WEBVTT

00:00.560 --> 00:04.000
사실 저는 데이터베이스의 미래에 대해 매우 기대하고 있습니다.

00:04.960 --> 00:08.200
또 다른 질문을 하실 거라는 건 알지만, 한 가지만 말씀드리죠. 지금 세계는

00:08.700 --> 00:12.840
대규모 데이터 센터 구축이 한창이고,

00:13.340 --> 00:17.120
AI 학습과 추론을 위한 데이터 센터가 많이 지어지고 있다고 느낍니다.

00:18.000 --> 00:21.680
세상 많은 사람이 아직 제대로 인식하지 못하는 점은,

00:21.840 --> 00:25.520
앞으로 많은 핵심 인프라, 즉

00:26.020 --> 00:29.480
컴퓨터와 스토리지를 인간뿐 아니라 에이전트도 사용하게 되리라는 것입니다.

00:29.880 --> 00:33.160
이런 인프라를 에이전트가 사용하게 되면

00:33.660 --> 00:38.840
엄청난 수요가 생길 것입니다. 그래서 학습과 추론을 위한 AI

00:39.340 --> 00:43.120
데이터 센터 증설뿐 아니라, 오늘날 많은 데이터베이스는

00:43.620 --> 00:47.040
인간의 사용을 전제로 만들어져서 우리가 보거나 조회할 수 있는 데이터

00:47.540 --> 00:51.160
양에는 한계가 있습니다. 하지만 에이전트가 사용하게 되면 컴퓨팅을 위한

00:51.320 --> 00:55.160
핵심 인프라 수요는 계속 치솟을 것이라고 생각합니다.

00:55.660 --> 00:58.360
그래서 저는 이 분야 전반에 매우 낙관적입니다. 네, 정말

00:58.860 --> 01:02.320
놀라운 분야죠. 저희는 이 분야의 한복판에 있다는 게 정말 행운이라고 느끼고,

01:02.480 --> 01:05.920
어제 파트너 데이를 열어서 빌더나 개발자와 함께 일하는

01:06.420 --> 01:10.080
많은 분을 초대했는데, 다들 한결같이

01:10.580 --> 01:13.840
컴퓨팅 자원이 부족하다고 하더군요. 세상으로 쏟아져 들어오는 빌더의 수가

01:14.340 --> 01:17.920
지금 정말 엄청납니다. 네, 맞아요. 그래서 사실

01:18.420 --> 01:22.570
먼저 시작하겠습니다. 당신은 가장 인상적인 이력 중 하나를 가지고 계신데,

01:23.070 --> 01:25.730
제가 다 외우진 못해서요. 겸손하신 걸 알지만,

01:26.230 --> 01:29.370
모르는 분들을 위해 읽어 드리겠습니다. 딥러닝AI의 창립자이시고,

01:29.870 --> 01:33.250
AI 펀드의 제너럴 파트너,

01:33.750 --> 01:36.410
AI 애스파이어의 매니징 파트너,

01:36.810 --> 01:40.730
코세라의 회장 겸 공동 창업자, 스탠퍼드 대학교 교수이십니다.

01:41.610 --> 01:44.730
이전에는 구글 브레인의 창립 리더,

01:45.160 --> 01:48.680
바이두의 부사장 겸 최고 과학자,

01:49.240 --> 01:53.360
스탠퍼드 AI 연구소의 소장을 지내셨고,

01:53.860 --> 01:57.080
세계에서 가장

01:57.580 --> 02:00.640
영향력 있는 AI 인물을 꼽는 TIME 100 AI 명단에도 오르셨습니다. 우선,

02:01.140 --> 02:01.320
정말 대단하네요.

02:07.160 --> 02:10.880
정말 대단한 삶이네요. 어떻게

02:11.380 --> 02:14.820
계속 스스로를 새롭게 만들고 이 모든 일을 해낼

02:15.320 --> 02:16.820
에너지가 있으신가요?

02:18.100 --> 02:22.180
제 대답은 뻔한 것 같습니다.

02:22.500 --> 02:26.740
여러 조직에서 줄곧 정말 훌륭한 분들과 함께 일할 수 있었던 건 큰 축복이었다는 거죠.

02:27.240 --> 02:30.260
함께 일한 사람들이 없었다면

02:30.900 --> 02:34.900
저 혼자서는 거의 아무것도 이루지 못했을 겁니다.

02:35.400 --> 02:38.420
그래서 정말 축복받았다고 생각합니다. 멋지네요. 멋져요.

02:39.110 --> 02:42.710
좋습니다, 이제

02:43.110 --> 02:46.910
스킬 맵에 대해 이야기하려고 합니다. 제가 설명해 보려 했는데, 당신은 무엇보다

02:47.410 --> 02:50.990
먼저 교육자시니까, 스킬 맵과 현재 하고 계신 일에 대해

02:51.490 --> 02:54.710
간단히 말씀해 주시면 그다음에 깊이 들어가 보겠습니다.

02:54.870 --> 02:58.590
네, 지금 이 시점에서 가장 빠르게 성장하고 있는

02:59.090 --> 03:02.870
가장 흥미로운 직업은 AI 엔지니어링이라고 생각합니다.

03:03.270 --> 03:06.840
여기서 말하는 건 AI 엔지니어라는 직함을 가진 사람만이 아니라,

03:07.340 --> 03:10.600
소프트웨어 엔지니어링, 프런트엔드, 백엔드, DevOps, 모바일 등

03:11.100 --> 03:14.920
다양한 직무에서 일하며

03:15.420 --> 03:18.000
AI 엔지니어링 역량으로 이점을 얻을 수 있는 사람들입니다.

