멘토링 기간 | 기본 4개월 (17주) *월 단위 연장 가능 |
멘토링 방식 | 1. 주 1회 1시간 화상 멘토링 (Slack으로 멘토님과 상시 소통)
2. 시니어 개발자의 꼬리질문 멘토링 방식
3. 프로젝트 가이드 및 Github로 상시 코드 리뷰
4. 멘토링 녹음본 및 스크립트 제공
5. 이력서, 기술 면접, 포트폴리오 등 커리어 코칭 |
멘토링 커리큘럼은 멘티의 현재 실력과 경험에 맞춰 맞춤형으로 진행됩니다.
선정된 멘토님과의 멘토링 과정에서 개인별 커스터마이징되며, 이미 실무 경험이나
기본 내용을 숙지하고 계신 분들은 심화 과정에 안내된 내용 중심으로 바로 진행할 수 있습니다.
Step 00. 숙지사항
F-Lab은 기술을 제대로 알고 쓰는 것에 중점을 두고 있습니다. 단순하게 “기업의 채용 우대 사항에 있는 특정 기술을 경험해 봤다” 정도만으로는 커리어를 향상시키기 어렵기 때문입니다.
F-Lab의 커리큘럼은 단순히 완주하는 것이 목표가 아닙니다.
많은 분들이 끊임없이 공부에 몰두하더라도, 좋은 회사에 입사하지 못하는 주된 이유는 진도를 나가는 데에만 급급하여 필요한 지식을 제대로 습득하지 못하고 넘어가게 되어, 면접에서 깊이 있는 답변을 하지 못하기 때문입니다. 분명히 공부했음에도 불구하고 면접에 가면 말이 나오지 않는 이유 또한 이 때문입니다.
사용하는 기술에 대해 깊게 학습하면, 면접에서도 깊이 있는 답변을 할 수 있습니다. 이는 좋은 인상을 줄 뿐 아니라, 개발자로서 학습한 지식을 코드에 적용하는 능력도 향상시킵니다. 깊은 학습은 개발 실력 자체를 향상시켜주며, 이는 본질적인 개발 역량의 향상을 의미합니다.
따라서 F-Lab에서는 멘토와 멘티가 1:1로 맞춤형 학습을 진행합니다. 멘티 개개인의 학습 수준과 방식에 맞춰진 커리큘럼을 통해, 꾸준하고 깊이 있는 학습 습관을 기르는 것이 중요합니다. 이를 통해 멘티님은 상위권 개발자로 성장할 수 있습니다.
Step 01. 머신러닝 기본기 학습 (4주)
머신러닝 엔지니어는 컴퓨터 과학(CS) 기본기를 바탕으로, Machine Learning 기초(통계 및 머신러닝 이론)를 응용하여 논문으로 존재하는 머신러닝 기술을 제품에 녹이는 역할을 합니다. 안정적이고 큰 트래픽을 처리하는 머신러닝 시스템을 만들어나가기 위해서는 모델 학습을 위한 데이터 처리, 모델 학습 및 배포, 모델 서빙, 모델 평가, 모델 최적화, 모니터링 등의 모델 개발의 과정에 대한 깊이 있는 이해가 요구됩니다.
이러한 기술적 역량이 부족할 경우, 모델 서빙 성능을 최적화하지 못해 하드웨어 자원이 부족하게 되거나 모델 평가 성능 개선이 적절하게 이뤄지지 않아 이는 고객들에게 좋지 않은 경험을 줄 수 있습니다. 또한 미래의 나 자신을 비롯한 동료 엔지니어들이 서비스를 유지보수 하는 데 어려움을 겪을 수 있으며, 이는 서비스의 유지보수성을 약화 시킬 수 있습니다.
따라서 논문을 읽고 논문에서 사용하는 이론, 기술과 동작 환경에 대해 충분히 이해하고, 작성한 코드의 각 줄을 설명할 수 있는 머신러닝 엔지니어로 성장하기 위해 기본기를 다지는 이론 학습 시간을 가집니다.
