AI대학원 준비하는 방법, 전공자가 아니어도 시작하려면 이렇게

얼마 전 지인이 “AI대학원은 코딩 천재들만 가는 곳 아니야?”라고 묻더라고요. 사실 저도 처음엔 비슷하게 생각했습니다. 인공지능, 머신러닝, 딥러닝 같은 단어가 붙으면 괜히 장벽이 높아 보이니까요. 그런데 실제로 준비 과정을 하나씩 뜯어보면, 중요한 건 화려한 스펙보다 내가 어떤 문제를 풀고 싶은지, 그리고 그 문제를 풀기 위해 어떤 기초를 쌓아왔는지입니다.

AI대학원은 단순히 “인공지능을 배우는 곳”이라기보다 데이터와 알고리즘을 이용해 현실 문제를 연구하는 공간에 가깝습니다. 컴퓨터공학 전공자가 많긴 하지만, 수학, 통계, 산업공학, 전자공학, 생명과학, 경영정보 쪽에서 넘어오는 사람도 꽤 있습니다. 특히 의료 AI, 금융 AI, 제조 AI, 언어 모델, 로보틱스처럼 분야가 넓어지면서 배경 지식이 오히려 장점이 되는 경우도 있습니다.

AI대학원 지원 전에 먼저 확인할 것

가장 먼저 볼 것은 학교 이름보다 연구실입니다. AI대학원은 수업도 중요하지만 결국 연구실 생활의 비중이 큽니다. 같은 인공지능 분야라도 어떤 교수님은 자연어처리, 어떤 교수님은 컴퓨터비전, 또 다른 교수님은 강화학습이나 추천 시스템을 주로 다룹니다. 내가 관심 있는 주제와 연구실 방향이 맞지 않으면 입학 후에 꽤 힘들 수 있습니다.

예를 들어 이미지 분석에 관심이 있는데 해당 연구실이 주로 대규모 언어 모델만 다룬다면, 처음 기대와 실제 생활이 달라질 수 있습니다. 반대로 논문을 읽어보니 생소한 분야였는데도 연구 주제가 너무 흥미로워서 방향을 바꾸는 경우도 있습니다. 그래서 지원 전에는 최소한 관심 연구실의 최근 논문 제목, 프로젝트 주제, 학생들의 연구 분야 정도는 확인하는 게 좋습니다.

• 관심 분야가 자연어처리인지, 컴퓨터비전인지, 데이터마이닝인지 구분하기
• 교수님의 최근 연구 주제가 내 관심과 맞는지 보기
• 석사 중심인지, 박사 과정 연계가 활발한지 확인하기
• 졸업생 진로가 연구소, 기업, 박사 진학 중 어디에 가까운지 보기

전공자가 아니면 무엇부터 준비하면 좋을까

비전공자라고 해서 바로 불리하다고만 볼 필요는 없습니다. 다만 기초 공백은 분명히 채워야 합니다. AI대학원에서 자주 쓰는 기본기는 크게 세 가지입니다. 프로그래밍, 수학, 머신러닝 기초입니다. 여기서 프로그래밍은 파이썬을 다룰 줄 알고, 간단한 데이터 전처리와 모델 학습 코드를 읽고 고칠 수 있는 수준을 말합니다.

수학은 선형대수, 확률과 통계, 미적분이 자주 등장합니다. 솔직히 처음부터 모든 증명을 완벽히 이해하려고 하면 금방 지칩니다. 대신 벡터와 행렬 연산, 확률분포, 손실함수, 경사하강법이 어떤 의미인지부터 잡는 편이 현실적입니다. 머신러닝 기초는 회귀, 분류, 과적합, 검증 데이터, 평가 지표 같은 개념을 직접 작은 데이터로 돌려보면 훨씬 빨리 익숙해집니다.

추천 준비 순서

• 파이썬 문법과 넘파이, 판다스 기초 익히기
• 선형대수와 확률통계의 주요 개념을 예제 중심으로 공부하기
• 사이킷런으로 회귀와 분류 모델을 직접 실행하기
• 파이토치나 텐서플로로 간단한 신경망 코드를 따라 만들기
• 관심 분야 논문을 1편 골라 초록과 그림부터 읽기

기간은 사람마다 다르지만, 완전 초보라면 최소 6개월 정도는 기초를 쌓는다고 생각하는 게 편합니다. 이미 개발 경험이 있다면 3개월 안에도 포트폴리오 형태를 만들 수 있고, 수학 배경이 있다면 논문 읽는 속도가 빨라집니다. 중요한 건 “공부했다”보다 “작게라도 만들어봤다”입니다.

