김진철의 How-to-Big Data | 빅데이터 조직과 시스템 (6)

좋은 데이터과학자인지 어떻게 판단할 수 있는가?
마지막으로 기업의 입장에서 이렇게 데이터 과학자로 경력을 전환하는 이공학 전문가들을 채용할 때, 지원하는 데이터 과학자 후보들이 데이터 과학자로서 성공적으로 경력에 안착할 수 있는지 판단할 수 있는 방법을 필자의 경험에 비추어 몇 가지 소개해 보려고 한다. 아래 소개하는 방법은 필자의 경험에 따른 것이므로 참고로 활용하면 좋을 것 같다.

사실 실제 면접에 들어갔을 때 데이터 과학자로서의 소양을 볼 수 있는 기술적인 질문들과 점검 사항, 노하우들이 아래 소개하는 것 외에 많이 있지만, 이 글에서 모두 소개하기는 지면이 부족하다. 이들 질문과 점검 사항들이 데이터 과학에 쓰이는 인공지능이나 머신러닝, 데이터 마이닝과 분석 알고리즘이나 통계학 등의 데이터 과학 전문가들만이 그 의미를 이해할 수 있는 것이기 때문이기도 하다. 이런 질문이나 점검 사항들이 데이터 과학자로서 지원자의 소양을 판단하는데 왜 중요한지 설명하려면 글이 많이 길어질 것 같아 일반적인 면접관들이 확인할 수 있는 내용을 중심으로 간단하게 소개하고자 한다.

첫번째로, 지금까지의 경력 성장 경로를 보는 것이다. 업무내용이 문제 해결에 초점이 맞추어져 있고 데이터 수집, 처리, 가공 및 분석 파이프라인 전체를 설계하고 개발했던 경험, 모두를 경험하진 못했더라도 자신이 수행했던 업무와 실험의 전체 큰 그림을 보고 일해왔는지 확인할 수 있으면 데이터 과학자로서 일할 수 있는 경험을 훌륭하게 쌓았다고 볼 수 있다. 특히, 작은 문제라 할지라도 하나의 문제 해결을 위해 데이터 수집부터 분석까지의 전 과정을 설계하고 실행한 경험이 있는지 확인해보는 것이 중요하다.

문제 해결한 결과를 논문이나 보고서의 형태로 논리 정연하게 정리해서 학술회의에서 꾸준하게 발표하거나, 고객사에 프리젠테이션한 경험이 충분한지도 살펴야 한다. 문제 해결의 결과를 보고서나 논문과 같은 적절한 문서와 학술회의나 보고회의 등의 회의 형태로 정리하고, 명료하고 간결하게 전달할 수 있는 커뮤니케이션 능력도 데이터 과학자에게 매우 중요하기 때문이다.

경력 성장 과정에서 데이터 과학과 관련된 분야와 기술들을 적극적으로 배우고 활용했는지도 점검하는 것이 필요하다. 이런 점검 과정은 컴퓨터 과학이나 공학 등 IT 기술과 직접적으로 연관이 있는 전문가가 아닌 자연과학이나 공학 분야에서 활동하던 전문가들이 데이터 과학에 필요한 컴퓨터 과학 지식을 빠르게 흡수하고 데이터 과학 실무에 적용할 수 있는지 여부를 판단하는 데 필요하다. 

특히 이들 자연과학과 공학 전문가들이 가진 인공지능과 머신러닝, 데이터 마이닝 등의 분야에 대한 배경지식은 단순히 텐서플로(TensorFlow)와 같은 기술들을 배경지식 없이 적용만 한 것인지, 어느 정도의 배경지식을 이해하고 자신이 해결하려던 문제의 맥락에 맞게 적용한 것인지 점검하는 과정이 필요하다. 인공지능과 머신러닝, 데이터 마이닝과 관련된 알고리즘이나 기술을 배경지식에 대한 이해나 자신이 풀려던 문제 해결의 맥락 없이 그저 가져다 쓰기만 했다면 일반 소프트웨어 엔지니어와 크게 차이가 없기 때문이다.

컴퓨터 과학이나 공학 전공자가 데이터 과학자로서 지원했을 경우에는 이들이 가지고 있는 데이터 과학 관련 컴퓨터 과학과 IT 전문 지식을 실용적인 문제에 적용하고 해결하는 데 응용한 경험이 충분하게 있는지 점검하는 것이 필요하다.

