바이브 코딩 시대에 의미 있는 일 찾기

작성자별 이미지

# 소개

우리 모두는 스스로 만든 바닥을 향한 경주를 하고 있습니까? 데이터 전문가는 대규모 언어 모델(LLM)을 개발하기 위해 수년간 고용되어 왔습니다.

이제 오픈 데이터 포지션의 수가 매일 줄어들고 있는 것 같습니다. 광고된 것 중 대부분은 아주 형편없어 보입니다.

최악이라는 것은 후보자의 급여가 너무 낮거나 기술에 대한 불합리한 기대를 의미하는 것이 아닙니다. 아니요, “AI 생산성 도구를 사용하여 편안하게 작업할 수 있습니다.”, “많은 양의 코드를 제공할 수 있습니다.” 또는 “강력한 프롬프트 엔지니어링 기술이 장점입니다.”와 같은 모호한 문구를 의미합니다. 번역: 챗봇은 주요 코딩 파트너이며 멘토링도 없고 표준도 없으며 단지 코드 변동만 있을 뿐입니다.

우리가 직접 만든 챗봇은 이제 우리를 결과의 단순한 복사판으로 만들고 있습니다. 그다지 의미가 있거나 성취감을 주는 일은 아닌 것 같습니다.

이런 환경에서도 의미 있는 일을 찾을 수 있을까?

# 바이브 코딩이란 무엇입니까?

안드레이 카르파티안 오픈AI 공동 창립자는 “바이브 코딩”이라는 용어를 만들었습니다. 이는 코딩을 전혀 하지 않는다는 의미입니다.

당신이 하는 일: 말차 라떼를 마시고, 진동하고, 코딩 챗봇에 명령을 내리고, 코드를 코드 편집기에 복사하여 붙여넣고 있습니다.

챗봇이 하는 일: 코딩하고, 오류를 확인하고, 코드를 디버그합니다.

하지 말아야 할 일: 코딩을 하지 않고, 오류를 확인하지 않으며, 코드를 디버깅하지 않습니다.

그런 일은 어떤 느낌인가요? 풀타임 뇌 부패처럼요.

무엇을 기대했나요? 업무의 흥미롭고 창의적이며 문제 해결 측면을 모두 챗봇에 넘겼습니다.

# 바이브 코딩은 코딩의 가치를 떨어뜨렸습니다.

Andrej Karpathy는 바이브 코딩에 대해 “일회용 주말 프로젝트에 나쁘지는 않지만 여전히 꽤 재미있습니다.”라고 말했습니다.

그럼에도 불구하고, 자신의 제품을 “일회용 주말 프로젝트”로 생각하지 않는 신뢰할 수 있는 회사는 바이브 코딩 연습을 시작하는 것이 여전히 좋은 생각이라고 결정했습니다.

AI 코딩 도구가 등장했고 데이터 전문가는 쫓겨났습니다. 남은 사람들의 주된 업무는 챗봇과 대화하는 것이다.

작업은 그 어느 때보다 빠르게 완료됩니다. 이전에는 불가능했던 마감일을 맞추게 됩니다. 생산적인 척하는 능력이 완전히 새로운 수준에 도달했습니다.

결과는? 절반만 완성된 프로토타입. 프로덕션에서 중단되는 코드입니다. 코드가 작동하지 않는 이유를 모르는 데이터 전문가. 젠장, 그 사람들은 왜 코드가 있는지도 몰라 ~이다 일하고 있는.

예측: 코딩 방법을 정말로 아는 전문가들은 곧 다시 유행할 것입니다. 결국 누군가는 챗봇이 “매우 빠르게” 작성한 코드를 다시 작성해야 합니다. 효율성에 대해 이야기하십시오. 글쎄, 당신은 그것보다 훨씬 더 효율적이지 않습니다.

그런데 그때까지 어떻게 살아남나요?

# 지금 의미 있는 직업을 어떻게 찾나요?

원칙은 매우 간단합니다. 챗봇이 할 수 없는 작업을 수행하는 것입니다. AI가 할 수 없는 것과 인간이 할 수 있는 것을 비교해보자.

물론, 모든 작업을 수행하려면 특정 기술이 필요합니다.

