구글 머신러닝 엔지니어가 말하는 진입 경로: 경영학 전공에서 ML 팀까지, 그리고 채용에서 통하는 것

핵심 메시지

• 경영학 학부생이 온라인 강의로 머신러닝을 접한 뒤 구글에 재무 분석 인턴으로 들어가, 분석가와 소프트웨어 엔지니어를 거쳐 9년 만에 머신러닝 팀에 합류했다.
• 머신러닝 직군의 상당 부분은 사실 소프트웨어 엔지니어링이며, 소프트웨어 엔지니어에게 머신러닝을 가르치는 편이 그 반대보다 쉽다는 인식이 업계에 넓게 퍼져 있다.
• 기초 강의 이후에는 정해진 다음 단계가 없다. 지식이 여기저기 흩어진 채 쌓이다가 어느 순간 연결되는 탐색 구간을 견디는 것이 관건이다.
• 몇 시간짜리 작은 공개 작업이 이력서의 어떤 문장보다 강하다. 잘 정리된 풀 리퀘스트 두 건으로 정규직 제안을 받은 사례가 실제로 나온다.
• 대규모 언어모델 분야는 앞선 사람과의 격차가 아직 짧아, 지금 시작해도 늦어야 2년 뒤처진 상태에서 출발할 수 있다.

쉽게 이해하기

인터뷰에 나온 맥스 버클리는 구글의 시니어 머신러닝 엔지니어이자 수백 명의 지원자를 면접해 온 사람이다. 그의 출발점은 경영학 학부였다. 학부 3학년 때 막 등장한 온라인 공개강의로 경영과 재무를 듣다가 더 정량적인 통계로 옮겨갔고, 거기서 자연스럽게 컴퓨터과학과 머신러닝으로 넘어갔다. 예측을 다루는 부분이 통계에서 가장 재미있는 대목처럼 보였다는 것이 계기였다.

구글에 들어간 계기는 전공이 아니라 취미였다. 그는 재무 분석 직무로 인턴 면접을 봤는데, 면접관이 이력서에서 경영 과목들 사이에 낀 프로그래밍과 통계 이력을 보고 어디서 배웠는지 물었다. 두 사람은 같은 온라인 강의를 막 수료한 참이었고, 그 우연한 공통점이 분위기를 바꿨다. 그는 인턴 기간 중 정규직 면접을 봐 합격했고, 예정했던 재무 석사 대신 곧바로 비즈니스 분석가로 입사했다.

이후 경로는 한 번에 뛰어넘은 것이 아니라 계단식이었다. 2014년 말 신뢰·안전 분석가로 옮길 때 그는 그 조직에 가까이 붙어 일하는 엔지니어링 팀이 있다는 점을 보고 선택했다. 실제로 그 팀은 그를 주간 회의에 넣고 남들이 꺼리는 작은 일감을 맡겼다. 1년 반 동안 한 선배가 그가 쓴 코드의 약 70%를 리뷰하며 수천 개의 코멘트를 남겼고, 그 과정에서 단위 테스트와 코드 포매팅, 시간 복잡도, 데이터센터 간 복제 같은 것들을 처음 익혔다.

그다음은 자료구조와 알고리즘 면접을 통과해 그 엔지니어링 팀으로 정식 이동, 순수 소프트웨어 엔지니어링 2년, 데이터 파이프라인과 데이터 검증을 다루는 인프라 팀 몇 년이었다. 머신러닝 팀으로 옮긴 것은 2022년 중반의 일이다. 참고로 구글에서 그의 공식 직함은 지금도 머신러닝 엔지니어가 아니라 소프트웨어 엔지니어다.

학습 방법에 대한 두 사람의 진단은 비슷했다. 기초 강의는 잘 설계돼 있지만 그 이후를 이어주는 단일한 커리큘럼은 존재하지 않는다. 강의를 40개 넘게 들으면 어느 순간 겹치는 내용이 늘어나 한계효용이 떨어지고, 결국 프로젝트를 하다 실패하고 배우는 구간으로 들어가게 된다. 초심자에게는 최신 논문보다 교과서가 낫다는 조언도 나왔다. 이전 연구를 모르는 상태에서 그 후속 논문부터 읽는 것은 의미가 없기 때문이다.

주요 인사이트

• 멘토가 반드시 자기보다 훨씬 앞선 사람일 필요는 없다. 비슷한 수준의 동료 집단도 서로 기준을 높이며 함께 끌어올리는 효과를 낸다. 특히 대규모 언어모델처럼 다들 최근에 시작한 분야에서는 이 방식이 잘 통한다.
• 논문을 계속 읽어야 하는가는 목표에 달렸다. 데이터베이스나 알고리즘 분야에서는 최신 성과를 좇지 않아도 이상하지 않은데 유독 머신러닝에서만 모두가 따라잡아야 한다고 느낀다는 지적이 나왔다. 정보의 한계 가치는 최전선에 가까울수록 커진다.
• 대형 모델 논문의 저자 수는 이미 소프트웨어 프로젝트의 규모다. 제미나이 1.5 논문에는 약 900명, 라마 3 논문에는 약 200명이 이름을 올렸다. 일반적인 논문은 10명만 돼도 큰 그룹으로 친다.
• "머신러닝을 한다"는 말을 모델 학습 버튼을 누르는 일로만 상상하는 사람이 많다. 실제로는 수많은 엔지니어와 연구자가 작은 모델로 실험을 반복하고, 데이터 배관을 까는 사람도 그 일의 일부를 하고 있다.
• 데이터 사이언티스트와 ML 엔지니어의 차이는 대체로 문제의 규모다. 전자는 주어진 데이터셋에 여러 모델을 돌려보며 무엇이 나은지 고르고, 후자는 모델 종류가 이미 정해진 큰 시스템 안에서 일한다.

자주 묻는 질문

관련 AI 소식