03:18.560 --> 03:21.800
그래서 딥러닝AI 팀은 몇 달에 걸쳐

03:22.300 --> 03:26.240
AI 엔지니어링을 잘 해내는 데 필요한 역량이 무엇인지

03:26.740 --> 03:30.590
정리하는 작업을 많이 했습니다. 그 결과 분류를 하게 되었는데,

03:31.090 --> 03:35.070
1만 건이 넘는 채용 공고를 분석하고,

03:35.310 --> 03:39.710
수십 건의 구조화된 인터뷰를 진행하고, 자체 설문도 여러 번 진행했으며

03:40.210 --> 03:43.950
파트너들과의 대화에서 얻은 관점도 종합했습니다. 그리고

03:44.450 --> 03:48.110
AI 엔지니어링을 잘하는 데 필요한 핵심 역량이 네 가지라는 결론을 얻었습니다.

03:48.510 --> 03:52.350
첫째는 AI 애플리케이션을 구축하고 배포하는 능력입니다.

03:52.510 --> 03:56.030
AI 애플리케이션과 일반 애플리케이션의 차이는 불확실성이 있다는 점이죠.

03:56.910 --> 04:00.430
그래서 이를 어떻게 관리할 것인가가 중요합니다. 둘째는 소프트웨어 엔지니어링 기본기입니다.

04:00.590 --> 04:03.790
AI가 코드를 많이 작성해 주는 상황에서도

04:04.110 --> 04:07.950
소프트웨어 엔지니어링 기본기를 이해하는 사람,

04:08.450 --> 04:10.990
예를 들어 읽기/쓰기 비율이나 트랜잭션이 무엇인지 아는 사람이

04:11.550 --> 04:14.430
코딩 에이전트를 훨씬 더 잘 조종할 수 있습니다.

04:14.750 --> 04:18.910
셋째는 코딩 에이전트를 활용하는 능력입니다. 마지막은

04:19.410 --> 04:23.490
무엇을 만들지 형성하는 역량인데, 이제 개발자는

04:23.990 --> 04:27.090
누군가 시키는 일을 그대로 구현하는 역할이 아니라

04:27.590 --> 04:31.130
무엇을 만들지 결정하는 데 참여하고

04:31.630 --> 04:35.130
무언가가 만들어지는 과정에도 영향을 미치기 때문입니다.

04:35.610 --> 04:39.610
오늘날 채용 시장에서 제가 보는 것은, 개발자들이,

04:39.850 --> 04:43.530
AI 엔지니어라는 직함이 있든, 다른 직함을 가지고 있으면서

04:44.030 --> 04:47.650
AI 엔지니어링 역량을 갖춘 사람이든 수요가

04:48.150 --> 04:51.960
매우 높은데, 이런 역량을 가진 사람을 충분히 찾을 수 없다는 점입니다.

04:52.200 --> 04:55.960
그래서 딥러닝AI는 이 일에 적극적으로 나서서

04:56.460 --> 05:00.200
더 많은 사람이 AI 엔지니어링에 능숙해지도록 돕고자 합니다. 멋지네요.

05:01.240 --> 05:06.280
그리고 스킬 맵 자체에 대해서인데,

05:06.780 --> 05:09.960
먼저 왜 특히 스킬에 초점을 맞추셨나요?

05:10.440 --> 05:14.080
스킬이 가장 중요한 요소 중 하나라는 관점을 가지고 계신 것 같은데,

05:14.580 --> 05:18.010
앞으로도 스킬이 계속 핵심일까요, 아니면 에이전트가 충분히 좋아져서

05:18.510 --> 05:21.730
우리가 직접 맞춤 스킬을 제공하는 데 그렇게 신경 쓸 필요가

05:22.230 --> 05:25.770
없어질까요? 이 부분이 어떻게 진화할 거라고 보시나요?

05:26.270 --> 05:30.610
네, 지금 우리가 하는 일 중에는

05:31.110 --> 05:35.250
에이전트가 대신해 주기를 바라는 것들이 있습니다.

05:35.750 --> 05:39.330
예를 들어 3년 전에는

05:40.130 --> 05:43.810
프롬프트 엔지니어라는 직업에 대한 과대광고가 많았고, 프롬프트 엔지니어가 되면

05:44.310 --> 05:47.680
돈을 얼마나 벌 수 있는지 이야기하곤 했죠. 그때도 이미

05:48.180 --> 05:51.600
분명했던 건데, 이 말은 크리스 매닝이 당시에도 아주 분명하게 말했으니

05:52.100 --> 05:55.480
공을 돌리고 싶습니다. 사람이 LLM에게 무언가를 시키려고

05:55.980 --> 05:59.200
난해한 주문을 외워야 하는 상황은

05:59.700 --> 06:03.040
사라질 것이라는 생각이었죠. LLM이 스스로 그런 난해한 주문을

06:03.540 --> 06:07.440
만들어내는 법을 배울 것이기 때문입니다. 오늘날에도

06:07.940 --> 06:11.640
어떤 부분에서는, 예를 들어

06:12.140 --> 06:15.620
에이전트 무리를 어떻게 관리하느냐 같은 문제에서 사람이 필요한 부분이 있고,

06:16.120 --> 06:18.900
어떤 부분은 더 획일적으로 처리할 수 있습니다. 앞으로 몇 년간

06:19.400 --> 06:22.660
AI 에이전트가 다른 AI 에이전트를 점점 더 잘 관리하게 될 거라고 생각합니다.

06:23.140 --> 06:27.220
그리고 AI가 어떤 일을 넘겨받을지 아닐지를 가르는 핵심 요소 중 하나는

06:27.720 --> 06:31.100
사람이 근본적인 맥락의 우위를

06:31.600 --> 06:35.380
가지고 있는지 여부입니다. 우리가 애플리케이션을 만들 때는

06:35.700 --> 06:39.140
AI 에이전트가 모르는 것을 정말 많이 알고 있습니다. 고객과 대화하면서

06:39.640 --> 06:43.460
어떤 말을 했을 때 그 사람이 묘한 표정을 지었던 기억이 있을 수도 있고,

06:43.960 --> 06:47.540
5년 전에 시장 보고서를 읽고

06:48.040 --> 06:51.460
사람들이 이것은 원하고 저것은 원하지 않는다는 걸 배운 기억이 있을 수도 있죠.

