을 혁신하고 변화하는 과정을 의미
  → 비즈니스 요소 == 도메인 지식
• 기업이 인공지능, 클라우드, 빅데이터 등 디지털 기술을 활용하여 업무 프로세스를 개선하고 새로운 비즈니스 모델을 창출하며, 시장 변화에 빠르게 대응하는 것을 말함

DX의 필요성: 생존

• 비즈니스 변화 속도가 빨라졌기 때문
• DX가 잘 된 회사들은 회사 내 데이터를 새로운 기술과 결합하면서 데이터 기반으로 문제 해결에 대한 유의미한 결정을 내림
• 기업들은 디지털에 맞는 조직 문화, 비즈니스, 커뮤니케이션 등 여러 분야에 디지털 전환을 효율적으로 수행하여야만 살아남을 수 있게 됨

비즈니스 변화 속도의 변환점: 생산을 어디서 하는가? 유통 경로가 어떠한가?
지금은 AI와 빅데이터를 명확하게 나누지 않고 DX와 AX가 융합됨

DX의 발전 순서

1단계: 디지털 인프라 구축 단계

• 디지털 제품을 기반으로 제품을 출시하고 인프라 기반을 구축했던 단계
  • 1990년대 말 ~ 2000년대 초
    (학자에 따라 1980년대 말부터 시작되었다고 보기도 함)
• 인터넷이 본격적으로 도입되면서 PC 중심으로 구축한 인프라를 통해 아날로그 정보를 다지털 정보로 전환하기 시작한 것
  • 서버의 도입이 본격적으로 이루어진 시기: 웹서버
    

2단계: 디지털 비즈니스 추진 단계

• 이커머스 탄생과 디지털 비즈니스 수립의 단계
  → 옥션, G마켓
  • 2000년대 초부터 2010년 초
• 업무 프로세스의 효율화를 꾀했던 단계
• 인터넷을 기반으로 한 디지털 비즈니스 전략을 추진함

3단계: 디지털 트랜스포메이션 전환 단계

• 비즈니스 모델 및 경영 전략의 디지털 트랜스포메이션(DX) 단계
  • 2010년 초반 이후부터 현재
• 빅데이터, 인공지능, 클라우드, 블록체인 등 새로운 기술을 인프라나 시스템에 적용하고 제품과 서비스를 결합하거나 새로운 서비스를 발명하여 비즈니스를 혁신함

AX란?

AX의 정이

• AI 트랜스포메이션(Artificial Intelligence Transformation)의 약자
• 기업이나 조직이 비즈니스 모델, 프로세스 및 시스템 전반에 걸쳐 인공지능 기술을 적용하여 혁신과 경쟁력을 높이는 과정
• DX보다 한 발 더 나아가 인공지능을 통해 산업을 구성하고 변환함
  • DX: 디지털 기술을 통한 산업의 변화를 의미

AX의 영역 확장 ★

• 최근 트랜드는 AX 안에 DX를 포함시키는 상황
  • AX라는 산업 도메인이 빅데이터를 흡수/통합하는 상황이 가속되고 있음
• 대부분의 IT기업 리더들의 연설을 보면 DX(빅데이터)는 AX(또는 AI)의 하부 구성요소라는 뉘앙스로 사용하고 있음
  • "AI를 다음 세대의 더 나은 미래 만드는 도구로"
    • 2024년 5월 21일, AI 서울 정상회의, 이재용
  • "ChatGPT도 머신러닝과 딥러닝 알고리즘을 사용해 빅데이터를 학습하여 훈련되었습니다."
    • 2022년 10월 21일, 모두의 연구소, 박성돈

AX에 대한 다른 시각

• 2025년 현재 IT업계의 종사자들 중 개발자의 공포는 'AI발전이 개발자의 직무를 대체할 것인가'로 요약할 수 있음
  • 일부 기업이 초급~중급 개발자를 정리해고 한 기사가 유발한 공포심

Q. 과연 개발자의 영역을 AI가 급속히 대체할 수 있을까요?
A. 이 질문은 개발자가 특정 도메인을 잘 이해하고 특별한 이벤트와 독특한 환경에서 솔루션(서비스) 사용자의 새로운 요구사항을 구현해 내는 것은 어렵기 때문에 의문을 갖습니다.
→ 단순 비즈니스 로직은 AI가 만들 수 있지만 외부 요인이 다양하고 중첩되게 발생하는 것을 모두 처리할 수 있을지는 의문이기 때문에 대체는 아직 어려워 보임

AI의 분야 직무 능력의 특징

직무란?