# 필수 기술

바이브 코딩 시대에 의미 있는 일을 찾으려면 이러한 기술이 필요합니다.

// 1. 기술 사양서 작성

귀하가 처리하게 될 대부분의 요청에는 불완전하고 모호한 정보가 포함되어 있습니다. 해당 정보를 정확한 기술 사양으로 전환할 수 있다면 개발 작업에서 모순되는 가정과 기대를 방지할 수 있다는 점에서 높이 평가될 것입니다. 기술 사양은 프로젝트에 참여하는 모든 팀을 조정하는 데 도움이 됩니다.

이 스킬에 포함되는 내용은 다음과 같습니다.

자원:

// 2. 데이터 흐름 이해

잘못된 코드 때문에 시스템이 실패하는 것은 아닙니다. 틀림없이 데이터에 대한 잘못된 가정으로 인해 더 자주 실패합니다.

바이브 코딩에 관계없이 누군가는 여전히 데이터가 생성, 수정 및 소비되는 방식을 이해해야 합니다.

자원:

// 3. 프로덕션 디버깅

LLM은 프로덕션 환경에서 디버깅할 수 없습니다. 생산 사고의 근본 원인을 진단하기 위해 로그와 측정항목을 해석하는 지식이 있어야 합니다.

자원:

// 4. 건축적 추론

아키텍처를 이해하지 못하면 시스템은 프로덕션 환경에서 작동하도록 설계되지만 실제 트래픽에서는 실패하는 경우가 많습니다.

아키텍처 추론은 시스템의 안정성, 대기 시간, 처리량 및 운영 복잡성을 결정합니다.

자원:

// 5. 스키마 및 계약 설계

제대로 설계되지 않은 스키마와 시스템 통신 방식에 대한 정의는 도미노 효과를 일으킬 수 있습니다. 즉, 과도한 마이그레이션으로 이어지는 연속적인 실패는 결국 팀 간의 조정 마찰로 이어집니다.

좋은 디자인을 만들면 안정성이 확보되고 중단이 방지됩니다.

자원:

// 6. 운영 인식

시스템은 항상 개발 환경과 프로덕션 환경에서 다르게 동작합니다.

전체 아이디어는 시스템이 작동하는 것이므로 구성 요소의 성능이 어떻게 저하되고 오류가 발생하는지, 병목 현상이 무엇인지, 어디에 있는지 이해해야 합니다. 이러한 지식이 있으면 개발과 생산 사이의 전환이 덜 고통스러울 것입니다.

자원:

// 7. 요구사항 협상

“예방이 치료보다 낫다”는 말은 여기에도 적용됩니다. 요구 사항이 처음에 제대로 정의되지 않은 경우 거의 끝없는 중단과 재작성을 예상할 수 있습니다. 시스템이 생산되면 수리하는 것은 지옥입니다.

이를 방지하려면 초기 개발 단계에 능숙하게 개입하여 범위를 조정하고, 기술적 제약 사항을 전달하고, 모호한 요구 사항을 기술적으로 실현 가능한 요구 사항으로 변환해야 합니다.

자원:

// 8. 행동 코드 검토

기능뿐만 아니라 시스템에 미치는 영향에 대해서도 더 광범위하게 코드를 읽을 수 있어야 합니다.

이렇게 하면 특히 AI 생성 패치에서 린팅이나 테스트에 나타나지 않는 위험을 식별하고 프로덕션을 방해할 수 있는 미묘한 버그를 방지할 수 있습니다.

자원:

// 9. 비용 및 성과 판단

귀하의 작업에는 재정적, 운영적 영향이 있습니다. 작업 시 컴퓨터 사용량, 대기 시간, 처리량 및 인프라 비용을 고려하여 이를 이해하고 있음을 보여주면 더 가치 있게 될 것입니다.

기업에서는 작동하지 않는 값비싼 시스템을 구축하는 것보다 이것이 훨씬 더 가치 있다고 생각합니다.

자원:

# 여전히 의미 있다고 느껴지는 실제 직업

마지막으로 앞서 논의한 기술 중 적어도 일부 또는 전부를 사용하는 실제 직업에 대해 이야기해 보겠습니다. 초점이 코딩 자체에서 멀어질 수 있지만 해당 작업의 일부 측면은 여전히 ​​​​의미 있다고 느낄 수 있습니다.

