박다현님은 수학·컴퓨터공학 복수전공자로 모델 학습과 데이터 분석 경험은 있었지만 서비스 구현 경험이 없어 AI NLP 부트캠프를 선택했어요. 도서 큐레이션 RAG 프로젝트에서 검색 구조 설계부터 API 연결과 AWS 배포까지 엔드투엔드로 완성했고, 이 경험들을 이력서 주요 프로젝트로 구성해 인턴에 합격했습니다.
![[AI NLP 부트캠프 후기] RAG 프로젝트 하나로 인턴 합격하기까지](https://image.inblog.dev?url=https%3A%2F%2Fsource.inblog.dev%2Ffeatured_image%2F5e4bef5a-6509-4e19-a293-6aac81f2bdc5%2Fb8a8549e-63af-43b2-83b6-5ccd1d5b2f5c&w=3840&q=75)
전공을 했는데도 부트캠프가 필요할까요?
다현님은 수학과에 컴퓨터공학을 복수전공하며, 학부연구생으로 NLP 기반 감정분석 프로젝트까지 진행했어요. 심층학습 수업을 들으며 머신러닝과 딥러닝의 기본 개념도 익혔고요.
그만큼 AI와 관련된 지식과 프로젝트 경험은 쌓여 있었지만, 한편으로는 아쉬움도 남았어요. 모델을 학습시키고 결과를 분석하는 것에는 익숙했지만, 그 결과를 실제 API나 서비스로 연결해 구현해본 경험은 부족하다고 느꼈거든요.
그래서 다현님은 개념을 처음부터 다시 배우기보다는, 이미 알고 있는 내용을 직접 구현해보며 경험의 폭을 넓힐 수 있는 과정을 찾았어요. 그렇게 AI NLP 부트캠프 4기를 시작했고, 11주 동안 프로젝트를 진행하며 검색 구조를 직접 설계하고 서비스를 배포하는 경험까지 쌓을 수 있었어요!
부트캠프에서 진행한 프로젝트 경험을 바탕으로 이력서를 구성해 지원했고, 이후 인턴에도 합격할 수 있었는데요.
모델 학습과 분석을 넘어 실제 서비스를 구현해본 경험은 다현님에게 어떤 의미였을까요? 전공자로서 이미 알고 있던 지식을 직접 만들어보는 과정에서 무엇이 달라졌는지, 다현님의 이야기를 들어봤어요.
💡
목차
수학과 전공자가 NLP 엔지니어 취업을 생각하게 된 계기
전공 지식이 있는데도 AI 엔지니어 부트캠프 커리큘럼을 다시 찾은 이유
개발 전공자에게도 어렵게 느껴진 부분
학교 프로젝트와 달랐던 부트캠프 프로젝트
LLM 프로젝트에서 막혔던 문제를 해결한 방법
AI 엔지니어 면접까지 이어진 프로젝트 경험
Q. 수학과를 전공하다가 NLP 엔지니어 취업을 생각하게 된 계기는 무엇인가요?
"사용자가 직접 체감할 수 있는 결과물을 만들고 싶었어요"
처음부터 AI 엔지니어를 목표로 했던 건 아니었어요. 수학과를 다니면서 컴퓨터공학을 복수전공했고, 심층학습 수업을 들으면서 개념을 접했어요.
관심이 구체적으로 바뀐 건 학부연구생으로 참여한 NLP 기반 감정분석 프로젝트였어요. 텍스트 데이터를 분석하는 과정에 흥미를 느꼈고, 이후 LLM과 RAG 기술을 접하면서 다양한 정보를 활용해 실제 서비스를 구현할 수 있다는 점에 매력을 느꼈어요.
원래는 수학 전공을 살릴 수 있는 데이터 분석 분야를 주로 생각했었는데, AI 엔지니어링은 달랐어요. 모델과 데이터를 활용해 사용자가 직접 체감할 수 있는 결과물을 만든다는 점에서 더 큰 흥미를 느꼈고, 그때부터 AI 엔지니어를 구체적인 진로로 생각하게 됐어요. 다만 목표가 생겼다고 해서 바로 준비가 된 건 아니었어요.
Q. 전공 지식이 있는데도 AI 엔지니어 부트캠프를 찾은 이유는 무엇인가요?
"모델 학습까지는 해봤지만, 서비스로 만들어본 경험은 부족했어요"
부트캠프를 알아볼 때 가장 중요하게 본 건 커리큘럼과 프로젝트 구성이었어요.
학교와 개인 프로젝트로 AI의 기본 개념은 이미 접한 상태였기 때문에, 개념을 처음부터 다시 배우기보다는 심화 과정에서 실습과 프로젝트 중심으로 직접 구현해볼 수 있는 과정을 원했어요. 여러 교육 과정 중 멋쟁이사자처럼 AI 엔지니어 부트캠프 커리큘럼을 선택한 것도 이 기준이 가장 크게 작용했어요.
