홍정모의 AI 공부 로드맵을 보고 남긴 첫 메모는 프로그래밍, 수학, AI라는 순서였다. 리서치 업무에 AI 자동화를 붙이는 내 입장에서는 도구를 다룰 줄 아는 것과 결과를 설명하는 능력 사이의 간격이 더 신경 쓰였다. 실행은 되는데 결과가 달라지는 이유를 설명하지 못하면 새 모델이 나올 때마다 처음부터 확인해야 한다.
영상은 공부의 큰 범위를 잡는 출발점이다. 아래 과제와 완료 기준은 그 범위를 내 업무에 맞춰 다시 설계한 제안이다. 홍정모가 제시한 취업 보장 공식이나 내가 전 과정을 이수한 결과로 읽으면 안 된다. 원문에 적었던 AI 채용 반등, 신입 연봉 상승, 해고 뒤 재채용 주장은 확인할 통계와 기간이 없어 학습 근거로 사용하지 않았다.
먼저 정할 것은 만들고 싶은 결과물이다
AI를 공부한다는 말에는 여러 목표가 섞인다. 리서치 담당자가 보고서의 표를 정리하는 일, 개발자가 검색 서비스를 만드는 일, 연구자가 모델 학습 방법을 바꾸는 일은 필요한 깊이가 다르다. 강의 목록을 고르기 전에 세 달 뒤 보여줄 결과물을 한 문장으로 써두면 과목을 고르기 수월하다.
리서치 자동화라면 “공개 설문 데이터를 읽어 결측치를 확인하고 집단별 결과와 주의점을 출력한다” 정도로 시작한다. 검색 서비스라면 “공개 문서 열 개에서 근거 문단을 찾고 문서 이름과 위치를 반환한다”라고 정한다. 모델을 학습하려는 사람은 작은 공개 데이터에서 학습·검증 과정을 재현하고 실패 조건을 설명하는 목표가 맞는다.
처리 시간보다 실패했을 때 알아차릴 방법을 먼저 적는다. 숫자 열에 문자열이 섞여도 평균을 내는 코드, 문서에 없는 답을 매끄럽게 생성하는 검색기는 화면만 보면 완성처럼 보인다. 첫 프로젝트 요구사항에는 잘못된 입력을 받으면 멈추거나 답을 보류하는 조건을 넣는다.
| 현재 상태 | 첫 결과물 | 뒤로 미뤄도 되는 학습 |
|---|---|---|
| 코드를 읽기 어려운 비개발자 | CSV 한 파일을 읽고 검사하는 프로그램 | 대규모 모델 학습과 분산 처리 |
| 업무 코드를 작성하는 개발자 | 테스트와 출처가 붙은 작은 검색 서비스 | 직접 필요하지 않은 비전 모델 전체 과정 |
| 모델 학습을 목표로 하는 사람 | 기준 모델과 개선 모델의 비교 기록 | 성능을 확인하기 전의 서비스 화면 꾸미기 |
이 구분은 직무의 우열을 나누려는 목적이 없다. 지금 결과물과 연결되지 않는 과목을 잠시 미뤄두자는 뜻이다. 채용 공고를 참고한다면 관심 직무 몇 개에서 반복되는 실제 업무와 필수 기술을 확인한다. 영상 하나의 조언으로 채용 시장 전체를 판단하지 않는다.
프로그래밍 기초는 입력과 오류를 다루는 데서 확인한다
Python 문법을 읽었다면 작은 파일 처리 과제로 이해도를 확인한다. 행을 읽어 목록에 담고, 필요한 열을 고르고, 빈 값과 잘못된 값을 구분해 출력한다. 같은 입력을 다시 넣었을 때 같은 결과가 나오는지 검사하고 파일이 없을 때의 오류도 처리한다. Python 공식 자습서에서 함수, 자료구조, 파일 입출력, 예외 처리를 찾아 읽을 이유가 여기 생긴다.
공개 설문 연습 파일에 respondent_id, age, score가 있다고 가정하자. score의 빈칸을 0으로 바꾸면 미응답자와 실제 0점을 준 사람을 섞게 된다. 프로그램은 값이 없는 행 수를 별도로 보고해야 한다. 중복 응답자도 확인한다. 이 열과 데이터는 연습을 위해 설정한 예시이며 회사 자료를 사용한 결과가 아니다.
자료구조는 시험 문제와 연결하기 전에 코드에서 선택해본다. 응답자 중복 검사를 목록 순회로 할지 집합으로 할지, 응답자별 점수를 사전에 모을지 결정하고 이유를 적는다. 자료가 늘어날 때 같은 비교를 몇 번 수행하는지도 계산한다. 알고리즘을 안다는 기준을 문제 풀이 개수에만 두지 않게 된다.
원문에는 Python만으로 부족하고 C/C++ 전문성이 필수라고 적었다. 목표 업무를 구분하지 않은 과한 표현이었다. Python과 데이터 도구로 시작하는 경로도 있으며, Google의 머신러닝 입문 과정은 Python·NumPy·pandas 경험을 준비 항목으로 안내한다. 시스템 성능, 메모리 제어, 추론 엔진을 다룰 때 C/C++ 학습의 우선순위를 높이는 편이 타당하다. Google 과정의 사전 준비 안내
수학은 계산 결과를 설명할 만큼 연결한다
수학을 전부 끝낸 뒤 AI를 시작하겠다고 정하면 공부가 길어진다. 반대로 행렬과 평균도 확인하지 않은 채 학습 코드를 복사하면 오류를 놓친다. 프로젝트에서 사용하는 수학을 먼저 표시하고 해당 개념을 작은 숫자로 확인하는 순서를 권한다. 수학을 생략하자는 뜻이 아니라 범위를 정하는 방법이다.
