GIL's LAB

이전 포스팅에서 이야기한 바와 같이, 데이터 분석가와 데이터 사이언티스트에게 컴퓨터공학에서 다루는 알고리즘을 물어보는 코딩테스트는 난이도가 매우 낮거나 치루지 않는 경우가 많습니다. 아무래도 코딩테스트가 아니라 분석 능력을 봐야 하니까 최소한만 보는 경우가 있는 것으로 보입니다. SK C&C와 CJ올리브네트웍스와 같은 기업들에서는 이러한 분석 능력을 보기 위해 데이터 분석가만을 위한 코딩테스트를 시행하고 있습니다. 주어진 시간 내에 간단한 데이터 핸들링과 모델링을 보는게 목표라고 할 수 있습니다. 반면, 시간을 더 넉넉히 주고 사전 과제를 주는 경우도 있습니다. 서론이 길었는데 데이터 분석과와 사이언티스트 직무를 희망하는 사람이 풀어볼 수 있는 문제 은행을 만들어볼까 합니다. 당연히 길스랩 블로그에 올릴..

이번에 저희 회사에서 신입 채용을 진행했습니다. 서류와 코딩테스트 전형은 모두 끝났고 면접 전형이 시작됐고 제가 처음으로 데이터 사이언티스트 신입 면접에 참여했습니다. 면접 내용을 상세히 밝힐 순 없지만, 오늘 다대일 면접을 5차례 진행했고 면접과 면접 결과를 바탕으로 누구를 다음 전형에 올릴 것인지 다른 면접관과 토의하는 과정에서 제가 배운 내용을 공유합니다. 참고로 제가 모든 지원자를 면접하진 않았고, 5명 외에 다른 지원자들은 다른 면접관과 면접을 진행했습니다. 석사는 필수인가? 지원자 대부분이 컴퓨터공학, 산업공학, 통계학, 경영학 등의 석사였습니다. 제가 오늘 본 5명의 지원자 가운데 4명이 석사 졸업자 혹은 졸업예정자였고, 한 명만 학사 졸업 후 인턴 경험이 있었습니다. 비율로만 보면 당연히 ..

이번 포스팅에서는 데이터 사이언티스트의 역할과 커뮤니케이션 역량의 중요성에 대해 간략히 알아보고자 합니다. 데이터 사이언티스트의 역할 특수한 상황을 제외하면 많은 기업에서 데이터 사이언티스트는 혼자 일하지 않습니다. 데이터 사이언스를 캐글 등의 경진대회를 통해서만 접했던 사람이라면 의아할 수 있지만, 실제로 그렇게 문제와 데이터가 정리되서 데이터 사이언티스트가 해결만 해주면 되는 상황은 극히 드뭅니다. 데이터 사이언티스트는 아래와 같이 현업, PO/PM, DE와 같이 일을 합니다. 간략히 설명하면, 현업 혹은 시장에서 문제와 데이터를 들고 옵니다. 이렇게 들고온 문제와 데이터는 데이터 분석에 적합한 문제와 데이터가 아닐 가능성도 크며, 분석에 용이하게 정리되있을 가능성은 0에 수렴합니다. 그러면 PO 혹..

AutoML 시스템을 구축해야 하는 상황에서 AutoML 경험자를 구하는 채용 공고가 눈에 띄어 공유합니다. 저희 회사 뿐만 아니라, 다른 곳에서도 많이 필요한 상황으로 보입니다. Intel: AI Research Engineer Your Responsibilities Include Neural Architecture Search (NAS) algorithm design and implementation. Hyper-Parameter Optimization (HPO) algorithm design and implementation Domain adaptation / Knowledge transfer / Life-long learning / Representation learning algorithm de..

이번 포스팅에서는 데이터 사이언티스트, 데이터 분석가, 데이터 엔지니어, 머신러닝/딥러닝 엔지니어의 차이에 대해 알아보겠습니다. 회사마다 포지션 정의가 다르기 때문에 명확한 경계는 아닐 수 있습니다. 즉, A회사에서는 데이터 분석가로 부르는 일을 B회사에서는 데이터 사이언티스트가, C회사에서는 머신러닝/딥러닝 엔지니어가 할 수 있습니다. 기술적인 집중도로 치면(한 마디로 좀 더 공대스러운거...) 다음과 같이 구분할 수 있습니다. 데이터 엔지니어 > 머신러닝/딥러닝 엔지니어 > 데이터 사이언티스트 > 데이터 분석가 데이터 사이언티스트 보통 회사에서 이야기하는 데이터 사이언티스트는 데이터를 기반으로 한 특정한 과제를 해결하는 사람입니다. 반드시 그렇진 않지만 보통 과제나 프로젝트 단위로 굴러가는 경우가 많..