06:51.960 --> 06:55.620
인간은 놀라울 정도로 방대한 범위의 맥락을 갖고 있고,

06:56.120 --> 06:59.660
이 맥락을 끄집어내 핵심적인 결정을 내리는 데 매우 뛰어납니다.

07:00.160 --> 07:03.780
그래서 사람이 근본적인 맥락 우위를 가진 의사결정 영역은,

07:03.860 --> 07:07.670
언젠가 우리 몸에 카메라를 달고

07:08.170 --> 07:11.910
대화하는 모든 사람의 표정을 모니터링하는 날이 오기 전까지는 말이죠,

07:12.410 --> 07:15.590
그건 아주 어려운 길입니다. 그래서

07:16.090 --> 07:19.990
근본적인 맥락 우위를 가진 사람이 오랫동안 맡기를 원하는 업무가

07:20.070 --> 07:23.910
많이 있다고 생각하고, 코딩 에이전트가 하는 훌륭한 작업을 보완하는

07:24.410 --> 07:28.310
그런 가치 있는 일을 할 수 있는 스킬을

07:28.810 --> 07:32.030
사람들에게 제공하는 것이 앞으로 오랫동안

07:32.530 --> 07:35.670
우리가 가게 될 길이라고 봅니다. 그리고 그래서,

07:36.170 --> 07:39.590
코딩 에이전트가 이렇게 훌륭한데도 소프트웨어 엔지니어링

07:40.230 --> 07:43.590
채용 공고 수가 늘어난 것을 보셨을 겁니다. 소프트웨어 엔지니어와

07:44.090 --> 07:47.190
AI 엔지니어의 생산성이 올라가면 우리는 그들이 훨씬 더 많이 필요해지기

07:47.690 --> 07:51.030
때문입니다. 기업들도, 제 팀도 마찬가지로 숙련된 AI 엔지니어를

07:51.530 --> 07:55.150
충분히 찾지 못하고 있습니다. 이 흐름은 계속될 거라고 생각합니다. 네.

07:55.650 --> 07:59.760
그럼 그 부분을 더 파헤쳐 보죠. 두 명의 개발자가 있다고 해 봅시다.

08:00.260 --> 08:03.960
둘 다 실력이 뛰어난 개발자인데, 한 사람이

08:04.460 --> 08:07.880
다른 사람보다 더 좋은 결과를 낸다면, 더 강한 개발자는

08:08.380 --> 08:11.640
오늘날 상대가 하지 않는 어떤 일을 하고 있을까요? 정말 좋은

08:12.140 --> 08:14.960
질문입니다. AI 엔지니어링 스킬 맵을 만들 때

08:15.600 --> 08:19.160
저희가 스스로에게 반복해서 던진 질문 중 하나였습니다.

08:19.660 --> 08:23.120
실제로 많은 사람을 인터뷰했고, 표준 질문 중 하나가

08:23.360 --> 08:26.240
훌륭한 개발자와 덜 훌륭한 개발자를 떠올려 보라는 것이었습니다.

08:26.640 --> 08:29.800
정말 훌륭한 개발자는 덜 뛰어난 개발자와

08:30.300 --> 08:34.600
비교해서 무엇을 하는가? 그리고 그 답변 중 많은 것이

08:35.100 --> 08:38.080
결국 AI 엔지니어링 스킬 맵으로 정리되었습니다.

08:38.160 --> 08:41.440
그리고 그건 한 가지가 아니라 매우 다양한 여러 가지입니다.

08:41.760 --> 08:45.280
하나 예를 들자면, 저희가 강조한 네 가지

08:45.780 --> 08:49.000
핵심 역량 중 첫 번째인 AI 애플리케이션을

08:49.500 --> 08:53.690
구축하고 배포하는 능력이 있습니다. 전통적인 소프트웨어 애플리케이션과 비교한

08:54.190 --> 08:58.610
AI 애플리케이션의 핵심 차별점은 불확실성이 있다는 것이죠.

08:58.930 --> 09:03.010
맞습니다. LLM에 프롬프트를 주든 지도학습 알고리즘을 학습시키든,

09:03.510 --> 09:06.770
어떤 결과가 나올지 미리 알 수 없습니다. 그래서 숙련된

09:07.270 --> 09:10.890
AI 개발자들은 이런 시스템의 성능을, 종종 통계적인 방식으로,

09:11.390 --> 09:15.250
모니터링하는 기법들을 고안했거나 익숙하게 알고 있고,

09:15.750 --> 09:19.710
오류 분석과 평가(evals)

09:20.210 --> 09:24.230
루프를 돌려 체계적으로 개선해 나갑니다. 이런

09:24.730 --> 09:28.510
질문을 던지고 우리 자신의 경험을 돌아보면서, 숙련된 개발자와 초보 개발자 사이의

09:29.010 --> 09:32.230
격차를 한두 가지가 아니라 사실 매우 많은 항목으로 체계적으로 정리하려 했고,

09:32.470 --> 09:36.510
그것을 우리가 AI 엔지니어링 스킬 맵이라고 부르는

09:37.010 --> 09:40.790
형태로 압축했습니다.

09:41.290 --> 09:44.850
그리고 이를 바탕으로 사람들이 이 모든 가치 있는 스킬에서

09:45.350 --> 09:48.610
초보 수준에서 전문가 수준으로 나아가도록 체계적으로 돕고자 합니다.