컴퓨터 과학 및 공학 전공자는 자연과학이나 공학 전공자보다 데이터 과학과 관련된 알고리즘과 모델, 컴퓨터 과학의 체계적이고 폭넓은 지식을 가지고 있다는 것에는 장점이지만, 실용적인 문제에 적용하고 해결하는 과정에서 얻게 되는 직관과 해당 데이터 과학 기술들의 쓰임새에 대한 이해의 깊이가 자연과학 및 공학 전문가에 비해 낮을 수 있다. 

이들 컴퓨터 과학 및 공학 전문가가, 특히 인공지능이나 머신러닝, 데이터 마이닝 등의 데이터 과학과 관련된 분야를 전공한 사람일 경우, 단순히 해당 전문 분야의 지식을 확장하는 연구만 한 것이 아니라 실용적인 실세계 문제에 적용해보고 그 지식과 기술이 실세계 문제를 해결하는 데 어떤 한계와 어려움이 있는지를 이해하고 있나 점검해보는 것이 매우 중요하다.

자연과학과 공학 분야 전문가들은 컴퓨터 과학, 공학 전공자보다 이런 측면에서 데이터 과학자로서 더 빨리 적응할 가능성이 높다. 자신의 전문 분야에서 해결하려는 문제의 맥락에 맞게 데이터 과학에 쓰이는 컴퓨터 과학, 공학 기술을 적용하는 과정에서 자연스럽게 해당 지식과 기술이 자신의 문제를 해결하는데 어떤 맥락과 기술적인 한계를 가지고 적용되는지 구체적으로 고민하고 연구하게 되기 때문이다. 이런 경험이 쌓이면서 데이터 과학의 특정한 기술이나 지식에 의존하기 보다는 문제 해결의 본질에 더욱 집중하는 경험을 쌓게 되기 때문에 데이터 과학자로서 문제 해결 마인드를 더욱 날카롭게 다듬게 된다.

정리하면, 데이터 과학자로서 성공 가능성을 가장 믿을 만하게 엿볼 수 있는 것은 데이터 과학자로 지원한 대상자의 경력 성장 경로이다. 이 경력 성장 경로를 이력서나 면접 등을 통해 확인할 때에는, 

- 과학적 문제 해결의 전 과정, 데이터를 얻기 위한 실험 및 장치 설계, 데이터 수집, 처리, 가공, 분석까지의 전 단계를 직접 설계 하였거나 큰 그림을 가지고 이해하고 일을 하였는지
- 그 결과를 논문이나 보고서, 발표 등으로 논리적으로 정리하고 커뮤니케이션한 경험이 충분히 있는지
- 문제 해결 과정에서 새로운 데이터 분석 기법과 논리를 적극적으로 개발하고, IT와 컴퓨팅 기술을 적극적으로 활용하였는지

점검하는 것이 중요하다.

두번째로, 자기 일과 삶에 긍정적인 태도와 호기심이 있는지 확인하는 것이다. 대개 자기 일에 열정이 있고, 호기심과 하고 싶은 것이 많은 사람일수록 데이터 과학자로 경력을 성공적으로 전환하는 경향이 있고, 실제로도 그렇다고 한다.

비슷한 사례로 모바일 UX/UI 프로토타이핑 도구인 ‘인비전(InVision) 스튜디오’로 유명한 ‘인비전’이라는 회사는 사무실이 없이 전 직원이 전 세계에 흩어져 원격 근무를 하는 것으로 유명하다. 원격 근무 환경에서 직원들로부터 최상의 생산성을 끌어내기 위해 채용 단계에서 지원자에게 눈여겨보는 것 중의 하나가 하고 싶은 것이 많고 삶에 적극적인 자기주도적인 인재인지를 본다고 한다[11].

“각 분야에 맞는 인재가 있는 것처럼, 근무방식에도 적합한 인재가 있다. 원격 근무에 적합한 이들은 매일 가고 싶은 곳, 하고 싶은 일이 있고, 하고 싶은 질문도 있는 그런 적극적인 사람들이다.
인비전은 자유와 유연성에 가장 큰 만족감을 느끼는 사람들이 일하는 회사이다.” (마크 프레인, 최고인사책임자, Inc. 2015년 12월 28일자)

이렇게 하고 싶은 것이 많고 삶에 적극적인 사람들이 회사의 규정이나 눈치를 보면서 태만하지 않고 원격 근무를 하더라도 자기 일에 대한 자부심과 자신감을 가지고 능동적으로 일할 수 있기 때문이라고 한다[11].