직무의 정의

• 직책이나 직업에서 맡고 있는 일, 즉 업무를 의미
• 조직 내에서 개인이 수행하는 구체적인 업무 내용과 책임을 지칭
• 맡아 하는 일, 즉 직업으로서의 역할을 의미
  • 업무: 날마다 계속해서 하는 공무나 사업 등을 말함

AI 분야의 직무

방향

• AI 분야의 특성이 매우 빠르게 변화함을 인식해야 함
• 2020 - 2025년까지의 IT분야에서 AI와 빅데이터의 트랜드가 변화한 것을 이해해야 함
  • 2020년: 빅데이터가 기업의 운영에 큰 이슈
  • 2021년: 빅데이터와 AI가 비슷한 크기로 이슈화 됨
  • 2022년: 빅데이터보다 AI가 더 커지기 시작함
  • 2023년: AI가 잠식하면서 AI 안에 BigData가 포함되어 인식되기도 함
  • 2024년: AX가 일반화 됨
  • 2025년: 일반인공지능의 개념이 확산되고 더불어 인공지능 안전법 제정됨
    • 일반인공지능(General) → 모든 전자기기에 인공지능 칩이 탑재되어 상호학습 및 의견/의사소통
    • 예: 스마트폰, 냉장고, TV, 세탁기 등 기기 전반에 인공지능 관련 서비스가 탑재된 채로 출시

개발자와 AI 엔지니어의 직무 차이점

• 개발자: 솔루션(서비스)을 개발하고 사용자의 평가에 의해 솔루션을 개선하는 것이 주요 직무
  • 개발 쪽에서는 '개선'이라는 표현보다 "유지보수"라는 말을 더 많이 사용
• AI 엔지니어: 모델의 개발 및 튜닝에 소요되는 알고리즘 등의 향상을 하는 것이 주요 직무
  • 모델 == 지식이 축적된 뇌

개발자와 AI 엔지니어는 미세한 차이가 있음(큰 차이는 아님)
솔루션을 개발할 때의 '개발'과 모델을 개발할 때의 '개발'은 차이가 있음
모델 개발 과정에 몇 단계가 더 추가됨 → 모델 학습 및 추론, 테스트, 튜닝 과정

개발자와 AI 엔지니어 커리어 빌드 업

개발자

• 복수의 프로그래밍 언어, 운영체제, 데이터베이스, UI 등의 지식을 학습
  • C, C++, Java, Python 모두 알아둘 것!
    • Object-oriented programming (OOP): 객체지향 → Java, C++, C#, Python, Ruby 등
    • Procedural programming: 절차적 → C
    • C: AOT(Ahead Of Time) 컴파일 언어 / 비관리 언어 / 정적 타입 언어
    • JAVA: JIT(Just-In-Time) 컴파일 언어 / 관리 언어 / 정적 타입 언어
    • Python: 인터프리터 언어 / 관리 언어 / 동적 타입 언어
• 프로젝트, 인턴십 등을 통해 구체성과 진실성을 말할 수 있을 수준의 솔루션(서비스) 제작 경험을 보유해야 함
  • 자기가 만든 프로젝트에 대해 전부 설명할 수 있어야 함
    • 웹개발 UI를 만들 때 사용한 언어는? HTML은 웹 페이지의 구조를, CSS는 웹 페이지의 스타일을, JavaScript는 웹 페이지의 동적 기능을 담당
• 솔루션 제작 경험을 기반으로 환류 체계(feedback)을 거쳐 자체평가에 의한 개선 작업까지의 경험을 말할 수 있으면 매우 유리
  • 예: 한전 개발 직군 채용 평가위원, 면접위원 사례
  • 수정 가능성을 항상 열어두어야 함
    • 개선점을 지적하는 상황을 능동적으로 받아들이고 수정
    • 지적 사항을 수용해서 진보된 결과물로 개선시킬 수 있어야 함

