AI와 데이터 산업이 빠르게 성장하면서 관련 직업군도 점점 더 세분화되고 있다. 단순한 데이터 분석을 넘어, 기업들은 데이터를 활용하여 실질적인 제품 개발까지. 이런 여러 전문가들이 속속들이 등장하는 가운데, 급격한 산업 성장에 발 맞춰가기 위해 각 직업이 어떤 역할을 수행하고, 어떤 역량이 필요한지에 대한 이해가 더욱 중요해진다. 새로운 시대의 떠오르는 직업은 어떤 것들이 있으며, 해당 직업을 갖기 위한 구체적인 로드맵까지 자세히 알아본다.

(1) 데이터 사이언티스트: 데이터의 가치를 쌓는 과학자

데이터 사이언티스트는 대규모 데이터를 분해석하여 실제 모델을 개발하기에 이른다. 또한, 데이터 시각화 도구를 활용하여 복잡한 데이터를 직관적으로 표현하고, 이를 통해 의사결정자들에게 효과적으로 전달하는 역할도 수행한다. 하지만 데이터 사이언티스트들은 의사결정이 중심이 아니라, 데이터를 통해 실사용 모델을 개발하는 개발자라는 점에서 데이터 분석가와 결이 다르다.

이를테면, 한 전자상거래 기업에서 ‘고객 맞춤형 상품 추천 시스템’을 개발한다고 가정해 보자. 데이터 사이언티스트는 먼저 수백만 건의 구매 데이터와 고객 정보를 수집하고 정제한다. 그다음, 머신러닝 알고리즘을 활용하여 특정층의 고객의 구매 패턴을 분석하고, 상품 선호를 예측하는 규격화된 모델을 개발한다. 이러한 모델을 통해 고객에게 개인화된 상품 추천을 제공하고, 매출 증대에 기여하는 것이다. 데이터 사이언티스트는 이처럼 데이터를 통해 숨겨진 가치를 발견하고, 비즈니스 문제를 해결하는 핵심 역할을 수행한다.

이 직업의 핵심은 깊이 있는 통계학적 지식과 프로그래밍 능력을 바탕으로 비즈니스 통찰력을 결합하는 데 있다. 따라서 데이터 사이언티스트가 되기 위해서는 학부에서 통계학, 컴퓨터공학, 수학 등을 전공하고 대학원에서 데이터 사이언스나 관련 분야의 석사 학위를 취득하는 것이 일반적이다.

이후 기업의 인턴십이나 실무 프로젝트를 통해 실제 경험을 쌓고, 경진대회 등에 참가하여 입사를 위한 포트폴리오를 구축하는 것이 중요하다. 또한 캐글(Kaggle)과 같은 경험도 중요하며, 기초 업무 능력을 위해 파이썬(Python), 에스큐엘(SQL)과 같은 프로그래밍 언어에 능숙해야 할 뿐만 아니라, 타블로(Tableau), 파워 비아이(Power BI)와 같은 데이터 시각화 도구도 자유자재로 다룰 수 있어야 한다. 타블로, 파워 비아이란, 컴퓨터 언어로 쓰여진 데이터를 인간이 알아보기 쉽도록 다룬 데이터 시각화 도구다.

또한 끊임없이 변화하는 기술 트렌드를 따라잡기 위한 노력이 필수적이다. 이에 지속적인 학습과 온라인 커뮤니티 활동도 필요하다. 금융, 의료, 소매업 등 다양한 산업 분야에서 데이터 기반 의사결정의 중요성이 부각되면서 데이터 사이언티스트의 활약 무대가 크게 확장되고 있는 추세다. 이에 자기만의 관심사를 조금 더 직업적으로 전문화시키고, 거기에 자신만의 데이터 기술을 갖추고 있으면 금상첨화다.