데이터 과학자의 경우에도 문제 해결에 집중하기 위해서는 자신이 하는 데이터 과학 업무, 과학적 마인드와 데이터를 이용한 문제 해결이 기업 경영에 주는 가치에 대해 자기 나름의 확신이 필요하다.  이런 확신이 자신의 삶과 데이터 과학자로서 역할에 대해서 긍정적이고 적극적인 태도로 나타난다면 기업의 입장에서는 데이터 과학자에 대한 높은 생산성과 신뢰성을 기대할 수 있을 것이다.

과학자라면 의례 보통 사람에 비해 높은 수준으로 가지고 있을 특성인 호기심도 데이터 과학자가 조직에 주는 필수적인 가치이다. 정답이 없는 문제를 진득하게 달라붙어 해결해 나가기 위해서는 미지의 것을 두려워하지 않고 탐험해볼 수 있는 호기심이 일을 착수하고 진척시키게 할 수 있는 절대적인 동기가 되기 때문이다. 

과학자, 공학자들이 자연에 대한 지식, 새로운 기술에 대한 열망, 그리고 기술 혁신을 꾸준히 추구하게 하는 배경에는 과학자, 공학자들의 이런 자연과 기술에 대한 호기심과 과학자, 공학자로서 자신의 역할과 역량에 대한 긍정적인 태도와 확신이 가장 큰 동기부여 요인으로 작용한다. 데이터 과학자로서 조직의 별도 지시가 없이도 능동적으로 업무에 임하고 기업에 도움이 되는 분석의 결과와 통찰로 기여하기 위해서 이런 자가 일과 삶에 대한 긍정적인 태도와 호기심은 데이터 과학자의 동기 부여에 중요한 역할을 하므로 면접 시 차분하게 점검해보는 것이 중요하다. 

세번째로, IT 기술에 대한 관심과 열정이 있는지 확인해야 한다. 새로운 IT 기술을 들어 읊는 수준의 얕은 관심이 아니라, 자기 일과 문제 해결에 IT 기술이 중요함을 가슴 깊이 인식하고 적극적으로 배우고 활용해서 데이터 과학 업무의 생산성과 효과를 극대화하려는 관심과 열정이 필요하다.

물리학자들 중에서도 이론 물리학 등의 분야에서는 여전히 손으로 문제를 풀기를 좋아하고 IT 기술은 크게 관심이 없거나 좋아하지 않는 사람도 있다. 이런 일부 이론 물리학자들은 물리학자로서는 좋은 성과를 낼 수 있고, 과학적인, 수학적인 마인드와 지식, 통찰은 뛰어날 수 있을지 모르겠지만, 데이터 과학자로서는 적합하지 않다. 데이터 과학을 위해서 IT 기술은  우리가 매일 마시고 살아가는 공기와 같이 꼭 필요하다. 데이터 과학자로 경력을 전환하려는 이공학 전문가들이 새로운 IT 기술을 배우고 이를 자신의 업무에 적용하려는 의지와 열정이 없으면 데이터 과학자로 성공하기에 쉽지 않다. 이 점을 꼭 점검해야 할 필요가 있다.

IT 기술에 대한 관심과 열정은 문제 해결에 대한 집중력과 책임감과도 관련이 있다. 자신이 맞닥뜨린 문제를 자신의 전문 지식과 경험에 의존해서만 해결하려는 것이 아니라, 문제 해결을 위해 필요한 모든 것을 언제라도 배우고 연구해서 적용하여 풀어내려는 적극적인 마음 가짐을 가지지 않고는 쉽지 않은 일이다. 특히 기술 변화와 진보의 속도가 유난히 빨라 날이 갈수록 새롭게 발전하고 변하는 IT 기술에 대한 관심을 놓지 않고 꾸준히 학습하고 배워 업무에 적용한다는 것은 업무에 대한 성실성과 적극성을 보여주는 것이기도 하고, 문제 해결에 대한 집중력을 잃지 않고 데이터 과학자로서의 업무를 진지하게 대한다는 것을 보여주는 것이기도 하다.

