우연히 특강 정보를 입수해서 들었습니다!
링크 : 메타코드
[12.18/저녁8시] 비전공자 & 석사 없이, AI 개발자 커리어 전환 성공 비결 3가지
metacodes.co.kr
대략적인 내용을 정리해봤습니다.
1. 핵심 역량 준비 (AI 서비스 개발자, AI 엔지니어)
• 기본 지식 준비
• AI/ML 모델 및 서비스 이해
• 컨테이너, API, DB 활용법 학습
• MLOps 및 파이프라인 구축 흐름 이해
• 백엔드 역량 강화
• Python, RESTful API, SQL과 같은 기본 CS 지식 필요
• 인프라 지식 학습: 클라우드(AWS, Azure), MLOps
• 우대 사항 (알면 유리함)
• Data Engineering: ETL, 빅데이터 처리
• AI Research: 논문 읽기 및 모델링
• GPU 아키텍처 엔지니어링: GPU 노드, 클러스터링, 분산처리
2. LLM 및 클라우드 서비스 활용
• 현업에서 활용 중인 LLM
• AWS Bedrock, Azure AI Studio, OpenAI API, Hugging Face 등 다양한 클라우드 플랫폼 사용
• 프로젝트를 Azure Cloud, RAG 아키텍처 등을 통해 개발
• 기술 스택:
• LLM: Meta Llama, Anthropic Claude, Cohere, Stability AI
• 클라우드: Azure Cognitive Search, CosmosDB
3. 분야 구체화 (직무 선택)
AI 개발자/엔지니어
• AI 시스템 개발 및 설계, 머신러닝/딥러닝 모델 개발
데이터 엔지니어
• 데이터 파이프라인 구축, ETL 자동화, DB 최적화
AI 리서처
• 논문 연구 및 알고리즘 개발 (학술/연구소 중심)
데이터 사이언티스트
• 비즈니스 문제 해결을 위한 분석 모델 개발
데이터 분석가
• 데이터 기반 인사이트 도출 및 비즈니스 의사결정 지원
4. 논문 및 경쟁력 강화 전략
1. 논문 작성 경험
• 모두의 연구소, Competition 참여를 통해 실전 경험을 쌓고 논문을 써보세요.
• 논문 작성은 AI 연구에 큰 강점이 됩니다.
• 주요 플랫폼: arXiv, Google Scholar 활용
2. 경진대회 참여
• 머신러닝/AI 대회: 데이터 처리 및 모델 구현 실력 향상
• Downstream task 문제 정의 및 해결 경험 쌓기
• 코드 분석, 베이스라인 코드 학습
3. 실전 경험을 통한 역량 강화
• 유사 프로젝트를 만들어보고 배포까지 경험
• 오픈소스 프로젝트 기여 및 코드 공유
5. 개인 프로젝트 및 포트폴리오
• 주제 아이디어:
• GPU 분산처리, LLM 모델 구현, 데이터 파이프라인 구축
• 하이퍼파라미터 튜닝, AI 모델 비교 실험
• 포트폴리오 구성:
• Notion, Blog, GitHub를 통해 코드와 프로젝트 문서화
• 경진대회, 논문 작성 경험 기록
6. 최종 조언
• 커뮤니티 활동: 다양한 스터디 및 커뮤니티에 참여해 네트워크를 확장하세요.
• 끈기 있는 학습: 힘들지 않으면 제대로 하고 있지 않은 겁니다.
• 경험 쌓기: 프로젝트, 대회, 논문 등 다양한 경험을 통해 실력을 검증받으세요.
비전공자라도 꾸준히 학습하고 실전 경험을 쌓으면 AI 분야에서 강점을 가질 수 있습니다.
목표 설정 → 역량 강화 → 포트폴리오 구축을 반복하세요!