더불어 좋은 회사에서 엔지니어로 일하기 위해서는 소프트 스킬과 같은 기본적인 소양이 필수적이므로 "좋은 엔지니어"라는 것이 무엇인지 이해할 수 있도록 기본 소양에 대한 학습 또한 진행합니다.
이론 학습에서 공부하는 것들 예시Step 02. 머신러닝 심화 학습 (2주)
PyTorch와, 그리고 BentoML를 활용하여 높은 퀄리티의 프로젝트를 진행하는 방법에 대해 학습합니다.
모델의 구현 방향이 비슷하더라도 누구는 빅테크 기업에 입사하고, 누구는 입사하지 못하는 이유는 프로젝트에서 한 고민의 깊이가 크게 차이나기 때문입니다. F-Lab 멘토링의 포트폴리오는 모두를 위해 공개되어 있지만, 그 서비스의 결과물을 유사하게 따라하더라도 같은 성과를 내지 못하는 이유는 직접 고민하고 만들었던 결과가 아니기에 면접에서 이론적 개념이나 코드의 의도를 깊이있게 말할 수 없기 때문입니다.
진행 원칙
•
흔한 포트폴리오를 만들지 않게 하기위해 프로젝트 주제는 멘티가 정합니다. 멘토님은 그 주제에 대해 깊이있게 고민할 수 있도록 본인의 경험을 전달하며 가이드를 드립니다.
•
프로젝트는 기능을 1개만 만들더라도 수준 높게 만드는 것을 목표로 합니다.
진행 내용
•
관습적으로 작성하는 부분에 대해 다시 고민해보며 “왜?”를 고민하는 습관 형성
•
멘토님의 코드 리뷰를 통해 이론을 코드에 적용하는 법과 더 좋은 코드를 작성하는 법 학습
•
성능을 높힐 수 있는 방안에 대한 멘토님의 가이드
◦
Data Processing / Feature Engineering
◦
Model Training / Evaluation
◦
Model Registry / Deployment
◦
Model Serving
◦
Scale Up / Scale Out
•
온라인 모델 모니터링
•
CI 적용 및 Codebeat를 이용하여 코드 퀄리티 진단
•
테스트 코드 작성으로 동작을 보장하는 방법 학습
•
로깅, 모니터링, 알람 시스템 연동
Step 03. 프로젝트 수행 (7주)
현업과 비슷한 환경을 경험하기 위해 클라우드 환경에 서버들을 구성하고 배포합니다.
단순히 도구를 이용하여 쉽게 배포하는 것이 아니라, 직접 서버에 배포를 수행한 후 자동화를 구축하는 방식으로 진행합니다. 이를 통해 배포 과정의 세부 사항을 깊이 있게 이해할 수 있습니다.
진행 내용
•
배포 프로세스의 번거로움을 체감하기 위해 직접 클라우드 서버에 배포를 해봅니다.
•
PyTorch, BentoML, Ray Tune 등 여러 툴들도 배포 관리 및 최적화도 해보며, 모델을 실무 단계에서 관리하는 관점에서의 최적화 할 수 있는 방법을 고민해보게 됩니다.
•
모델 학습 및 배포 과정을 자동화해보며 현업에서 자동화가 어떤 변화를 이끌어내는지 직접 그 입장이 되어 체험해봅니다.
이제는 AI 시대이기에 프로젝트를 할 때 반드시 AI를 접목한 기능을 하나 이상 만듭니다.
LLM을 활용한 서비스 만들기
1.
LLM API 연동하기
2.
API 교체가 용이하도록 LLM 연동 모듈 추상화시키기
3.
구현하고자 하는 기능에 LLM을 활용하기 위한 프롬프트 엔지니어링과 관리 방법 익히기
4.