면접을 볼 때, 데이터 과학자로 지원한 후보자가 이런 IT 기술에 대한 관심과 열정이 있는지 확인하기 위해서는 최근 새롭게 관심을 가지고 있는 IT 기술이 있는지를 물어보고, 그런 IT 기술에 대한 관심이 왜 생긴 것인지, 어떤 배경에서 그 IT 기술을 택하게 되었는지 물어보면 좋다. 데이터 과학자로서 적극적인 자세를 가진 후보자라면 자신의 연구나 업무를 더 잘하거나 문제 해결에 필요한 도구를 이리저리 탐색하며 찾다가 관심을 가지게 된 IT 기술을 알게 되었을 것이고, 그 IT 기술이 자신에게 왜 중요하고 유용한지 구체적으로 설명할 수 있을 것이다. 하둡과 스파크가 요즘 뜨는 기술이라더라는 식으로 그 IT 기술에 대한 관심의 이유를 답변하지는 않을 것이다.

지금까지 필자에게 가장 많은 문의가 오는 질문 중의 하나인 좋은 데이터 과학자들을 어떻게 찾을 수 있는지의 문제를 같이 살펴보았다. 데이터 과학자라는 경력 타이틀을 직접 명함에 새기고 다니면서 공식적으로 활동하는 데이터 과학자를 영입하거나 채용하는 것도 중요하지만, 데이터 과학자로서 역량과 마인드를 이미 어느 정도 충분히 갖춘 잠재적인 데이터 과학자 후보자들을 찾을 수 있는 이공학 분야 전문가들이 있음을 소개하였다. 이런 이공학 전문가들이 데이터 과학자로서 경력 전환을 원하거나 유도하는 방식으로도 좋은 데이터 과학자들을 찾고 영입할 수 있음을 설명하였다.

이렇게 경력을 전환하는 데이터 과학자 후보들이 기업의 데이터 과학 업무를 맡기에 적합한지 알아볼 수 있는 방법을 몇 가지 간단하게 살펴보았다. 지원자의 경력 성장 과정을 살펴보는 것, 그리고 과학자로서 꼭 가져야 하는 성품인 자기 일에 대한 긍정적인 태도와 적극성, 호기심 등이 삶에서 배어 나오고 있는지 점검하는 것, 그리고 마지막으로 IT 기술에 대한 관심과 열정, 활용에 대한 적극적인 태도와 경험을 점검할 것을 제안하였다.

이공학을 전공하고, 다양한 이공학 분야에서 데이터 과학자로 경력을 전환하는 전문가들을 데이터 과학자로 기업이 영입할 때 위의 세 가지를 잘 확인하면 기업의 입장에서도 큰 시행착오 없이 좋은 데이터 과학자를 찾을 수 있을 것이다. 

대학과 대학원에서 배우고 훈련 받는 과학과 공학의 전문 분야와 커리큘럼은 100여 년전에 확립된 것에서 변화가 크지 않지만, 사회에서 요구하는 전문 역량의 종류와 내용은 빠르게 변하고 발전하고 있다. 빠르게 변하는 사회에 맞추어 적응할 수 있는 이공학 전공자들의 새로운 경력의 기회로서도 데이터 과학자라는 직업은 중요하다. 이공학을 전공한 많은 인재들이 자신의 역량과 재능을 썩히지 않고 새로운 사회의 요구와 트렌드에 맞게 활용하여 사회에도 도움이 되고, 이공학 전공자 자신들의 삶과 경력도 개선할 수 있도록 데이터 과학자로의 경력 전환을 돕는 것이 필요하다. 기업에서도 데이터 과학자로서 역량과 마인드를 충분히 갖춘 이공학 전문가들을 데이터 과학자로서 활용하는 것을 적극적으로 고려했으면 한다.

