Q. 진로 고민

답변 3

• 멘

  멘토 지니KT

  코상무 ∙ 채택률 64%

  ---

  ● 채택 부탁드립니다 ● 백엔드 3년차에 이미 추천 시스템까지 만들어보셨다면 AI/ML 전환 진입은 충분히 가능합니다. 실제 현업에서도 완전한 수학 전공 수준보다 “데이터를 이해하고 모델을 서비스에 연결할 수 있는가”를 더 중요하게 보는 경우가 많습니다. 수학은 선형대수, 확률통계, 미분 개념 정도를 우선 이해하시면 충분합니다. 특히 추천시스템이면 행렬, 임베딩, cosine similarity, precision/recall 개념 정도는 익숙해지는 게 좋습니다. 포트폴리오는 단순 모델 학습보다 “서비스 관점”이 중요합니다. 데이터 수집 → 전처리 → 모델링 → API 서빙 → 모니터링까지 이어지는 흐름을 보여주면 백엔드 경험과 시너지가 큽니다. 로드맵은 Python → Pandas/Numpy → ML 기본 → PyTorch → 추천/LLM 응용 → MLOps 순으로 가시면 안정적입니다. 오히려 백엔드 경험 있는 분들이 AI 서비스화 단계에서 강점이 큰 편입니다.

  ---
• 다

  다할수있습니다큐비앤맘

  코부장 ∙ 채택률 63%

  ---

  조금이라도 도움이 되셨다면 채택 부탁드립니다 ~~~~ 백엔드 3년차에 추천 시스템까지 직접 만들어보셨다면 이미 AI/ML 전환의 시작은 굉장히 잘 하신 편입니다. 실제 현업에서도 ML 엔지니어는 수학자보다 “서비스 구현 경험 있는 개발자”를 더 높게 보는 경우가 많습니다. 수학은 선형대수, 확률통계, 미분 개념 정도를 이해하면 충분히 시작 가능합니다. 처음부터 논문 수준 수학까지 파고들 필요는 없습니다. 오히려 중요한 건 데이터를 어떻게 수집·가공했고 추천 품질을 어떻게 개선했는지 설명할 수 있는 능력입니다. 포트폴리오는 단순 모델 구현보다 실제 API 서빙, 성능 개선, MLOps, 배포 경험까지 연결되면 훨씬 경쟁력이 있습니다. 백엔드 경험이 이미 큰 강점이라 AI 서비스 엔지니어 방향도 충분히 좋습니다.

  ---
• 

  합격 메이트삼성전자

  코부사장 ∙ 채택률 82%

  ---

  멘티님. 안녕하세요. ​3년 차 백엔드 개발자로서 쌓아온 데이터베이스 및 서버 처리 능력은 인공지능 엔지니어로 이직할 때 모델을 서빙하고 파이프라인을 구축하는 과정에서 엄청난 강점이 됩니다. 추천 시스템이나 모델 연구를 깊이 있게 다루기 위해서는 선형대수학의 행렬 연산과 통계학의 확률 분포에 대한 기본적인 메커니즘을 이해하는 수준이 필요합니다. ​실제 회사 포트폴리오에서는 단순한 모델 활용을 넘어 백엔드 역량을 살린 대용량 데이터 처리와 실시간 추천 효율 최적화 경험을 가장 기대합니다. 머신러닝 기초 이론을 다진 후에 오픈소스 추천 프레임워크를 연동하여 실제 서비스 환경의 파이프라인을 직접 구축해 보는 로드맵을 추천합니다. ​응원하겠습니다.

  ---
• AD

  

  반도체

  설계팀

  ---

  대기업 반도체 산업으로 취업하기 위해선, 직관적 해석능력과 사고력이 필요합니다. 핵심 역량과 배운 지식을 취업에 활용하고 싶다면 국비지원 강의를 추천합니다.

  확인하러 가기