09:49.010 --> 09:52.050
스킬 맵은 누구나 사용할 수 있나요,

09:52.370 --> 09:55.410
주로 소프트웨어 엔지니어나 관련 배경을 가진 사람을 위한 건가요?

09:56.050 --> 09:59.290
사람들이 스킬 맵 자체를 어떻게 활용하면 좋을까요? 네,

09:59.790 --> 10:03.090
저희는 딥러닝AI에서

10:03.590 --> 10:07.210
'더 배치(The Batch)'라는 주간 뉴스레터를 발행하는데, 5주 연속으로

10:07.710 --> 10:11.340
AI 엔지니어링 스킬 맵에 대해서만 썼고, 실제로 이를 중심으로

10:11.840 --> 10:15.060
커리큘럼을 구성하려는 다른 회사들도

10:15.560 --> 10:17.740
있다고 알고 있는데, 꽤 멋진 일이죠.

10:18.620 --> 10:23.020
개인에게는, 탁월하다는 것이 무엇인지

10:23.100 --> 10:28.060
이해하는 방법이 될 수 있다고 생각합니다. 여러분 중 많은 분이 이미 탁월하시겠지만,

10:28.560 --> 10:32.580
이미 탁월한 영역이 있고 더 탁월해지고 싶은 영역도 있을 테니까요. 그리고

10:33.080 --> 10:36.730
딥러닝AI가 열심히 하고 있는 일 중 하나는 사람들이

10:37.230 --> 10:40.330
AI 엔지니어링 전반에 능숙해질 수 있는 경로를 만드는 것입니다.

10:40.810 --> 10:44.570
다만 교육 분야에서는 딥러닝AI와

10:45.070 --> 10:48.410
다른 회사들 모두 아직 할 일이 남아 있다고 생각합니다. 사람들이

10:48.490 --> 10:52.290
이 모든 AI 엔지니어링 스킬 전반에 걸쳐 능숙해질 수 있도록

10:52.790 --> 10:56.890
더 명확한 경로를 마련해야 하니까요. 궁금한 게 있는데, 몰려드는 사람들은

10:57.390 --> 11:01.420
어떤가요, 경력 있는 개발자들인가요? 아마도

11:01.920 --> 11:05.300
어떤 곡선이 있을 텐데, 경력 많은 개발자 중에는 손에서

11:05.800 --> 11:09.780
놓고 싶어 하지 않는 분들이 있을 겁니다. 저도 그랬는데, 코딩에

11:10.420 --> 11:13.780
몰입하는 걸 정말 좋아했고, 꽤 오랜 시간이 걸렸죠.

11:13.860 --> 11:17.060
'좋아, 이제 에이전트에게 맡기자'라고 생각하기까지요.

11:17.380 --> 11:20.540
사람들이 '좋아, 포기하고 모든 걸 스킬 중심으로

11:21.040 --> 11:24.260
전환하겠다'라고 하는 변화가

11:24.500 --> 11:27.900
서서히 일어나고 있나요? 네, 사실 흥미롭습니다.

11:28.400 --> 11:31.920
있잖아요, 웃기게도 저는 사실

11:32.420 --> 11:34.520
손으로 직접 코딩하는 게 그립지 않아요. 네,

11:35.160 --> 11:37.640
네, 맞아요.

11:39.080 --> 11:42.440
그런데 혹시, 그립지 않으세요,

11:42.920 --> 11:46.200
그 몰입 상태 같은 거요. 완전히

11:46.700 --> 11:49.240
집중해서 문제를 붙잡고, 스택 오버플로에 가서

11:49.740 --> 11:53.880
5만 가지를 복사해서 붙여넣던 것도요. 당신은 안 그랬을 수도 있지만, 저는 그랬어요.

11:54.520 --> 11:57.480
그리고 세 시간 동안 한 문제에 매달리다가 마침내 풀리는 순간이 오죠.

11:58.020 --> 12:01.300
이제는 그런 느낌이 별로 들지 않는 것 같아요. 하지만 저도요.

12:01.800 --> 12:05.100
네, 맞아요, 당신도

12:05.600 --> 12:09.060
이런 문제가 있을 거예요. AI 이전에는 하고 싶지만 끝내지 못한

12:09.560 --> 12:13.140
프로젝트 목록이 있었잖아요. 이제 제 목록은, 당신도 그럴 것 같은데,

12:13.640 --> 12:17.500
AI 덕분에 우리가 더 생산적이 되었다고들 하는데 오히려

12:18.000 --> 12:21.740
훨씬 더 길어졌죠. 저 스스로를 보면, 손대고 싶지만

12:22.240 --> 12:25.780
시간이 없는 프로젝트가 정말 많습니다. 그리고 우리의 역량이

12:25.860 --> 12:29.390
커지는 동안 제 개인적인 야망은 아마

12:29.890 --> 12:32.390
역량보다 훨씬 더 빠르게 커진 것 같아요. 그래서

12:33.270 --> 12:36.430
네, 다른 종류의 몰입감이죠. 잠들기 전에 코딩 에이전트를

12:36.930 --> 12:39.590
돌려놓고 다음 날 아침 어떤 결과가 나왔는지 보는 것도

12:40.090 --> 12:43.990
이상한 자바스크립트 문법을 디버깅하는 것과는 다른 방식의 몰입이라고 할 수 있겠죠.

12:44.490 --> 12:47.750
하지만 인정해야겠네요,

12:47.910 --> 12:51.430
저는 예전 방식보다 새로운 방식이 더 마음에 드는 것 같습니다.

12:51.930 --> 12:55.290
네, 확실히 더 많은 일을 해내고 있죠,

12:55.790 --> 12:59.330
그건 분명합니다. 그런데 궁금한 게 있는데,

12:59.830 --> 13:03.890
이렇게 빠르게 변하는 시장에서

13:03.970 --> 13:08.210
커리큘럼은 어떻게 설계하시나요? 이 커리큘럼을 매년,

13:08.710 --> 13:11.970
혹은 매달 바꿔야 할 거라고 보시나요? 어떻게 반복 개선하고 계신가요?