위에서 필자가 제안한 것들을 잘 고려해서 데이터 과학자 후보들을 탐색해 보자. 오히려 경력을 전환한 데이터 과학자들이 데이터 과학에 필요한 역량, 기술과 마인드를 자신의 전문 분야가 아닌 기업의 비즈니스를 위한 새로운 문제들에 창의적으로 활용하면서 기업의 성장에 크게 기여할 수 있을 것이다. 이에 더해, 기업의 업과는 다른 기초과학이나 공학 분야의 연구개발이나 엔지니어링 실무를 통해 체득한 경험이 기업의 필요와 함께 융합하면서 새로운 시너지를 내고 기업에 새로운 기회를 만들어주는 것을 느낄 수 있을 것이다.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료
[2] 권오성, “2019년 최고의 직종은 ‘데이터 과학자”, 인터넷 한겨레, 2019년 1월 18일자. (http://www.hani.co.kr/arti/science/scienceskill/878941.html#csidx697fda6443528fb810398ee80757b1e) 
[3] 권영일, “美 최고 유망 직종은 데이터 전문가”, The Science Times, 2019년 1월  10일자. (https://www.sciencetimes.co.kr/?news=%E7%BE%8E-%EC%B5%9C%EA%B3%A0-%EC%9C%A0%EB%A7%9D-%EC%A7%81%EC%A2%85%EC%9D%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%A0%84%EB%AC%B8%EA%B0%80)
[4] 임민철, "한국 빅데이터•분석 시장, 2022년 2조2천억 규모", ZDNet Korea, 2019년 2월 14일자. (http://www.zdnet.co.kr/view/?no=20190214154925)
[5] 이연주, “2019년 미국에서 잘 나가는 ‘최고의 직업’은?”, jobsN 블로그, 2019년 1월 25일자. (https://m.post.naver.com/viewer/postView.nhn?volumeNo=17688009&memberNo=27908841&searchKeyword=4%EC%B0%A8%20%EC%82%B0%EC%97%85%ED%98%81%EB%AA%85%20%EB%AF%B8%EB%9E%98%EC%9C%A0%EB%A7%9D%EC%A7%81%EC%97%85&searchRank=51) 
[6] 박형돈, “美 4차산업시대에 뜨는 직업, 데이터 사이언티스트의 명암”, KOTRA 해외시장 뉴스, 2018년 9월 2일자. (https://news.kotra.or.kr/user/globalBbs/kotranews/6/globalBbsDataView.do?setIdx=322&dataIdx=169305)
[7] SK Hynix Blog, “데이터 과학자, 그들이 필요하다”, 2018년 3월 2일자. (https://blog.skhynix.com/2483)
[8] Louis Columbus, “IBM Predicts Demand For Data Scientists Will Soar 28% By 2020”, Forbes, May 13, 2017. (https://www.forbes.com/sites/louiscolumbus/2017/05/13/ibm-predicts-demand-for-data-scientists-will-soar-28-by-2020/#64bb0537e3bd)
[9] Will Markow, Soumya Braganza, and Bledi Taska, with Steven M. Miller and Debbie Hughes, “THE QUANT CRUNCH: HOW THE DEMAND FOR DATA SCIENCE SKILLS IS DISRUPTING THE JOB MARKET”, Business Report by BurningGlass Technologies, IBM, and Business Higher-Education Forum, 2017. 
[10] Andrew Ross, “80% of UK businesses looking to hire a data scientist in 2019”, Information Age, September 25, 2018. (https://www.information-age.com/hire-data-scientist-i2019-123474995/) 
[11] 김지현, “700명 몽땅 원격근무해도 잘 되는 회사”,  TTimes.co.kr, 2018년 10월 11일자. (http://www.ttimes.co.kr/view.html?no=2018101010257793545&fbclid=IwAR13eBRZ-i5AeeyOkmXKdJuM_TjiPk_QSkWAjJazfoLCRDOO7rJANDojqQ0) 
[12] 이상현, “직원 700명 전원이 원격 근무하는 회사, 인비전(InVision)”, techNeedle, 2018년 10월 4일. (http://techneedle.com/archives/36360)
[13] 정새롬, “우버와 에어비앤비가 사용하는 프로토타이핑 도구 ‘인비전’, 514억 원 투자 유치”, beSUCEESS, 2015년 7월 15일. (https://besuccess.com/2015/07/invision)
[14] 추가영, “제프 베이조스도 쓰는 사용자경험의 디자인 툴…직원 800명에 사무실은 '0'”, 한국경제, 2019년 2월 14일자. (http://news.hankyung.com/article/2019021486511)

*김진철 박사는 1997년 한국과학기술원에서 물리학 학사, 1999년 포항공과대학교에서 인공신경망에 대한 연구로 석사 학위를, 2005년 레이저-플라즈마 가속기에 대한 연구로 박사 학위를 받았다. 2005년부터 유럽입자물리학연구소(CERN)의 LHC 데이터 그리드 구축, 개발에 참여, LHC 빅데이터 인프라를 위한 미들웨어 및 데이터 분석 기술을 연구하였다. 이후 한국과학기술정보연구원(KISTI), 포항공과대학교, 삼성SDS를 거쳐 2013년부터 SK텔레콤에서 클라우드 컴퓨팅과 인공지능 기술을 연구하고 있다. 빅데이터와 인공지능 기술의 기업 활용 방안에 대해 최근 다수의 초청 강연 및 컨설팅을 수행하였다. ciokr@idg.co.kr