공대는 학부 교육이 불필요한 저(低)기술 직장이 매우 많았던 반면
통계학은 학부 고학년 교육이 실패하면 경제·경영 등의 문과보다 경쟁력이 떨어짐
그러나 공대생을 채용하던 기업들이 글로벌 시장에서 중국, 동남아, 동유럽에 단가 싸움에서 밀리는 상황이 됐음
10년 후에도 공대 출신들이 지난 40년 만큼 쉬운 취직이 될 것이라는 기대하기 어려워
지난 2022년 봄에 학생들의 질문을 받고 통계학 전공자들이 왜 대학원을 가야하는지에 대한 글을 쓴 적이 있다
2년 남짓이 더 지나면서 개발자들을 더 겪어봤고, 시장 상황을 더 지켜봤고, 공학도들이 무슨 공부를 하는지, 통계학도들이 무슨 공부를 하는지 더 봤기 때문에, 한번쯤은 위의 내용을 업데이트 해야하는 상황이 된 것 같다.
결론부터 말하면, 공학은 학부 수준 교육이 필요가 없는 직장들이 매우 많고, 학부 수준 이상을 쓰는 직장이 거의 없기 때문이고, 통계학은 국내 학부 교육이 지나치게 수학적이어서 현장에 쓰이기 어렵기 때문이다.
공대는 학부만해도 취직할 수 있다?
공학 전공 별로 사정이 조금씩 다르겠지만, 컴퓨터 공학 쪽을 보면 대부분 개발자로 취직을 할텐데, 개발자들이 대학교 컴퓨터 공학과 전공이 과연 필요한지 의문이다. 그간 컴퓨터 공학 전공자들을 다수 채용도 해 봤고, 국내 명문대부터 전문대 출신들까지 다양하게 겪어봤지만, 컴퓨터 공학을 전공했다는 이유로 개발자들의 코딩을 더 잘하게 된다고 생각하진 않는다. 오히려 실업계 고등학교에서 개발자 교육을 전문으로 받은 경우가 훨씬 더 개발을 잘 할 가능성이 높다.
직장이 공학 학부 전공을 쓰느냐 마느냐를 가르는 잣대는 학부 저학년 때 열심히 배웠을 공학수학을 얼마나 다양하게 활용하느냐에 달려 있다고 생각하는데, 국내 직장에서 수학 교육이 왜 필요한지 깨닫는 숫자는 정말 극소수에 불과할 것이고, 특히 컴퓨터 공학을 학부 이상 수준으로 쓰는 경우는 국내의 현실을 봤을 때 아주 예외적인 일부 직장에서만 일어나는 사건일 것이다.
그간 국내 공대가 '인공지능'을 가르친다고 하면서 기초적인 선형대수학, 미분방정식에 기반한 수학, 통계학 모델링 지식 대신, 코딩 위주로 돌아가는 대학원을 운영하고 있다는 사실을 이미 몇 년간 봐 왔고, 한국 공학도들의 수학 경시 풍토상, 다수의 인원이 단숨에 한국의 현실을 바꾸기는 어려울 것이라고 본다.
위의 글에서 밝혔듯이, 국내 공학도들이 최신 머신러닝, 딥러닝, 인공지능 모델이라며 이것저것 언급하는 내용들이 결국 통계학의 기본기를 조금씩 응용하고 변형해서 쓰는 것에 불과하다는 것을 못 깨닫고 있고, 그럼에도 불구하고 자기들이 끝까지 맞다고 주장하는 이유도, 궁극적으로는 그런 기초 통계학 훈련이 전혀 안 된 인력이 엄청난 비율로 인공지능 학계에 진입해 있기 때문이다. 미국 명문대들처럼 철저하게 수학 교육을 시킨 후, 기준을 못 넘는 인재들에게 고급 인공지능 교육을 받을 수 있는 기회를 주지 않는 방식으로 운영됐다면 아마 한국의 대다수 '인공지능 전공자'들은 공부할 기회조차 얻지 못했을 것이다.