AI 엔지니어

• 프로그래밍 언어, 운영체제, 데이터베이스, UI뿐 아니라 수학(통계) 지식을 학습
• 프로젝트, 인턴십 등을 통해 구체성과 진실성을 말할 수 있을 수준의 솔루션(서비스) 제작 경험을 보유해야 함
• 솔루션 제작 경험을 기반으로 환류 체계(feedback)을 거쳐 자체평가에 의한 개선 작업까지의 경험을 말할 수 있으면 매우 유리
  • 예: A기업 AI 엔지니어 채용 면접위원 사례
  • 파인튜닝(Fine-tuning) → 작업별 데이터 세트에서 Fine-tuning하면 특정 도메인이나 작업에 맞게 조정하여 보다 정확하고 관련성 높은 출력을 생성할 수 있음
    → 고객의 니즈를 파인튜닝에 잘 적용시킬 수 있는 능력을 갖추는 것이 중요

→ 처음부터 DeepSeek 같은 거대 회사의 모델에 버금가는 모델을 만들려고 하는 게 아니라 그러한 대형 모델이 어떤 아키텍쳐를 갖고 있는지 이해하고 다양한 데이터를 이용해 어떤 깊이만큼 학습을 시켰을 때 유의미한 결과가 나오는가를 많이 경험해보아야 함: 모델링 연습을 많이 해보기, 학습을 많이 시켜보기
→ 차원을 너무 높게 가지지 말고 할 수 있는 것을 열심히!

인공지능 분류별 직무 개요

• NCS 및 학습모듈검색\정보기술\인공지능 카테고리
  • 인공지능플랫폼구축
  • 인공지능서비스기획
  • 인공지능모델링
  • 인공지능서비스운영관리
  • 인공지능서비스구현
  • 인공지능학습데이터구축

→ 직무 교육/학습을 일치시키기 위해 NCS가 등장: 어떤 지식을 바탕으로 교육/비즈니스를 할 것인지 체계적으로 능력을 나눈 것
→ 자신이 갈 분야에 대한 탐색을 미리 진행할 것

'인공지능플랫폼구축' 직무

정의

• 인공지능 서비스의 요구사항을 구현하기 위해 기존 플랫폼의 활용, 인프라, 기능, 인터페이스를 구축하고 최적화
• 직무 하위 모듈: 직무를 교육장/업계에서 배우고 급여를 받으려면 적어도 해당 능력 단위에 무엇이 기술되어 있는지, 능력 단위에서 어떤 직무를 탑재해야만 하는지를 정의함
  • 지식은 어떤 게 필요한지, 기술은 어떤 게 필요한지 파악할 수 있음

→ 분홍색 표시한 내용은 응용SW엔지니어 직무와 공통 분모로 배치된 능력
→ 요구사항 분석/품질 관리/유지 관리의 중요성: 최우선으로 알아야 함
→ AI기획자/AI개발자/백엔드 개발자/프론트엔드 개발자 모두 "엔지니어"로 묶을 수 있음: 엔지니어는 남이 무슨 말을 하는지 잘 듣는 것이 기본!(고객의 이야기를 잘 듣고 피드백하는 것 == 요구사항 분석)