(2) 머신러닝 엔지니어: AI 기반의 건축가

머신러닝 엔지니어는 AI 시스템을 설계하고 구축하는 역할을 담당한다. AI·데이터는 복잡한 기술을 구현하기 위해 AI를 이용하여 알고리즘 환경을 구축하는 건축가로 볼 수 있다. 이들이 개발하는 모델이 곧 비즈니스 모델이 되기도 한다. 과거 건축가가 복잡한 아파트를 짓듯, 이들이 개발하는 한 발, 한 발이 지금의 역사가 되고 있다.

예를 들어, 테슬라의 자율주행차를 떠올려볼 수 있다. 먼저, 데이터 사이언티스트가 수집한 방대한 도로 영상과 센서 데이터를 기반으로 물체 인식, 차선 감지, 경로 예측 등의 머신러닝 모델을 개발한다. 그다음, 이러한 모델을 실제 차량에 탑재하여 실시간으로 작동하도록 최적화하고, 다양한 주행 환경에서 안정적으로 작동하는지 검증한다. 머신러닝 엔지니어는 이처럼 AI 모델을 현실 세계에 적용하고, 실제 문제를 해결하는 핵심적인 역할을 수행하는 것이다.

머신러닝 엔지니어가 되기 위한 경로는 주로 컴퓨터 과학이나 인공지능 관련 학과에서 시작된다. 학부에서 프로그래밍, 알고리즘, 데이터 구조에 대한 기초를 다진 후, 대학원에서 머신러닝이나 인공지능을 전문적으로 공부하는 것이 이상적이다. 머신러닝 엔지니어 수준의 공부는 학부에서는 기초를 다지고 대학원에 들어가야 제대로 된 프로젝트나 실무에 투입될 수 있기 때문에 사실상 필수적이라고 할 수 있다.

이후에는 오픈소스 프로젝트에 기여하거나 AI 관련 해커톤에 참가하는 등 실무 경험을 쌓는 것이 중요하다. 특히 TensorFlow(딥러닝 프레임워크) 같은 기술에 대한 숙련도와 AWS, GCP, Azure(클라우드 환경)와 같은 환경에서의 모델 배포 경험은 취업 시장에서 큰 경쟁력이 된다. 위 데이터 사이언티스트와 마찬가지로 데이터뿐 아니라 요즘은 자기 산업에 대한 관심사와 경험을 중요하게 여기고 있으니 참조할 만하다.

(3) 데이터 엔지니어: 데이터의 기초를 다지는 건축가

데이터 엔지니어는 방대한 데이터를 수집, 저장, 처리하는 인프라를 구축하는 역할을 담당한다. 데이터를 분석하고 활용하는 모든 과정의 기초가 되는 데이터 파이프라인을 설계하고 최적화하는 것이 주요 업무다. 따라서 데이터 사이언티스트나 데이터 분석가가 효율적으로 작업할 수 있도록 안정적인 데이터 환경을 조성하는 것이 핵심 역할이다.

예를 들어, 글로벌 스트리밍 서비스 기업에서 사용자 맞춤형 콘텐츠 추천 시스템을 운영한다고 가정해 보자. 데이터 엔지니어는 사용자 활동 데이터(시청 기록, 검색 기록, 클릭 데이터 등)를 실시간으로 수집하고, 이를 빠르게 처리할 수 있는 데이터 저장소(예: 데이터 웨어하우스, 데이터 레이크)를 구축한다. 또한, 데이터가 원활하게 흐를 수 있도록 ETL(Extract, Transform, Load) 프로세스를 최적화하여 데이터가 깨끗하고 일관성 있게 유지되도록 한다.

데이터 엔지니어가 되기 위해서는 컴퓨터 공학, 데이터 공학, 소프트웨어 공학 등을 전공하는 것이 일반적이다. 필수 기술로는 SQL을 비롯하여 Python, Java, Scala 등의 프로그래밍 언어에 대한 숙련도가 요구된다. 또한, Hadoop, Spark, Kafka 등 대용량 데이터 처리 기술과 클라우드 환경(AWS, GCP, Azure)에서의 데이터 운영 경험이 중요하다.
기업들이 데이터 기반 의사결정을 점점 더 중시함에 따라, 데이터 엔지니어에 대한 수요는 계속 증가하고 있다. 특히, AI와 머신러닝 모델을 운영하기 위해 안정적인 데이터 인프라가 필수적이므로, 데이터 엔지니어는 AI 산업에서도 중요한 역할을 맡게 될 것이다.