13:12.450 --> 13:16.170
흥미로운 점은, 과대광고에서는 AI가 너무 빨리 발전해서

13:16.670 --> 13:20.180
석 달마다 모든 게 바뀐다고 하죠. 하지만 AI 엔지니어링

13:20.680 --> 13:24.140
스킬 맵에서 가장 빨리 변하는 부분은

13:24.640 --> 13:28.220
코딩 에이전트입니다. 지금 우리가 코딩하는 방식은

13:28.720 --> 13:31.740
석 달 전과도 매우 다르고 6개월 전과는 더 다릅니다. 코딩 에이전트

13:32.240 --> 13:35.940
활용법은 매우 빠르게 바뀌고 있죠. 하지만 제가 정말 가치 있다고 보는

13:36.440 --> 13:40.700
나머지 스킬들, 즉 AI 애플리케이션을 구축하고 배포하는 방식을 보면

13:41.200 --> 13:44.660
이런 시스템을 어떻게 조종하고, 배포하고,

13:45.160 --> 13:48.190
모니터링하고, 업데이트하는가에 대한 기본 지식이 많은데, 이는

13:48.270 --> 13:51.710
홍보용 과대광고가 말하는 것보다 훨씬 느리게 변하고 있습니다.

13:52.210 --> 13:55.950
재미있는 점 하나는, 적어도 Astra 이전에는, Astra로

13:56.450 --> 13:59.710
바뀌었을 수도 있지만 잘 모르겠네요, 대부분의 AI 시스템이

14:00.210 --> 14:03.510
데이터 과학자로서도, AI 엔지니어로서도 그리 뛰어나지 않다는 겁니다.

14:04.010 --> 14:07.230
프로젝트에서 무엇을 해야 하냐고 물어보면, 대체로

14:07.790 --> 14:11.190
솔직히 데이터 과학의 경우, 저는 이제

14:11.690 --> 14:15.210
데이터 과학 작업을 손으로 하지 않습니다
14:39.310 --> 14:43.690
그렇죠? 비용, 지연 시간, 그리고 속도,

14:44.190 --> 14:47.730
신뢰성입니다. 문제는 기본기를 이해하기 전에는 어떤 트레이드오프가 존재하는지조차

14:48.230 --> 14:51.610
모른다는 점입니다.

14:52.110 --> 14:55.770
그래서 누군가 이해 없이 바이브 코딩을 하면, 코딩 에이전트가 수많은

14:56.270 --> 14:59.610
트레이드오프를 선택하는데, 본인은 그런 선택이 이뤄졌다는 사실조차 모르고 있다가

15:00.110 --> 15:03.730
나중에 문제가 터지는 경우가 아주 많습니다. 그래서 훌륭한 엔지니어들은

15:04.230 --> 15:07.850
필요한 여러 기술 분야의 기본기를

15:07.930 --> 15:11.800
이해하고 있어서 훨씬 더 나은 결정을 내린다고 생각합니다.

15:12.300 --> 15:15.600
하지만 지금 가능해진 일들을 보면 저는 고무적이기도 합니다. 이해 없이 코드를 작성할 수 있게 되었으니까요.

15:16.100 --> 15:19.520
그래도 정말 뛰어난 엔지니어는

15:20.020 --> 15:23.400
경험이 부족한 엔지니어보다 압도적으로 더 나은

15:23.900 --> 15:27.000
결과물을 낸다고 생각합니다.

15:27.240 --> 15:31.040
네, 맞아요. 그 부분에 대해서 말인데요, 스킬 맵의 일부로

15:31.540 --> 15:34.040
'빌드를 형성하는 것(shaping the build)'을 말씀하셨죠. 흥미로운 개념이라고 생각했는데,

15:34.540 --> 15:37.980
빌드를 형성한다는 것이 무엇을 의미하는지

15:38.480 --> 15:41.700
설명해 주실 수 있나요? 네, 만드는 일이

15:42.200 --> 15:46.020
쉬워지면서 병목은 만드는 것보다는

15:46.520 --> 15:50.300
무엇을 만들지 결정하는 것으로 옮겨갔습니다. 예전에는

15:50.800 --> 15:54.380
프론트엔드 엔지니어가 많았는데, 이제는 프론트엔드 엔지니어도

15:54.880 --> 15:57.220
AI의 도움으로 예전에는 불가능했던 수준의 백엔드 작업을 훨씬 많이 할 수 있습니다.

15:57.860 --> 16:02.690
저는 백엔드와 프론트엔드 모두 훨씬 강해졌지만, 솔직히 지금은

16:02.770 --> 16:06.450
AI 시스템의 도움을 받는 서툰 프론트엔드 개발자쯤 될 겁니다.

16:06.950 --> 16:10.330
그래서 많은 개발자들이 좁은 역할에서

16:10.830 --> 16:13.650
풀스택 개발자로 넘어갔습니다. 그런데 그 너머로,

16:14.130 --> 16:17.330
개발자가 무언가를 만들고 나서

16:17.830 --> 16:22.370
프로덕트 매니저가 고객 피드백을 받아 다음에 무엇을 만들지 방향을 잡아주기를

16:22.870 --> 16:26.690
기다리는 것은, 개발자 스스로가

16:27.010 --> 16:30.170
약간의 제품 직관, 약간의 제품 감각을 갖고 있는 경우보다 훨씬 느리다는 것이 드러났습니다.