'인공지능 서비스구현' 직무

정의

• 기획 목적에 부합하는 인공지능서비스를 구축하기 위해 모델링 결과를 플랫폼 환경에서 분석, 설계, 개발, 테스트, 이행하는 일

→ 인공지능플랫폼구축 직무와 유사한 부분(공통분모)이 많음

→ 서비스구현 직무만의 특징: 서비스는 연결성도 고려해야 함

'인공지능 모델링' 직무

정의

• 기획된 인공지능 서비스의 목적을 달성하기 위해 학습 데이터를 확보, 가공, 특징 추출, 품질 검증, 학습을 통해 최적화된 모델을 도출하고 활용하는 일

직무 기술서

• 개념: 해당 직무의 목적과 업무의 범위, 주요 책임, 요구 받는 역할, 직무 수행 요건 등 직무에 관한 정보를 NCS를 활용하여 기술한 문서
• 활용 방법: NCS 활용패키지의 직무기술서 내용은 다양한 기업, 현장의 공통적인 내용을 표준화한 것으로 개별 기업(관)에 맞게 변형하여 활용 필요
• 구성 요소
  • 직무, 능력단위분류번호, 능력단위, 직무목적, 직무 책임 및 역할, 직무수행요건으로 구성
  • 추가 정보 제공을 위해 개발·개선 날짜, 개발·개선 기관을 추가 제시

인공지능 모델 문제 정의 직무

기본정보

• 프로그램/서비스/모델 제작 시 모델을 실제 사용할 사람들의 기대를 정확히 인식하고 만들어야 함
  • 내가 만들고 싶은 걸 만드는 게 아님!

point
모델링 목표
요구사항 분석
인공지능 후보 모델 도출

주요업무별 책임 및 역할

수행 요건

• 지식: 교과서에 정리되어 있으니 읽어보고 모르면 질문/공부

• 기술: 내가 해야 하는 것

• 요구사항 정의서(Software Requirements Specification) 작성 기술 ★
  

  • 일반적인 엔지니어는 동그라미 친 내용만 집중하는 경향을 보임
  • 하지만 어떤 시스템/서비스/모델을 만들고자 할 때 '어떤 요구사항에 의해 근거해 만들어야 하는지' documentation하는 과정은 꼭 필요함 → Specification
  • 작성한 문서에 대해 문서번호/revision 번호/버전 번호 기재 및 목록화
    • 다음 번 리뉴얼/유지관리/품질관리/품질개선에 이용 → 프로그램은 한 번 짜고 끝이 아님!
    • 엔지니어의 산출물은 절대 일회성이 아님: 계속 개선/향상/version up 목표로

요구사항 정의서 예시

• 태도 ★★★: 내가 해야 할 행동/action
  
  • 다양한 모델들을 적극적으로 검토하는 노력
  • 정확성과 완전성을 확보하려는 의지

인공지능 데이터 전처리 직무

기본정보

• 학습을 위한 데이터를 필터링하는 과정에서 모델을 설계하는 것보다 중요한 부분이 있음
• 인공지능에서만 쓰는 것도 아님
  • 사람이 입력하는 자료에 대한 검증/전처리/필터링 → 다른 분야에서도 필수적
• 정제, 변환, 통합, 축소, 라벨링, 비식별화 → 해야 할 일이 많고 힘든 편
  • 라벨링 예시
    

주요 업무별 책임 및 역할

직무 수행 요건

→ 데이터 전처리 능력이라는 능력 단위에서 요구되는 내용이 치밀한 이유: 잘못된 데이터/경험으로 학습이 된(만들어진) 모델은 그릇된 결과를 도출할 확률이 높기 때문

인공지능 하위 분류별 직무의 특징

• 인공지능서비스기획 → 예전에는 '시스템기획'이라 했음
  • 서비스기획 직무의 특징
    • 기획 직무는 개발과 연구에 대한 이해를 기반으로 프리젠테이션과 파이낸싱, 사용자 요구사항 등을 총체적으로 이해해야 함
• 인공지능모델링
  • 모델링 직무의 특징
    • 응용프로그램 개발자 업무에 더해서 수학, 통계학 지식을 포함한 연구개발의 태도를 병행해야 함

→ 서비스기획과 모델링의 차이 알아두기