AI대학원 준비하는 방법, 전공자와 비전공자가 다르게 챙길 것들
AI대학원 준비를 시작할 때 먼저 보는 것
얼마 전 지인이 AI대학원 진학을 고민한다며 연락을 해왔습니다. 개발 경험은 조금 있지만 논문은 거의 읽어본 적이 없고, 수학도 어디까지 다시 봐야 할지 막막하다고 하더라고요. 요즘 AI대학원에 관심 있는 사람이 정말 많아졌는데, 막상 준비를 시작하면 입시 정보보다 먼저 부딪히는 게 방향 설정입니다.
AI대학원은 단순히 인공지능을 배우러 가는 곳이라기보다 연구를 훈련하는 곳에 가깝습니다. 그래서 지원 전에 내가 원하는 것이 취업 경쟁력인지, 연구 경험인지, 박사 진학인지부터 나누어 보는 게 좋습니다. 같은 AI대학원이라도 연구실 분위기, 지도교수의 관심 분야, 졸업 후 진로가 꽤 다릅니다.
예를 들어 자연어처리, 컴퓨터비전, 추천시스템, 로보틱스, 의료AI는 필요한 배경이 다릅니다. 자연어처리는 언어모델과 데이터 처리 경험이 중요하고, 컴퓨터비전은 이미지 처리와 딥러닝 구현 경험이 자주 요구됩니다. 로보틱스나 자율주행 쪽은 제어, 센서, 수학적 모델링 감각도 크게 작용합니다.
초보자가 가장 먼저 챙길 기본기
AI대학원 준비에서 많이 헷갈리는 부분이 수학입니다. 사실 모든 수학을 깊게 끝내고 지원할 필요는 없습니다. 다만 선형대수, 확률과 통계, 미적분의 기본 개념은 논문과 모델 구조를 이해하는 데 계속 등장합니다. 특히 행렬 연산, 벡터 공간, 확률분포, 기댓값, 그래디언트 같은 개념은 익숙해질수록 좋습니다.
프로그래밍은 Python을 중심으로 잡는 편이 현실적입니다. PyTorch나 TensorFlow 중 하나를 써서 간단한 모델을 학습시켜 본 경험이 있으면 지원서와 면접에서 말할 거리가 생깁니다. 단순히 강의를 들었다고 쓰는 것보다 MNIST, CIFAR-10, 한국어 문장 분류 같은 작은 프로젝트를 직접 돌려본 경험이 훨씬 설득력 있습니다.
- 선형대수: 행렬 곱, 고유값, 벡터 공간
- 확률과 통계: 확률분포, 평균과 분산, 베이즈 개념
- 프로그래밍: Python, NumPy, Pandas, PyTorch 기초
- 딥러닝: 역전파, 손실함수, 최적화, 과적합
근데 여기서 중요한 건 완벽함이 아닙니다. 대학원 지원 시점에 모든 걸 다 알고 들어가는 사람은 생각보다 많지 않습니다. 대신 모르는 걸 찾아가며 구현하고, 실험 결과를 설명할 수 있는 태도가 더 크게 보입니다.
연구실 선택은 이름값보다 맞는 분야가 먼저
AI대학원을 고를 때 학교 이름만 보고 결정하면 나중에 꽤 힘들 수 있습니다. 대학원 생활은 결국 연구실 단위로 굴러갑니다. 같은 학교 안에서도 어떤 연구실은 논문 중심이고, 어떤 연구실은 산학 프로젝트가 많고, 어떤 곳은 박사 진학자가 많습니다. 그래서 연구실 홈페이지, 최근 논문, 졸업생 진로를 같이 보는 게 좋습니다.
최근 2~3년 논문을 보면 연구실이 실제로 무엇을 하는지 감이 옵니다. 예전에는 컴퓨터비전을 하던 연구실이 최근에는 멀티모달 모델로 옮겨갔을 수도 있고, 추천시스템 연구실이 LLM 기반 개인화로 확장했을 수도 있습니다. 교수님 소개글보다 최근 학회 논문 제목과 프로젝트 페이지가 더 생생한 단서가 될 때가 많습니다.