16:30.670 --> 16:34.400
몇몇 고객이나 사용자와 이야기하고 피드백을 받아서 프로세스를

16:34.900 --> 16:39.600
계속 앞으로 끌고 갈 수 있으니까요. 그래서 개발 분야에서 제가 보고 있는 것은 많은 사람들이

16:40.100 --> 16:44.000
역할을 단순한 구현에서 무엇을 만들지

16:44.160 --> 16:47.800
결정하는 것까지 넓혀가고 있다는 점입니다. 그렇다고 엔지니어가

16:48.300 --> 16:52.240
프로덕트 매니저가 되어야 한다는 뜻은 아닙니다. 다만 일부 제품 결정이나 더 많은 아키텍처 결정을

16:52.740 --> 16:56.400
내릴 수 있는 엔지니어가 몇 년 전의 더 좁은 역할에 머물던

16:56.900 --> 17:00.320
엔지니어보다 훨씬 생산적이라는 뜻입니다.

17:00.820 --> 17:04.040
저희는 이것을 '빌드를 형성하는 것'이라고 부릅니다.

17:04.540 --> 17:07.840
제품 결정에 영향을 줄 수 있고, 어느 정도 제품 감각도 갖추고 있으며

17:08.000 --> 17:11.400
빌드 프로세스 전반을 함께 고민하는 데 도움을 주는 엔지니어를 말합니다.

17:11.900 --> 17:14.600
예를 들어 지금이 MVP를 만들 시점인지,

17:15.100 --> 17:18.920
아니면 견고한 아키텍처를 구축하고 확장성을 고민하는 데 투자할 시점인지,

17:19.420 --> 17:22.160
혹은 고객에게 나가서 피드백을 받을 시점인지,

17:22.660 --> 17:25.400
아니면 어떤 백엔드 기술 스택을 쓸지 더 잘 이해하기 위해

17:25.900 --> 17:30.240
리서치를 할 시점인지 같은 것들입니다. 그래서 빌드 과정의 방향을 이끌 수 있는 개발자는

17:30.480 --> 17:34.480
결국 프로젝트 전체에

17:34.880 --> 17:38.240
훨씬 더 많이 기여하게 됩니다. 그렇다면 시스템을 설계하는 데

17:38.320 --> 17:41.760
시간을 얼마나 써야 할까요? 제가 가장 좋아하는 스킬 중 하나가 있는데,

17:42.260 --> 17:45.080
아실지 모르겠지만, 문서와 함께 철저히 파고드는(grill with docs) 방식으로 아키텍처 결정을

17:45.580 --> 17:49.400
만들어 내는 스킬이에요. 무엇을 만들고 싶은지 한 시간 동안

17:49.900 --> 17:52.960
정확히 캐묻죠. 사람들이 무엇을, 어떻게 만들지에 대해

17:53.460 --> 17:57.360
사전에 얼마나 시간을 들여야 한다고 보시나요?

17:57.860 --> 18:00.880
아니면 일단 MVP를 만들고 나중에 고치면서

18:01.200 --> 18:04.560
반복하는 게 나을까요? 네, 아주 좋은 질문입니다.

18:04.640 --> 18:08.360
이 질문에 답하기 어려운 이유는 답이 단계에

18:08.860 --> 18:12.120
따라 달라지기 때문입니다. 제프 베조스가 말하는

18:12.620 --> 18:15.880
일방향 문(one-way door)과 양방향 문(two-way door)의 구분에 크게 좌우되기도 하고요. 하지만 방향성으로 말하면, 프로젝트 초기 단계에서는

18:16.380 --> 18:20.360
솔직히 어떤 아이디어가 있든

18:20.600 --> 18:24.080
코딩 에이전트에 입력해서 만들어 보고 무엇이

18:24.580 --> 18:28.520
나오는지 보세요. 안전한 방식으로 하고, 민감한 데이터를 유출하지 않고,

18:28.680 --> 18:31.880
나쁜 결과에 대한 보호 장치만 갖춘다면요. 제가 보기에

18:32.380 --> 18:36.360
AI 엔지니어링의 어려움 중 하나는 올바른 결정이

18:36.440 --> 18:39.880
단계에 크게 의존한다는 점입니다. 초기 단계 프로젝트라면

18:40.120 --> 18:43.360
책임감 있고 안전한 방식으로

18:43.760 --> 18:47.640
빠르고 거친 프로토타입을 만들어 보고, 어떻게 되는지 확인하고, 버려도 됩니다.

18:48.140 --> 18:51.720
빠르게 제품을 만들어 보고 결과를 확인하며 빠른 학습을 이끌어낼 수 있습니다. 그리고 아키텍처를

18:52.220 --> 18:55.120
신중하게 고민해야 할 때와 장소도 분명히 있습니다.

18:55.440 --> 18:59.240
재작성 비율은 어느 정도인지, 고객 요구사항은 무엇인지, 민감한 데이터는 무엇인지,

18:59.740 --> 19:03.360
보안 인프라를 어떻게 구성할지 고민하고 실행하는 단계죠.

19:03.600 --> 19:07.400
제가 본 바로는 0에서 1로 가는 스타트업 단계에

19:07.900 --> 19:11.360
정말 뛰어난 엔지니어들을 많이 알고 있고, 성숙한 체계적 단계에

19:11.860 --> 19:14.800
강한 훌륭한 엔지니어들도 많이 알고 있습니다.

19:15.200 --> 19:18.720
하지만 때로는 프로젝트가 어느 단계에 있느냐에 따라

19:18.800 --> 19:22.680
필요한 기술, 속도, 그리고 속도감과 하방 리스크 방어 사이의

19:23.180 --> 19:26.480
균형을 생각하는 방식이 달라집니다.