RAG와 LLM을 중심으로 학습한다는 점도 영향이 컸어요. 기존 경험은 머신러닝·딥러닝 모델을 학습하고 분석하는 쪽에 가까웠는데, 검색·임베딩·프롬프트 설계 같은 RAG 파이프라인을 직접 구현해볼 수 있다는 점이 과정을 고르는 데 중요한 이유였어요.
11주라는 기간도 잘 맞았어요. 짧은 기간 집중해서 학습하고 프로젝트까지 경험할 수 있고, 오프라인이라 강사님이나 팀원들과 바로 소통하며 문제를 해결할 수 있다는 점이 좋았어요.
그렇게 시작했는데, 막상 들어가 보니 전공 지식이 있다고 해서 수월하게만 흘러가지는 않았어요.
Q. 개발 전공자에게도 어렵게 느껴진 부분이 있었나요?
"개념을 아는 것과 직접 구현하는 건 달랐어요"
네, 처음 접해보는 기술과 도구가 많아서 어렵게 느껴진 부분이 있었어요. 기본적인 개발이나 AI 개념을 알고 있어도 LLM과 RAG를 실제로 구현해본 경험은 많지 않았기 때문에 초반에는 어떤 방식으로 접근해야 할지 헤매기도 했어요.
가장 기억에 남는 수업은 트랜스포머 구조를 다룬 이론 수업이었어요. 트랜스포머는 지금 LLM의 기본이 되는 구조인데, 이전에는 개념을 단편적으로만 알고 있었거든요. 어텐션을 비롯한 전체 구조와 동작 원리를 차근차근 이해하고 나니, 이후에 LLM 관련 기술을 공부할 때도 기본 원리를 바탕으로 바라볼 수 있게 됐어요.
막혔을 때 강사님께 질문드리면 "왜 문제가 발생했는지"와 "어떤 방향으로 접근하면 좋을지"를 함께 짚어주셨어요. 처음 접하는 기술이나 개념에서 막혔을 때 관련 원리를 다시 설명해주시거나 참고할 방향을 알려주셔서, 스스로 해결하는 데 도움이 됐어요.
수업과 별개로 NLP 심화 스터디에도 참여했어요. 수업 내용을 복습하고 과제를 직접 확장해보면서, 코드를 실행할 때 왜 이런 차이가 발생하는지 스터디원들과 논의하는 과정이 이해를 깊게 하는 데 도움이 됐어요.
수업과 스터디로 개념을 잡고 나서 본격적으로 부딪힌 건 프로젝트였어요.
Q. 학교 프로젝트와 부트캠프 프로젝트는 무엇이 달랐나요?
"이번에는 배포까지 해야 끝나는 프로젝트였어요"
가장 큰 차이는 어디까지 만들어야 끝나느냐였어요.
학교나 개인 프로젝트에서는 주로 모델을 학습하거나 분석 결과를 도출하는 단계까지 진행했어요. 반면 부트캠프 프로젝트에서는 API 연결과 배포까지, 실제 사용 가능한 서비스 형태로 만들어야 했어요. 여러 단계가 서로 연결되어 있어서 전체 구조를 함께 고려해야 한다는 점에서 규모와 복잡도가 크게 느껴졌어요.
도서 큐레이션 RAG 프로젝트가 대표적이었어요. 사용자 질의에 적합한 도서를 검색하기 위해 Dense 검색과 BM25를 비교하고, 두 방식을 결합한 Hybrid Retrieval과 RRF를 적용해 검색 성능을 개선했어요. 여러 검색 방식과 임베딩 모델을 직접 비교·평가하면서 실험 결과를 근거로 더 적합한 방법을 선택하는 과정을 경험했어요.
여기서 끝이 아니라 API 연결과 AWS 배포까지 이어졌어요. 검색 성능을 개선하는 것과, 그 결과를 실제로 돌아가는 서비스에 얹는 건 또 다른 문제였거든요. 하나의 프로젝트 안에서 설계부터 배포까지 전 과정을 이어본 경험이 많지 않았던 터라, 이 과정 자체가 크게 남았어요.
최종 프로젝트는 참여 기업 C사와 함께 진행했어요. 기업 멘토님이 프로젝트 전반에 꾸준히 관심을 갖고 구체적인 피드백을 주셨는데, 특히 성능 평가용 골드셋 구축을 고민할 때 도움이 컸어요. "LLM의 결과를 다시 LLM으로 평가하기보다, 사람이 검수할 수 있는 기준을 어떻게 만들지"를 팀원들과 함께 고민해주셨거든요. 덕분에 평가 방식 자체의 타당성을 따져보는 경험을 할 수 있었어요.