// 1. 데이터 과학자(노트북 전용이 아닌 실제 유형)

AI는 코드를 생성할 수 있지만 데이터 과학자는 모호하고 프레임이 잘못된 문제에 대한 구조, 추론 및 도메인 이해를 제공합니다.

// 2. 머신러닝 엔지니어

AI는 모델을 교육할 수 있지만 데이터 준비, 파이프라인 교육, 인프라 제공, 모니터링, 오류 처리 등은 어떻습니까? 그것이 머신러닝 엔지니어의 일입니다.

// 3. 분석 엔지니어

AI는 SQL 쿼리를 작성할 수 있지만 분석 엔지니어는 정확성과 장기적인 안정성을 보장하는 사람들입니다.

// 4. 데이터 엔지니어

데이터 엔지니어는 데이터의 신뢰성과 가용성을 담당합니다. AI는 데이터를 변환할 수 있지만 시스템 동작, 업스트림 변경 또는 장기적인 데이터 안정성을 관리할 수는 없습니다.

// 5. 머신러닝 운영/데이터 운영 엔지니어

이러한 역할은 파이프라인이 안정적으로 실행되고 모델이 정확하게 유지되도록 보장합니다.

AI를 사용하여 수정 사항을 제안할 수 있지만 성능, 시스템 상호 작용 및 생산 오류에는 여전히 사람의 감독이 필요합니다.

// 6. 연구원(응용기계학습/인공지능)

AI는 실제로 새로운 것을 가져올 수 없습니다. 특히 새로운 모델링 접근 방식과 알고리즘은 더욱 그렇습니다. 이미 존재하는 것을 다시 해시할 수 있습니다.

그 외에는 전문적인 지식이 필요합니다.

// 7. 데이터 제품 관리자

이 직무의 설명은 비즈니스 요구 사항을 명확한 기술 요구 사항으로 변환하고 다양한 이해 관계자의 우선 순위를 조정하는 작업을 포함하여 데이터 또는 기계 학습 제품이 수행해야 하는 작업을 정의하는 것입니다.

범위를 협상하거나 위험을 평가하기 위해 AI를 사용할 수는 없습니다.

// 8. 거버넌스, 규정 준수 및 데이터 품질 역할

AI는 데이터 관행이 법적, 윤리적, 신뢰성 표준을 충족하는지 보장할 수 없습니다. 누군가는 규칙을 정의하고 시행해야 하며, 이것이 바로 거버넌스, 규정 준수 및 데이터 품질 역할의 역할입니다.

// 9. 데이터 시각화/의사결정 과학 역할

데이터가 어떤 목적을 가지려면 의사결정과 연결되어야 합니다. AI는 원하는 대로 차트를 생성할 수 있지만 결정을 내리는 데 무엇이 중요한지는 알지 못합니다.

// 10. 고위 데이터 역할(Principal, Staff, Lead)

AI는 훌륭한 조수이지만 끔찍한 리더입니다. 더 정확하게는 이어질 수 없습니다.

의사결정? 도메인 간 리더십? 기술 방향을 안내합니까? 오직 인간만이 그런 일을 할 수 있습니다.

# 결론

바이브 코딩 시대에 의미 있는 일을 찾는 것은 쉽지 않습니다. 하지만 데이터 전문가가 코딩만 하는 것은 아닙니다. 바이브 코딩이 필요하더라도 여전히 AI가 대체할 수 없는 기술이 필요한 구인 광고를 찾아보세요.

네이트 로시디 데이터 과학자이자 제품 전략 분야의 전문가입니다. 그는 또한 분석을 가르치는 부교수이기도 하며 데이터 과학자가 상위 기업의 실제 인터뷰 질문을 사용하여 인터뷰를 준비하는 데 도움이 되는 플랫폼인 StrataScratch의 창립자이기도 합니다. Nate는 취업 시장의 최신 동향에 대해 글을 쓰고, 인터뷰 조언을 제공하고, 데이터 과학 프로젝트를 공유하고, SQL의 모든 것을 다룹니다.