19:26.880 --> 19:30.480
코딩 에이전트 사용자들을 봐도, 많은 사람들이

19:30.980 --> 19:34.880
항상 계획을 세우고 긴 명세서를 작성해야 한다고 말하는데,

19:35.380 --> 19:38.410
그런 방식이 맞는 경우도 있습니다. 반면 20분 뒤에 잠자리에 들 예정이라면,

19:38.910 --> 19:41.650
대충 몇 가지를 뚝딱 만들어 놓고

19:41.730 --> 19:44.330
코딩 에이전트가 몇 시간 동안 작업하게 한 뒤

19:44.830 --> 19:48.330
다음 날 아침 무엇이 나왔는지 보는 게 맞는 경우도 있습니다. 이렇게 단계에 따라 달라지는 답은

19:48.830 --> 19:52.570
사람들이 배우기에 매우 까다로웠다고 생각합니다. 좋아요, 화제를

19:53.070 --> 19:56.890
바꿔서 질문을 하나 드려야겠어요. 어제 레이턴트 스페이스(Latent Space)의 Swyx와

19:57.390 --> 20:00.770
이야기를 나눴거든요. 아시는지 모르겠지만, 여기서 행사를 취재하고 있는데

20:01.270 --> 20:04.460
꽤 자극적인 말을 했어요. 정확히 인용하지 못할 수도 있지만,

20:04.960 --> 20:08.340
"학교는 죽었다" 같은 말이었어요. 혹은 우리가 배우는 방식이

20:08.840 --> 20:12.940
완전히 바뀌어야 한다는 것이었죠.

20:13.440 --> 20:16.860
이런 질문을 많이 받으실 텐데요, 10년 뒤를 내다볼 때

20:17.360 --> 20:21.100
학습이 어떻게 바뀔 거라고 보시는지 궁금합니다.

20:21.420 --> 20:24.740
우리는 어떻게 배우고 있을까요? 지금 학교에서 하는 것과 비슷할까요,

20:25.240 --> 20:28.710
아니면 완전히 다를까요? 바뀔 겁니다.

20:28.870 --> 20:34.190
두 가지 관찰을 말씀드리겠습니다. 먼저,

20:34.690 --> 20:38.110
당연하지만 논쟁적으로 들릴 수도 있는 말을 하나 하겠습니다. 챗봇은

20:38.610 --> 20:42.030
학습에는 형편없습니다. 저는 LLM을 좋아하고

20:42.530 --> 20:45.830
많이 씁니다. 그와 동시에 대학

20:45.990 --> 20:49.590
캠퍼스와 K12에서 우리는

20:49.670 --> 20:53.270
LLM을 사용하는 학생들이 숙제는 더 잘하지만

20:53.360 --> 20:57.040
기말고사는 더 못 본다는 사실을 알고 있습니다.

20:57.540 --> 21:00.880
교육자들은 이것을 직관적으로 알고 있었고, 학생들도 직관적으로 알고 있었지만, 엄밀한 연구들이

21:01.380 --> 21:05.360
점점 더 많이 나오면서 LLM에 인지 작업을 넘기는 것,

21:05.600 --> 21:08.760
즉 학생이 LLM에게 대신 생각하게 하면

21:09.260 --> 21:11.760
더 많은 일을 해내지만 배우는 것은 줄어든다는 점을 보여주고 있습니다.

21:12.800 --> 21:16.240
K12와 고등교육, 대학의 정규 교육 환경에서

21:16.740 --> 21:20.280
이에 대한 엄밀한 연구들이 나오고 있지만,

21:20.780 --> 21:23.970
직장인 성인들 사이에서 이런 일이 얼마나 일어나고 있는지는 여전히

21:24.130 --> 21:27.690
과소평가되고 있다고 생각합니다.

21:28.190 --> 21:32.090
저는 코딩 에이전트를 정말 좋아하고, 엄청난 양의 일을 하게 도와줍니다. 하지만 제가 해야 하는

21:32.590 --> 21:36.170
사고가 줄어든다는 점에서, 어떤 부분들은 문제가 있다고 생각합니다. 분명히 해두자면,

21:36.670 --> 21:39.970
학습을 향상시키는 LLM 사용법도 있습니다.

21:40.470 --> 21:44.090
학습에 훌륭한 틱톡 사용법이 있는 것처럼요.

21:44.590 --> 21:48.440
하지만 대부분의 사람들이 소셜 미디어를 쓰는 대부분의 방식은

21:48.940 --> 21:52.400
학습으로 이어지지 않습니다. 그리고 대부분의 사람들이 LLM을 쓰는 대부분의 방식도

21:52.900 --> 21:56.720
학습으로 이어지지 않습니다. 그런데 이것의 반대편은,

21:57.220 --> 22:00.640
우리가 더 잘할 수 있다는 점입니다. 제가 함께 일하는

22:01.140 --> 22:05.400
팀들, 즉 Coursera, Udemy, DeepLearning.AI, Learn Vector는

22:05.480 --> 22:09.560
일을 끝내는 데 초점을 맞추지 않고, 인간의 성장을 가속하는 데

22:09.720 --> 22:14.210
초점을 맞춘 새로운 학습 경험을 만들기 위해

22:14.290 --> 22:16.850
열심히 노력하고 있습니다.

22:17.970 --> 22:21.450
여기 실리콘밸리에서는 프론티어 AI 연구소와

22:21.950 --> 22:25.410
AI 개발 가속에 매우 들떠 있고, 그건 훌륭한 일입니다. 저도 전적으로 찬성합니다.

22:25.730 --> 22:29.410
최근 발표된 회사인 Learn Vector는 Coursera의 초기 투자자가

22:29.489 --> 22:33.050
투자한 회사인데, 저는 AI 개발을 가속하는 것뿐 아니라

22:33.550 --> 22:36.770
인간의 성장을 가속하는 일에도

22:37.090 --> 22:40.530
정말 기대가 큽니다.