아쉬웠던 점도 있어요. 프로젝트 기간이 비교적 짧아서 엔드투엔드 완성에 집중하다 보니, 구현한 기능을 더 고도화하거나 다양한 방법을 추가로 실험해보지는 못했어요.
물론 진행하는 동안 예상하지 못한 문제도 여러 번 있었어요.
Q. LLM 프로젝트를 하면서 막혔던 문제는 어떻게 해결했나요?
"로그부터 확인하면서 원인을 좁혀갔어요"
AWS EC2 서버에 SSH로 접속해 작업하던 중 연결이 반복적으로 끊기는 문제가 있었어요. 서버 상태와 로그를 확인하면서 원인을 추적한 결과 저장 공간 부족이 원인이라는 걸 확인했고, 인스턴스의 스토리지 용량을 확장해 해결했어요.
임베딩 모델을 선정할 때는 공식 문서와 한국어 임베딩 벤치마크 결과를 참고해 여러 모델의 성능을 비교했고, 그 결과를 프로젝트에 적합한 모델을 고르는 근거로 활용했어요.
배포 환경을 구축할 때는 팀원 모두 경험이 많지 않아 초기 설정 단계에서 어려움을 겪었는데, 강사님이 EC2 환경 설정과 서버 구축에 필요한 기본적인 부분을 함께 확인해주시고 방향을 잡아주셨어요. 이후에는 팀원들과 필요한 내용을 찾아보며 완성해 나갔어요.
이전에는 문제가 생기면 해결 방법부터 찾아보는 경우가 많았어요. 그런데 프로젝트를 거치면서 먼저 로그나 에러 메시지를 확인하고 원인을 좁혀가는 방식이 중요하다는 걸 배웠어요. 하나의 방법에 바로 의존하기보다 공식 문서나 실험 결과를 근거로 여러 가능성을 비교해보는 습관도 생겼고요.
이렇게 쌓인 과정들이 취업 준비를 시작하면서 생각보다 크게 작용했어요.
Q. 부트캠프 경험은 AI 엔지니어 취업 준비와 면접에 어떤 도움이 됐나요?
"이력서의 주요 프로젝트가 전부 부트캠프 경험이 됐어요"
최근 취업 준비를 하면서 이력서의 주요 프로젝트를 부트캠프에서 진행한 경험들로 구성했고, 이를 바탕으로 지원한 인턴에 합격했어요.
프로젝트에서 직접 고민하고 해결한 경험이 AI 엔지니어 면접에서 설명할 수 있는 구체적인 사례가 됐어요. 실제 결과로도 이어지면서 이전보다 취업에 대한 자신감이 많이 높아졌어요.
혼자 준비했다면 얼마나 더 걸렸을지는 정확히 판단하기 어렵지만, 오래 걸렸을 것 같아요. 부트캠프를 통해 AI 프로젝트가 어떤 흐름으로 진행되는지 감을 잡을 수 있었고, 수강생들과 의견을 나누고 강사님께 피드백을 받으면서 문제를 어떤 순서로 접근하고 해결해야 하는지도 배울 수 있었거든요. 혼자였다면 기술 공부뿐 아니라 전체적인 방향을 잡는 과정에서도 많이 헤맸을 것 같아요.
이런 분들에게 추천해요
전공 수업이나 학부연구생으로 모델 학습·분석까지는 해봤지만, 서비스 구현 경험이 없는 분
AI 개념은 알고 있어 입문 과정보다 심화 실습 중심 과정을 찾고 있는 분
LLM·RAG 파이프라인을 개념이 아니라 직접 구현해보고 싶은 분
이력서와 AI 포트폴리오에 담을, 면접에서 직접 설명할 수 있는 프로젝트 경험이 필요한 분
AI 부트캠프를 비교하면서 커리큘럼 난이도와 프로젝트 구성을 가장 중요하게 보는 분
모델 학습과 분석에서 멈춰 있던 다현님은, 이제 알고 있던 개념을 실제로 작동하는 서비스로 옮길 수 있게 됐어요. 검색 구조를 직접 설계하고 배포까지 마치면서요. 다만 그 변화를 혼자 만든 건 아니었어요.
다현님은 멋사에서 보낸 시간을 "같은 방향을 바라보는 사람들과 함께 성장한 시간"이라고 표현했어요. 비슷한 진로를 희망하는 사람들과 고민을 나누고, 강사님과 멘토님께 바로 피드백을 받으면서 기술뿐 아니라 문제를 풀어가는 순서까지 배울 수 있었기 때문이에요.
전공은 했지만 "내가 만든 걸 남에게 보여줄 수 있나"라는 질문 앞에서 망설이고 있다면, 다현님의 11주를 참고해보세요.
아래에서 AINLP 부트캠프의 자세한 커리큘럼과 상담 방법을 확인할 수 있어요!
Share article