설문 응답자 다섯 명과 질문 세 개를 다룬다면 행렬의 각 축이 무엇인지 적는다. 행 평균과 열 평균을 바꿨을 때 해석이 달라지는 이유를 설명한다. 벡터 유사도를 이용한다면 길이와 방향, 정규화가 점수에 어떤 영향을 주는지 작은 벡터로 계산한다. 거대한 행렬을 이해하려고 시작했어도 첫 확인에는 종이 한 장이면 충분하다.
확률과 통계에서는 대표값과 산포, 표본의 범위, 조건부 확률을 과제와 연결한다. 평균 점수가 같아도 응답 분포가 다른 두 집단을 만들어 그려보자. “평균이 같으니 반응도 같다”는 문장을 쓸 수 없는 이유를 설명할 수 있어야 한다. 미적분 단계에서는 손실 함수의 값과 기울기를 구분하고 학습률을 바꿨을 때 갱신 방향이 어떻게 달라지는지 확인한다.
완료 기록에는 사용한 기호의 의미, 입력의 단위, 결과의 해석을 남긴다. 계산기가 내놓은 숫자를 업무 문장으로 옮길 수 없으면 같은 개념을 다른 예제로 확인한다. 이해하지 못한 개념을 기록하는 것까지 학습 결과로 인정한다. 풀지 못한 문제를 숨기면 다음 학습 범위도 고르기 어렵다.
머신러닝부터 LLM까지는 평가 방식을 이어간다
첫 머신러닝 과제에서는 복잡한 모델보다 평가 절차를 세운다. 데이터를 학습용과 평가용으로 나누고 단순한 기준 모델을 만든 다음 새 방법과 비교한다. 결측치 처리나 스케일링에 평가 데이터 정보를 섞으면 점수가 낙관적으로 나올 수 있다. scikit-learn은 데이터 누수와 일관되지 않은 전처리를 대표적인 실수로 설명한다. 공식 실수 사례와 예방 방법
딥러닝으로 넘어갈 때는 데이터 로딩, 모델 정의, 손실 계산, 갱신, 저장과 다시 불러오기를 한 흐름으로 본다. PyTorch 기초 과정은 이 흐름의 참고 자료다. 튜토리얼 입력으로 실행한 다음에는 열이나 클래스 수를 바꿔보고 어디를 고쳐야 하는지 설명한다. 복사한 코드의 실행 성공과 수정 능력을 구분하는 시험이다.
LLM 응용에서도 같은 평가 습관을 유지한다. 문서 검색기를 만든다면 답을 잘한 사례만 모으지 않는다. 근거가 한 문서에 있는 질문, 두 문서를 확인해야 하는 질문, 자료에 답이 없는 질문을 미리 준비한다. 답변과 사용한 근거를 저장하고 근거가 없을 때 보류했는지 따로 점검한다. 생성 모델의 문장력 때문에 앞 단계에서 배운 검증을 버리지 않는다.
AI에게 도움받는 범위를 과제마다 기록한다
AI를 활용해 AI를 공부하자는 조언은 내 작업 방향과 맞는다. 다만 AI가 작성한 정답을 실행하고 넘어가면 다음 오류에서 다시 설명을 부탁해야 한다. 요청하기 전에 예상 입력·출력과 실패 조건을 적고, 답을 받은 뒤에는 한 조건을 바꿔 재시험한다. 설명을 듣는 시간과 자신의 가설을 검증하는 시간을 구분한다.
학습 기록에는 네 칸을 둔다. 내가 예상한 결과, 실제로 관찰한 결과, 둘이 다른 이유, 다음에 확인할 내용을 각각 적는다. 아직 실행하지 않은 경우에는 관찰 칸을 비워둔다. AI가 제시한 예상 출력으로 채우면 실행 사실과 설명을 뒤섞게 된다. 오류 메시지와 환경 버전도 남겨두면 다음에 같은 문제를 다시 조사하는 시간을 줄일 수 있다.
첫 단계에는 CSV 검사기, 다음에는 기준 모델, 그다음에는 출처가 붙은 문서 검색기를 만드는 식으로 결과물을 연결한다. 종료 시점은 달력보다 검증 기록으로 정한다. 코드 위치, 실행 방법, 데이터의 사용 권리, 실패 입력, AI에게 맡긴 부분을 README에 남긴다. 다른 사람이 원자료부터 결과까지 따라갈 수 있으면 강의를 수강한 사실보다 설명하기 좋은 기록이 된다.
내가 다시 공부할 부분은 선형대수와 평가 설계다. 영상의 큰 순서를 완료 목록으로 옮기는 대신 지금 만드는 자동화의 입력 하나를 골라 설명해볼 생각이다. 설명이 막히는 부분을 다음 과제로 남겨두면 오늘 본 도구 이름보다 오래 사용할 기준을 얻는다.
참고자료
- HongLab, 2026 AI 공부 로드맵: 글의 출발점이 된 영상. 과제와 완료 기준은 필자의 제안이다.
- Python 공식 자습서: 함수·자료구조·파일과 예외 처리.
- Google Machine Learning Crash Course 사전 준비: 입문 단계의 준비 항목.
- scikit-learn, Common pitfalls: 데이터 누수와 전처리 오류.
- PyTorch, Learn the Basics: 기본 학습 과정.