22:41.030 --> 22:44.330
저희가 하는 방식은 Learn Vector를

22:44.830 --> 22:48.730
프론티어 AI 연구소처럼, 프론티어

22:48.810 --> 22:52.170
인간 성장 연구소로 키워가는 것입니다. 한 가지 예로,

22:52.970 --> 22:56.370
저는 15년쯤 전에 Coursera가 교육을 바꾸는 데 참여할 수 있었던 것을 행운으로 생각합니다.

22:56.870 --> 23:00.010
하지만 오늘날 그 경험을

23:00.890 --> 23:04.330
돌아보면, 여전히 효과는 있지만

23:04.830 --> 23:08.490
일대다 방식에 매우 가깝습니다. 하나의 강좌를 만들면 모두가

23:08.990 --> 23:11.610
같거나 매우 비슷한 강좌를 듣는 것이죠. 그래도 잘 작동하고, 그 자체로 문제는 없습니다.

23:11.770 --> 23:15.610
하지만 이제는 기술이 있어서 훨씬 더 일대일에 가까운

23:16.110 --> 23:20.130
경험을 만들 수 있고, 그것이 훨씬 더 나을 겁니다. Learn

23:20.630 --> 23:24.610
Vector는 아직 구체적으로 어떤 제품이 있는지 발표하지 않았지만,

23:25.110 --> 23:28.370
내부 프로토타입을 보면 정말 낙관적이고,

23:28.870 --> 23:32.700
몇 달 안에 더 공유할 수 있을 겁니다. 정말 기대되네요. 좋아요,

23:33.200 --> 23:36.940
청중에게 실질적인 무언가를 남기고 싶어요. 만약 여기 있는 모든 사람이

23:37.440 --> 23:40.940
앞으로 4주 동안 최고의 AI 개발자가 되기 위해

23:41.440 --> 23:46.100
실력을 쌓을 수 있도록 설계한다면,

23:46.580 --> 23:50.500
앞으로 4주 동안 시간을 어떻게

23:51.000 --> 23:53.140
써야 할까요? 어디로 가야 하고, 무엇을 배워야 할까요?

23:54.020 --> 23:57.060
어떤 도구를 도입해야 할까요? 떠오르는 건 무엇이든 말씀해 주세요.

23:57.870 --> 24:01.310
글쎄요. AI 엔지니어링의 경우,

24:02.190 --> 24:06.350
DeepLearning.AI의 목표는 개발자들이 AI 엔지니어링에 능숙해지도록,

24:06.850 --> 24:10.190
이미 능숙하다면 더욱 능숙해지도록 돕는 것입니다.

24:11.150 --> 24:15.190
DeepLearning.AI가 제공하는 것을 개선하기 위해서도 열심히 노력하고 있고요.

24:15.690 --> 24:19.430
하지만 저 자신도 DeepLearning.AI 강좌를 많이 들으면서

24:19.930 --> 24:22.390
프론티어 도구가 무엇인지, 음성 스택이나

24:22.890 --> 24:26.870
생성형 UI, 혹은 에이전트용 로컬 메모리 구축에서 최신 기술이 무엇인지 배웁니다.

24:27.370 --> 24:30.830
내부자로서는 DeepLearning.AI가 더 좋아졌으면 하는 부분도 많이 보이지만,

24:31.330 --> 24:34.790
제 학습의 상당 부분은 사실

24:35.350 --> 24:38.870
DeepLearning.AI를 통해 이뤄졌습니다.

24:39.370 --> 24:43.350
여러분도 그것이 도움이 되고 멋지다고 느끼셨으면 좋겠고,

24:43.510 --> 24:46.870
계속 만들어 나가세요. 여러분 모두가 빌더라고 생각합니다.

24:47.370 --> 24:51.120
저는 여전히 한밤중에 너무 자주 깨서

24:51.620 --> 24:53.920
제 코딩 에이전트가 무엇을 하고 있는지 확인하곤 합니다.

24:54.720 --> 24:57.280
한밤중에 깨면 휴대폰으로 바로 작업을 시키시나요?

24:57.780 --> 25:00.760
네, 글쎄요. 휴대폰으로 코딩하는 게 정말 멋지긴 한데,

25:01.260 --> 25:05.000
어쩌면... 잘 모르겠네요. 네. 문자로 하시나요,

25:05.500 --> 25:08.720
아니면 음성으로 코딩 에이전트와

25:09.220 --> 25:13.160
대화하시나요? 음성보다 텍스트를 훨씬 더 많이 쓰고,

25:13.660 --> 25:17.360
평소처럼 맥 미니를 사용합니다. 아, 그렇군요.

25:17.860 --> 25:21.000
흥미롭네요. 약간 업계 내부 이야기인데, 사실 어떤 환경을 쓰시는지

25:21.500 --> 25:26.840
정말 궁금합니다. 자, 우선 일정이 아주 빡빡하신 걸

25:27.320 --> 25:31.120
알고 있는데, 저희 일정에 맞춰 시간을 내주셔서

25:31.620 --> 25:35.440
정말 감사드립니다. 와주셔서 정말 감사하고,

25:35.940 --> 25:39.200
모시게 되어 진심으로 영광입니다. 감사합니다.

25:39.700 --> 25:41.920
그리고 방금 소개해 주신 여러 이력 중에서

25:42.420 --> 25:45.190
제가 가장 마음에 두고 있는, 언급되지 않은 이력은

25:45.690 --> 25:49.070
두 아이의 자랑스러운 아버지라는 점입니다.

25:49.570 --> 25:51.030
그러니까요.

25:57.590 --> 26:00.190
제가 서둘러 가야 하는 이유는 사실

26:00.690 --> 26:03.190
아이들을 학교에서 데려와야 하기 때문입니다. 그게 가장 중요하죠.

26:03.430 --> 26:06.630
네, 보내드릴게요. 정말 감사합니다. 감사합니다.

26:11.090 --> 26:15.330
잡음 속으로

26:15.830 --> 26:16.610
하드웨어와 규칙성.