컨택 메일을 보낼 때 넣으면 좋은 내용
교수님께 메일을 보낼 때는 길게 자기소개를 늘어놓기보다 왜 그 연구실인지가 보여야 합니다. 예를 들어 특정 논문을 읽고 어떤 부분이 흥미로웠는지, 본인이 해본 프로젝트와 어떻게 이어지는지 짧게 적으면 좋습니다. 솔직히 템플릿처럼 보이는 메일은 많이 티가 납니다.
- 간단한 자기소개와 현재 상태
- 관심 있는 연구 주제 1~2개
- 읽어본 연구실 논문과 느낀 점
- 본인의 프로젝트, 코드, 논문, 포트폴리오 링크
- 면담 가능 여부를 묻는 짧은 문장
메일은 보통 700~1000자 정도면 충분합니다. 답장이 바로 오지 않는 경우도 흔합니다. 연구 일정, 학회 제출, 강의, 출장 때문에 늦어질 수 있으니 1~2주 정도 지나고 정중하게 한 번 더 보내는 방식이 무난합니다.
지원서와 포트폴리오에서 차이가 나는 부분
AI대학원 지원서에서 가장 아쉬운 경우는 관심 분야가 너무 넓게 적혀 있는 경우입니다. 인공지능 전반에 관심이 있다고 쓰면 열정은 보이지만 연구자로서의 방향은 흐릿해 보일 수 있습니다. 처음부터 아주 좁은 주제를 정할 필요는 없지만, 최소한 왜 그 분야에 끌렸는지와 어떤 문제를 풀어보고 싶은지는 드러나는 편이 좋습니다.
포트폴리오는 화려한 서비스보다 실험 과정이 보이는 자료가 좋습니다. 예를 들어 단순히 정확도 92%를 달성했다고 쓰는 것보다 데이터는 몇 개였는지, 기준 모델은 무엇이었는지, 어떤 전처리를 했는지, 실패한 실험에서 무엇을 배웠는지를 적으면 훨씬 믿음이 갑니다. 대학원에서는 결과만큼이나 과정을 설명하는 능력이 중요하거든요.
전공자는 학부 수업, 캡스톤, 연구 경험을 중심으로 묶으면 좋습니다. 비전공자는 업무 경험이나 개인 프로젝트에서 AI와 연결되는 지점을 찾아야 합니다. 예를 들어 마케팅 데이터를 분석해 고객군을 나눠봤거나, 제조 현장에서 이상 탐지 데이터를 다뤄봤다면 충분히 좋은 출발점이 될 수 있습니다.
면접 준비는 논문 읽기와 설명 연습이 같이 가야 한다
면접에서는 거창한 최신 모델 이름을 많이 아는 것보다 본인이 한 일을 정확히 설명하는 게 더 중요합니다. 왜 그 모델을 선택했는지, 데이터가 부족할 때 어떻게 처리했는지, 성능이 기대보다 낮았을 때 어떤 가설을 세웠는지 같은 질문이 나올 수 있습니다. 이때 답변이 구체적이면 준비한 티가 납니다.
논문은 처음부터 어려운 최신 논문만 붙잡기보다 입문 논문과 survey를 섞어 읽는 편이 좋습니다. 하루에 한 편을 완벽히 이해하려고 하면 쉽게 지칩니다. 초반에는 제목, 문제 설정, 방법, 실험 결과, 한계만 뽑아내는 식으로 읽어도 충분합니다. 시간이 지나면 수식과 구조가 조금씩 눈에 들어옵니다.
개인적으로는 AI대학원 준비를 단기간 스펙 쌓기로만 보면 금방 버거워진다고 느낍니다. 연구실 생활은 생각보다 긴 호흡이고, 모르는 것을 오래 붙잡고 있는 시간이 많습니다. 그래서 지원 전 몇 달 동안 작은 프로젝트 하나를 끝까지 밀어보는 경험이 꽤 중요합니다. 그 과정이 재미있다면 AI대학원 생활도 버틸 힘이 생길 가능성이 높습니다.