(4) 데이터 분석가: 데이터 탐정 사무소 

데이터와 관련되어 복잡한 문제를 해결할 일이 있다면 이들을 불러보자. 이름은 다르지만 사실 이들은 데이터 분석가와 전혀 다른 직업이다. 데이터 엔지니어가 쌓아놓은 인프라 위에서 데이터 분석가의 실무가 시작된다.

이들은 그리하야 데이터를 수집, 정제 및 분석하여 비즈니스에 필요한 인사이트를 도출하는 ‘데이터 탐정 사무소’다. 이들은 데이터 분석 도구를 사용하여 데이터를 탐색하고 시각화하며, 이를 통해 가능한 합리적 의사결정을 이끈다. 따라서 이들을 데이터를 보고 실질적인 비즈니스 문제를 해결하는 안내자 역할을 한다.

예를 들어, 한 컨설팅 회사에서 마케팅 대행을 맡았다고 치자. 먼저, 고객 데이터를 수집하고 정제한 다음, 다양한 분석 도구를 사용하여 고객의 행동 패턴과 선호도를 분석한다. 이러한 분석을 통해 어떤 캠페인이 고객의 참여를 유도하고 구매를 촉진하는지 파악하고, 마케팅 전략을 개선하는 데 기여하는 것이다. 데이터 분석가는 이처럼 문제 파악과 의사결정이라는 양 날개를 달고 움직이는 직업이다.

데이터 분석은 오히려 인문대학을 나왔을 때 강점이 있다. 분석에 재무나 회계, 인사 등의 지식이 필요할 뿐 아니라, 인간지표에 대한 기본적인 이해가 바탕이 되야하기 때문이다. 따라서 데이터 분석가가 되기 위해서는 통계학, 경영학, 경제학 등 관련 학과를 전공하고, SQL, Excel, Python 등의 데이터 분석 도구 활용 능력을 추가적으로 갖추는 것이 중요하다. 선행되야하는 학습이 없는 만큼 둘 다 중요하기 때문에 학과 중에 전문지식까지 완벽히 습득하는 것이 좋다. 또한 Tableau, Power BI와 같은 데이터 시각화 도구를 사용하여 데이터를 효과적으로 표현하는 능력도 필요하다.

자격증으로는 SQLD, ADsP 등을, 경험적으로는 데이터 분석 관련 프로젝트 경험을 쌓는 것도 취업에 도움이 된다. 이들은 마케터, 금융, 공기업 등에서도 다양하게 뽑고 있으니, 자신에게 맞는 산업군과 직군을 조금 더 자세하게 설계하고 미리서부터 준비하는 것이 좋을 것이다.

(4) AI 윤리 전문가: 기술과 윤리 사이의 협상가

여기에 앞으로 부상할 수 있는 전망좋은 직업이 있다. AI 윤리 전문가는 AI 기술의 윤리적 문제를 분석하고 해결하는 역할을 한다. 이들은 AI 윤리 기준 및 가이드라인을 개발하며, AI 시스템의 윤리적 문제점을 분석하고 해결하는 업무를 수행한다. 또한, AI 윤리 교육 및 컨설팅을 통해 조직 내 윤리적 문제를 예방하고, AI 윤리 관련 정책을 연구하는 역할도 담당한다. AI 윤리 전문가가 되기 위해서는 철학, 윤리학, 법학에 대한 깊은 이해가 필요하며, AI 기술에 대한 기본적인 이해도 갖추어야 한다.