LLM을 활용할 때 기술/UX 부분에서 고려해야할 점
a.
응답속도가 느린 API 사용 시 동기/비동기 처리 전략
b.
사용자 체감 속도 개선 방안의 실습
5.
챗봇을 만들 때 기술/UX 부분에서 고려해야할 점
Step 04. 학습 파이프라인 및 최적화 전략 (2주)
지속 가능한 AI 서비스를 위해 모델 학습, 평가, 배포를 자동화하여 파이프라인을 구성할 수 있는 능력을 갖추고 있어야 합니다.
이를 위해 주어진 모델이 서비스에서 별다른 추가 작업이 없더라도 지속적으로 추가되는 데이터에 대해서 자동으로 학습하고 평가할 수 있는 시스템을 구성하도록 합니다.
또한, 하이퍼 파라미터 최적화(Hyper Parameter Optimization, HPO)를 통해 최적의 파라미터를 찾고 이를 통해 최적의 모델 퍼포먼스를 제공할 수 있도록 머신러닝 최적화 접근 방법을 습득하게 됩니다.
진행 내용
•
Airflow, PyTorch, BentoML을 연결하여 학습 파이프라인 구성
•
Ray Tune을 통한 하이퍼 파라미터 최적화
(연장시) MLOps 심화코스 진행
4단계까지 진행했다면 깊이있게 개발하는 방법을 익혀 스스로 성장할 수 있는 상태가 되셨을 겁니다. 하지만 더 많은 것들을 해보고 싶으시다면 연장 멘토링을 통해 심화코스를 계속 진행하실 수 있습니다.
진행 내용
•
Kubeflow 및 KServe를 통한 서빙 실험.
•
Katib를 통한 HPO(Hyper parameter Optimization)
•
Feast 실험 및 On/offline Feature Store 도입.
•
Quantization / Pruning / Knowledge Distillation을 통한 모델 최적화.
•
Onnx Runtime을 이용한 Embedded System.
공통 커리큘럼
F-Lab 멘토링은 단순히 정해진 요구사항을 따라 구현하는 프로젝트 멘토링이 아닙니다.
모든 과정에서 이론을 기반으로, 스스로 생각하게 만들어 이유를 고민할 수 있도록 훈련합니다.
이를 통해 “왜 이렇게 설계했는지”, “왜 이 기술을 선택했는지”를 명확히 설명할 수 있는 개발자로 성장하게 됩니다. 이러한 접근 방식이 F-Lab 멘티들의 포트폴리오와 면접 결과가 좋은 이유입니다.
상위권 개발자로 성장하기 위한 커리큘럼의 큰 틀은 정해져 있으나, 멘티의 상황 분석과 현재 수준·목표에 맞추어 유연하게 조정하며 진행됩니다.
멘티의 학습 속도와 상황에 따라 커리큘럼 진행 기간은 달라질 수 있습니다.
멘토링 기간 내에 정규 커리큘럼 외에도, 필요한 시점에 멘토님께 이력서 피드백, 모의 면접을 요청할 수 있으며, 합격 이후의 회사 선택 기준, 처우 협상 방법, 커리어 방향성에 대해서도 조언을 받을 수 있습니다.
멘토님은 단순한 강사가 아닌, 멘티의 상황에 맞춰 함께 고민하는 ‘멘토님’의 역할을 수행합니다.
멘토링 수료 이후에는 F-Lab 커뮤니티를 통해 지속적인 성장과 커리어 지원을 받을 수 있습니다.
커뮤니티에서는 성장과 효과적인 구직을 주제로 한 세미나를 지속적으로 운영하며, 수료생 간 스터디, 네트워킹, 모각코, 알고리즘 스터디 등이 활발히 이루어집니다.
또한 멘토님들도 커뮤니티에 함께 참여하고 있어, 멘토링 종료 이후에도 높은 수준의 피드백과 자극을 지속적으로 받을 수 있습니다.