AI 시대 데이터 과학자의 역량과 채용 – 카네기멜런 응용데이터과학 프로그램 디렉터 인터뷰

핵심 메시지

• 데이터 과학은 마법 가루가 아니라 판단을 돕는 또 하나의 도구이며, 세상이 바뀌면 모델도 계속 손봐야 하는 진행형 작업이라는 것이 인터뷰 전체를 관통하는 전제다.
• AI 도구는 모델을 빠르게 세우거나 문서와 테스트를 돕지만, 어떤 기법을 고를지와 결과가 타당한지를 판단하는 비판적 사고를 대신하지는 못한다.
• 이제는 통계 컴퓨팅·데이터 분석·수학과 확률·의사소통에 더해 AI 활용 능력이 지원자의 기본 조건으로 요구된다.
• 봇으로 하루 만에 수천 곳에 지원할 수 있게 되면서 지원서는 폭증했지만 검토 인력은 줄었고, 그 격차를 자동화가 메우면서 지원자 입장에서는 과정이 블랙박스처럼 보이게 됐다.
• 지금의 생성형 AI는 새로운 수학적 발견의 산물이라기보다, 우리가 20여 년간 온라인에 올린 데이터와 그것을 감당할 만큼 빨라진 연산이 만나 열린 문에 가깝다는 것이 화자의 진단이다.

쉽게 이해하기

카네기멜런 대학의 사회적 의사결정 AI 연구소가 만드는 팟캐스트에서, 응용데이터과학 석사 과정을 이끄는 제이미 맥거번이 학부생 진행자와 마주 앉았다. 그는 20년간 컨설팅과 분석 업계에서 일한 뒤 대학으로 옮긴 인물로, 응용 데이터 과학을 이론 연구의 반대편에 놓고 설명한다. 이론이 새로운 방법과 그 타당성을 만들어낸다면, 응용은 그 결과물을 가져와 100년 넘게 붙들고 있던 사업상의 질문에 답하는 일이라는 것이다.

그가 가장 자주 마주치는 오해는 데이터 과학이 결론을 곧바로 출력해주는 장치라는 생각이다. 실제로는 사람의 판단과 현업 지식을 돕는 도구이며, 세상이 계속 변하기 때문에 모델도 한 번 만들고 끝나지 않는다. 이 진단은 그대로 AI로 이어진다. 최신 도구든 아니든 결국 '우리가 무엇을 알아내려 하는가'라는 질문이 먼저이고, 도구는 그 답을 얻는 수단이라는 것이다.

그렇다면 AI가 코드와 시각화를 대신 써주는 상황에서 무엇을 배워야 하는가. 그는 프로그램의 축을 통계 컴퓨팅, 데이터 분석, 수학과 확률, 그리고 직업적 소통 능력으로 정리한다. 특히 확률을 이해하지 못하면 도구가 빠르게 만들어준 결과의 결함을 알아볼 수 없다는 점을 강조한다. 비가 올지, 카드 대금을 연체할지 같은 질문에는 여러 방법이 답을 내놓을 수 있고, 그중 무엇이 지금 데이터와 상황에 맞는지 고르는 일은 여전히 사람의 몫이다. 수학 수업을 오래 듣지 않은 임원에게 결과를 납득시키는 일도 마찬가지다.

채용 이야기로 넘어가면 시야가 반대편으로 옮겨간다. 예전에는 채용 공고를 알아내고 직접 찾아가 서류를 건네야 했지만, 지금은 봇으로 하루 만에 수천 곳에 지원할 수 있다. 지원서는 폭증했는데 인사는 비용 부문이라 검토 인력은 오히려 줄었고, 그 결과 자동 분류와 매칭 점수가 앞단을 맡는다. 결원 승인 전에 공고를 미리 올리거나 사실상 내부 이동이 정해진 자리에 공고가 뜨는 경우처럼, 지원자가 알 수 없는 사정도 결과를 좌우한다. 그는 이 과정을 '테이블 반대편이 보이지 않는 구조'라고 표현하며 구직자들에게 공감을 표한다.

그가 학생들에게 권하는 대응은 이력서를 자신에 관한 모든 것을 담은 문서로 보지 않는 것이다. 채용 공고를 해독해 그 자리가 요구하는 능력을 파악하고, 같은 경험이라도 분석가 자리에는 이해관계자 소통과 요구사항 정리를, 엔지니어 자리에는 기술 스택과 코드베이스 기여를 앞세우라는 조언이다. 조직 쪽 조언도 비슷한 결이다. 종이에서 컴퓨터로 넘어가던 시절처럼 도입에는 늘 저항이 따르고, 지금은 도구 자체가 계속 바뀐다는 점이 더해졌다. 그래서 위험 감수 수준을 업무별로 나눠, 고객 만족에 직결되는 일에는 사람을 더 붙이고 경비 승인처럼 예측 가능한 일부터 자동화하는 식의 판단이 필요하다고 말한다.

주요 인사이트

• AI 활용 능력이 직군마다 다른 의미를 갖는다는 대화가 인상적이다. 어떤 분야에서는 AI에게 일을 맡기고 사람이 감독하는 형태를 뜻하지만, 데이터 직군에서는 사람이 판단을 내리고 AI가 그 과정을 거들며 결과의 타당성 검증은 여전히 사람에게 남는다.
• 화자는 딥러닝 프로젝트를 스무 개 나열한 이력서가 신입 지원자의 강점이 되지는 않는다고 본다. 조직이 보려는 것은 방법을 고르고 결과를 해석하는 사고의 흔적이며, 그 신호를 어떻게 드러낼지가 오히려 어려운 부분이다.
• 채용 과정의 불투명함 상당수가 악의나 무성의가 아니라 구조에서 나온다는 설명은 실무적으로 유용하다. 지원 시점, 결원 승인 절차, 인사 시스템의 작동 방식 같은 요인이 개인의 자격과 무관하게 결과를 바꾼다.
• 직업 선택 기준으로 화제의 회사 이름부터 좇지 말라는 조언도 눈에 띈다. 일이 흥미로운지, 존중받으며 일할 수 있는지, 역량을 키울 기회가 있는지를 먼저 보라는 것으로, 유행이 빠르게 바뀌는 분야일수록 설득력이 있다.
• 생성형 AI의 부상을 수학적 돌파가 아니라 데이터와 연산의 축적으로 설명하는 관점은, 도구의 능력을 과대평가하지도 과소평가하지도 않으려는 태도와 맞닿아 있다.

자주 묻는 질문

관련 AI 소식