AI 윤리 전문가는 단순히 윤리적 문제를 분석하는 것을 넘어, 이를 해결하기 위한 실질적인 방안을 제시해야 한다는 점에서, 윤리적 문제 분석 및 해결 능력이 중요하다. 또한, 다양한 이해관계자들과의 협업을 통해 윤리적 문제를 해결해야 하기 때문에, 커뮤니케이션 및 협상 능력도 필수적이다. AI 윤리 전문가는 기술적 역량뿐만 아니라, 윤리적 문제를 해결할 수 있는 종합적인 역량을 갖추어야 한다는 것이다.

AI 윤리 전문가가 되기 위해서는 철학과, 윤리학과, 법학과, 사회학과 등 관련 학과에서의 학위가 필수적이다. 아직까지는 특정 자격증은 등장하지 않고 있으며, 관련 분야의 학위와 연구 경험이 중요하다.

기술적으로는 철학, 윤리학, 법학적 지식이 필요하며, AI 기술에 대한 기본적인 이해도 갖추어야 한다. 윤리적 문제 분석 및 해결 능력, 커뮤니케이션 및 협상 능력도 필수적이다. 경험적으로는 AI 윤리 관련 연구 프로젝트 참여 경험, AI 윤리 관련 정책 연구 경험, AI 윤리 관련 교육 및 컨설팅 경험이 중요하다.
전망 자체는 좋으나, 아직 그 범위가 협소하고, 수요에 비해 공급이 매우 적어 경쟁이 클 수 있으니, 자신만의 스토리와 확실한 경쟁력을 확보하는 것이 관건이다.

AI·데이터 전문가의 미래

AI와 데이터 기술의 발전은 단순히 기술적 진보를 넘어, 산업 전반에 걸쳐 새로운 직업군을 창출하고 있다. 데이터 사이언티스트, 머신러닝 엔지니어, 데이터 엔지니어, AI 윤리 전문가와 같은 직업들은 각기 다른 역할을 수행하지만, 공통적으로 방대한 데이터를 다루고 이를 활용하여 의미 있는 가치를 창출한다는 점에서 유사한 특성을 갖고 있다.

또한, 이들 직업은 단순한 기술적 역량을 넘어 비즈니스 전략, 윤리적 문제 해결, 데이터 인프라 구축 등 다양한 분야에서의 종합적인 능력을 요구한다는 점에서 기존의 직업군과는 차별화된 특성을 지닌다. 따라서 AI·데이터 전문가의 역할은 앞으로 더욱 확대될 것이며, 산업 전반에서 필수적인 존재로 자리 잡을 것이다.

AI 및 데이터 관련 직업의 구분은 명확하게 나누어지지 않는 경우가 많다. 데이터 분석가와 데이터 사이언티스트, 머신러닝 엔지니어와 AI 연구원의 역할이 겹치는 경우도 많고, 기업마다 동일한 직책이라도 기대하는 업무가 다를 수 있다. 그렇기 때문에 이 분야에 관심이 있다면 우선적으로 프로그래밍 언어(Python, SQL, R 등)를 익히는 것이 중요하다. 그후, 관심 있는 직군에 맞게 관련 프로젝트에 참여하고 경험과 네트워크를 쌓아나가는 것이 좋다.

이를테면 논리적 사고와 문제 해결을 즐긴다면 데이터 엔지니어나 머신러닝 엔지니어가 적합할 수 있고, 비즈니스 인사이트를 도출하는 과정에 흥미가 있다면 데이터 분석가가 어울릴 수 있다. 윤리적 문제와 기술의 사회적 영향에 관심이 많다면 AI 윤리 전문가라는 새로운 길도 고려해볼 수 있다.

직업 선택에 있어서 가장 중요한 것은 각 직업이 가지고 있는 특징이 무엇인지가 아닌, 내가 어떤 특징을 가지고 있는 사람인지를 잘 아는 것이다. 자신이 좋아하는 것을 조금씩 해보며 기초부터 쌓아나가면 구체적인 직업도 자연스럽게 선택할 수 있을 것이다.

한경 리크루트