7개월의 여정, Kernel AI 부트캠프를 마치며

진정·2025년 11월 1일

“습관은 기질을 압도한다.”
매일 반복된 루틴과 꾸준함이 나를 완전히 다른 사람으로 만들어 놓았다.

시작 – 모르는 세계에 발을 들이다

2025년 3월, 나는 FastCampus Kernel AI 13기의 첫 수업을 들었다.
AI, 머신러닝, MLOps라는 단어들이 아직 낯설고 추상적이었다. 하지만 “AI를 사용하는 사람”이 아니라 “AI를 만들어내는 사람”이 되고 싶다는 마음 하나로 시작했다.

그때의 나는 Python 기본 문법도 제대로 모르던 상태였다. 처음엔 단순히 for문을 돌리고, DataFrame의 형태를 이해하는 데만 하루가 걸리기도 했다. 그럼에도 불구하고 매일 같은 루틴을 반복했다.

  • 오전 10시부터 오후 7시까지 수업
  • 저녁에는 복습과 실습 2시간
  • 자기 전 30분은 ‘오늘 배운 것 정리’

하루가 다소 빡빡했지만, 그 과정을 통해 ‘생각하는 습관’과 ‘문제를 정의하는 시선’을 얻게 되었다.

데이터 분석에서 ‘사고의 프레임’을 배우다

4~5월은 완전히 데이터 분석의 시기였다.
처음으로 서울시 공공데이터 기반 부동산 예측 대회에 참여했다. 이 대회는 단순히 모델의 점수를 높이는 경쟁이 아니라,데이터를 바라보는 관점을 훈련시키는 과정이었다.
처음에는 RMSE가 낮으면 좋은 모델이라 생각했다. 하지만 점수를 줄이는 것보다, 어떤 데이터를 넣고 왜 그렇게 처리했는지가 더 중요하다는 걸 알게 되었다.

  • 결측값을 단순 평균으로 채웠을 때와,
    도메인 지식을 반영해 처리했을 때의 차이
  • 변수 간 상관관계를 시각화했을 때 보이는 인사이트
  • Feature Engineering이 모델의 본질을 어떻게 바꾸는지

“EDA는 숫자를 보는 과정이 아니라, 데이터가 ‘말하는 것을 듣는 과정’이다.”

이때부터 ‘분석’은 단순한 기술이 아니라 현상을 이해하는 사고방식이라는 걸 느꼈다.

MLOps, AI 시스템을 만들다

6월은 나에게 터닝포인트였다. 이 시기부터는 단순 모델링이 아닌, AI 시스템 전체를 구성하는 과정으로 확장되었다.

AWS EC2 서버를 직접 세팅하고, Docker Compose로 Airflow, MLflow, MinIO를 구성했다. 하나하나 오류를 해결하면서 ‘운영 환경’의 복잡함을 몸소 느꼈다. 처음엔 단순히 “모델을 학습시킨다”는 개념이었지만, 이제는 데이터가 어떤 경로로 들어오고, 어떤 단계에서 전처리되고, 어떤 주기로 파이프라인이 실행되는지를 설계하게 되었다.
Airflow DAG이 성공적으로 실행되고 MLflow UI에서 실험 로그가 쌓이는 걸 봤을 때, “AI를 돌리는 사람이 아니라, AI를 관리하는 사람이 되었다”는 확신이 생겼다.

“AI는 모델을 만드는 게 아니라, 흐름을 설계하는 일이다.”

팀 프로젝트 – 협업과 소통의 기술

7~8월에는 팀 Fivers로 참여해 질병 예측 모델 구축 프로젝트를 진행했다. 단순한 개인 과제가 아닌, 서로 다른 역할이 하나로 이어지는 ‘시스템 협업’의 첫 경험이었다.