AI대학원 자기소개서와 연구계획서 쓰는 방법

AI대학원 지원서에서 자주 아쉬운 부분은 관심 분야가 너무 넓다는 점입니다. “인공지능으로 세상을 바꾸고 싶다”는 문장은 멋있지만 평가하는 사람 입장에서는 구체적인 그림이 잘 안 보입니다. 예를 들어 “고객 리뷰 데이터를 이용해 불만 유형을 자동 분류하는 모델을 만들며 자연어처리에 관심을 갖게 됐다”처럼 경험과 관심이 이어지면 훨씬 설득력이 생깁니다.

연구계획서는 거창한 미래 예언처럼 쓸 필요가 없습니다. 아직 입학 전이기 때문에 완성된 연구 주제를 요구한다기보다, 지원자가 문제를 어떻게 바라보고 공부해왔는지를 봅니다. 그래서 내가 다뤄본 데이터, 읽어본 논문, 실험하면서 막혔던 지점, 앞으로 더 파고들고 싶은 질문을 연결하는 방식이 좋습니다.

• 지원 동기에는 개인 경험과 관심 분야를 연결하기
• 프로젝트 경험은 사용한 데이터, 모델, 결과를 숫자로 쓰기
• 연구계획은 관심 연구실의 방향과 자연스럽게 맞추기
• 모르는 내용을 아는 척하기보다 배운 과정과 다음 계획을 분명히 쓰기

예를 들어 정확도를 78%에서 84%로 올린 경험이 있다면 그냥 “성능을 개선했다”라고 쓰는 것보다 훨씬 좋습니다. 데이터가 3천 건이었는지, 30만 건이었는지도 차이가 큽니다. 작은 프로젝트라도 숫자가 들어가면 읽는 사람이 수준을 판단하기 쉬워집니다.

포트폴리오는 작아도 끝까지 만든 것이 강하다

AI대학원 준비생들이 많이 하는 고민이 “캐글 상위권이어야 하나요?”입니다. 있으면 좋지만 필수는 아닙니다. 오히려 남들이 다 하는 예제를 그대로 따라 한 흔적보다, 작은 문제라도 본인이 왜 그 문제를 골랐고 어떻게 개선했는지가 더 중요하게 보일 때가 많습니다.

예를 들어 뉴스 기사 분류, 상품 리뷰 감성 분석, 병원 대기시간 예측, 공장 불량 이미지 탐지처럼 문제 자체는 흔해도 괜찮습니다. 대신 데이터 수집 과정, 전처리 기준, 모델 선택 이유, 실패한 실험, 다음에 바꿔보고 싶은 점까지 남겨두면 연구자로서의 태도가 드러납니다. AI 연구는 처음부터 맞히는 일이 아니라, 틀린 결과를 보고 다음 실험을 설계하는 일이 많기 때문입니다.

포트폴리오에 넣으면 좋은 내용

• 문제를 고른 이유
• 데이터 규모와 특징
• 사용한 모델과 비교 기준
• 평가 지표와 실제 결과
• 실패한 시도와 개선 아이디어

코드도 너무 복잡하게 꾸밀 필요는 없습니다. 실행 방법이 분명하고, 주요 함수가 읽히고, 결과를 재현할 수 있으면 충분히 좋은 인상을 줄 수 있습니다. README에 프로젝트 목적과 실행 순서, 결과 표를 넣어두면 보는 사람 입장에서도 편합니다.

면접에서는 완벽한 답보다 사고 과정이 중요하다

AI대학원 면접에서는 수학, 머신러닝 개념, 프로젝트 질문이 섞여 나오는 경우가 많습니다. “과적합이 무엇인지 설명해보라”, “왜 이 모델을 골랐는지 말해보라”, “평가 지표를 정확도 대신 F1 점수로 쓴 이유가 무엇인지” 같은 질문이 대표적입니다. 전공 지식을 묻는 자리이긴 하지만, 모르는 질문이 나왔다고 바로 끝나는 분위기는 아닙니다.

중요한 건 모를 때 반응입니다. 억지로 꾸며 말하기보다 “그 부분은 정확히 설명하기 어렵지만, 제가 이해한 범위에서는…”처럼 선을 긋고 논리적으로 이어가는 편이 낫습니다. 특히 본인이 제출한 프로젝트에 대해서는 데이터부터 결과까지 스스로 설명할 수 있어야 합니다. 남의 코드를 붙여 만든 프로젝트는 여기서 티가 납니다.

AI대학원은 입학 자체보다 입학 후에 버티고 성장하는 과정이 더 깁니다. 그래서 준비할 때도 단기간에 있어 보이는 스펙을 쌓는 것보다, 기초 개념을 손으로 확인하고 작은 실험을 끝까지 가져가는 습관이 오래 갑니다. 처음엔 낯선 용어가 많아도 하나씩 연결되기 시작하면 꽤 재미있습니다. 결국 AI대학원 준비는 천재성을 증명하는 일이 아니라, 꾸준히 배우고 실험할 수 있는 사람이라는 걸 보여주는 과정에 가깝다고 느낍니다.