내 역할은 Airflow DAG 설계 및 MLflow 통합 관리였다. Docker 기반의 워크플로를 설계하면서 다른 팀원의 데이터 전처리 파이프라인과 연결해야 했고, 모델 성능 로그를 MLflow로 통합 관리했다.
이 과정에서 알게 된 건 기술보다 소통의 중요성이었다. 서로의 코드를 이해하지 못하면, 시스템은 제대로 돌아가지 않았다. 그래서 우리는 매일 짧은 회의로 코드의 흐름을 공유했고,PR 리뷰를 통해 코드 품질을 높였다.

프로젝트 후반부에는 EC2에 올린 Airflow에서 팀원들의 워크플로우가 실제로 스케줄링되는 걸 보며 “이제 진짜 서비스처럼 돌아가는 AI를 만들었다”는 감각을 얻었다.

협업은 코드의 합이 아니라, 이해의 합이었다.

개인 프로젝트 – 현장에서 작동하는 AI

9월부터는 개인 프로젝트를 진행했다. 주제는 내가 실제로 근무 중인 Nomad Math 학원 데이터 분석 시스템이었다. 단순히 공부를 위한 프로젝트가 아니라, 실제 사람이 사용하는 AI 서비스를 만드는 것이 목표였다.

프로젝트 목표

  • 구글 시트 데이터를 자동으로 불러와
  • 학생별 학습 리포트를 분석하고
  • PDF로 변환해 선생님들이 바로 확인할 수 있도록 하기

이 시스템은 Python + Google API + GPT API를 조합해 구현했다. 각 학생의 데이터를 JSON으로 변환하고, 프롬프트 템플릿을 설계해 GPT가 분석 문장을 생성했다. 이후 PDF 템플릿에 데이터를 삽입해 실제 보고서 형태로 자동 생성했다.

⭐️ 7개월 동안 배운 것들

이 7개월 동안 나는 “코드를 배운 것”보다 “문제를 정의하고 해결하는 방식”을 배웠다.

  1. 흐름 중심 사고

    • AI는 코드의 조각이 아니라 하나의 흐름이다.
      데이터를 수집하고, 변환하고, 학습시키고, 기록하는 모든 단계가 연결되어 있다.

  2. 협업의 기술

    • 혼자 잘하는 사람보다 함께 완성할 줄 아는 사람이 중요하다.
      팀워크가 프로젝트의 품질을 결정한다.

  3. 기술은 수단, 목표는 명확해야 한다

    • 새로운 라이브러리를 배우는 게 목적이 아니라,
      그것으로 무엇을 해결할지 스스로 정의해야 한다.

앞으로의 방향

이제는 배운 것을 현실에 녹이는 일을 시작하려 한다. 단순히 AI를 “만드는 사람”을 넘어, AI로 “운영 시스템을 설계하는 사람”이 되고 싶다.

  • 학원 데이터 AI 분석 시스템 고도화
    → 데이터 실시간 수집, 자동 PDF 리포트, Notion 연동
  • MLOps + LLM 통합 파이프라인 구축
    → 오픈소스 LLM 파인튜닝 및 API 연동 실험
  • AI SaaS 서비스화
    → 교육기관 운영자가 직접 쓸 수 있는 ‘실무형 AI 분석 플랫폼’ 구축

이제 나는 “코드를 배우는 사람”이 아니라, “AI로 문제를 해결하는 엔지니어”로 나아가고 있다.

🧭 마무리하며

7개월 동안 나는 수많은 실패와 성공을 겪었다. 코드가 안 돌아가서 하루를 통째로 날리기도 했고, 하나의 모델이 돌아가서 새벽까지 흥분했던 날도 있었다. 그 모든 순간이 지금의 나를 만들었다.

Kernel AI 부트캠프는 단순한 교육 과정이 아니었다. AI 엔지니어로서의 첫 번째 여정, 그리고 ‘나라는 시스템’을 성장시킨 7개월이었다.
앞으로도 나는 이 여정을 멈추지 않을 것이다.데이터를 다루며, 모델을 설계하며, 사람의 삶 속에서 작동하는 AI를 만들 것이다.

📎 Reference & Links

profile
진정
이전 포스트

상품 구매 예측 및 추천 대회(Commerce Purchase Behavior Prediction)

0개의 댓글