인공지능 공학도들의 이해도 - 1.계산과학 이해도 부족
위의 글에 나온 '인공지능 공학도'들의 반응 몇 가지 살펴보자.
- 딥러닝은 망할 수 있어도 인공지능을 망할 일이 없다, 딥러닝보다 더 나은 인공지능 학습 방식이 나타나면 그땐 딥러닝이 시들 것이다
- 근본기술이라고 할 수 있는 residual connection, attention mechanism 등 논문을 깊게 들여봤으면... 말한 사람이 누군진 모르겠는데, 학계에서 이 분야에 통달한 대가가 저런 말해도 반박 엄청 들어올텐데 그냥 박사1이 저런 말하는거면 참 가소로울 듯
우선 첫번째 댓글에서는 딥러닝이라고 알려져 있는 계산법이 하나의 독립된 계산법이고, 뭔가 더 좋은 계산법이 나올 것이라는, 이른바 계단식 접근법, 속칭 '특이점 이론가'들의 관점으로 계산 방법들을 바라보고 있다는 것을 알 수 있다.
계산과학을 제대로 공부했으면 데이터와 계산 목적에 맞게 데이터를 변형하는 방식이 제각각이고, 적절한 계산법이 제각각이라는 것도 알게 된다. 나는 이걸 학위 과정 초반에 '과학적 프로그래밍(Scientific Programming)' 이라는 이름의 과목에서 가르친다. 자칫 더 늦게 가르치면 위와 같이 시장에 널리 알려진 계산법이 무조건 가장 우월하다는 착각에 빠지는 단편적 사고형의 학생들을 너무 자주 봤기 때문이다.
학생들이 학위 과정을 거치면서 데이터와 목적에 맞는 적절한 계산법을 알게 되고, 모든 계산법들이 가장 밑바닥에 수학적 직관을 공유하는 상태에서 조금씩 변형된 계산법이라는 것도 배운다. 덕분에 학위 과정 중반부를 거치면 살아남는 모든 학생들이 딥러닝이라는 계산법은 통계학의 '요인 분석(Factor analysis)'을 다른 방식으로 적용하는 계산법 중 하나에 불과하다는 것을 인식한다. 그래서 '딥러닝이 망하면'이라는 표현을 쓰지 않고, '딥러닝 계산 방식을 다르게 바꾸게 되면'이라는 관점으로 계산법의 변형과 발전을 바라보게 되는 시야를 갖게 된다.
인공지능 공학도들의 이해도 - 2.기초 통계학 이해도 부족
위의 두번째 댓글는 여러가지 측면에서 지적할 부분들이 있다. 먼저 '말한 사람이 누군진 모르겠는데'에서 같은 말을 권위자가 했으면 받아들이겠지만, 권위자가 아니면 위와 같이 '가소로울 듯'이라는 비난을 하겠다는 태도가 보인다. 사실 관계와 설명에 담긴 학문적 깊이를 따지지 않고, 말을 한 사람을 보겠다는 태도는 학문을 공부하는 사람의 태도가 아니라, 정치인, 혹은 정치인과 유사한 사고로 '우리편 구분하기', '편 가르기'하는 분들의 태도다. 석·박 유학 중, 학문적 지식의 깊이가 아니라 남과의 관계로 사람을 평가하던 중국계 학생들 사이에서 매우 자주 봤던 태도인데, 한국 학생들 중에서 국내파 공학도들이 유사한 성향을 띄는 경우가 매우 빈번하더라. 이런 성향의 분들이 내 지적이 틀렸다고 비판할 때 내 학위가 공학이 아니라 계산과학 관련 전공이라는 점을 이용해 내가 전문가가 아니라고 주장하는 것도 자주 겪었다. 내 입장에서는 오히려 내가 당신들을 비전공자라고 지적하고 싶은 상황이건만. 학자라면 수학적 논리와 데이터 기반의 연구 결과물로 상대방의 논리의 옳고 그름을 따져야지 않을까?
또한 'Residual connection'이라는 계산법도, 'Attention mechanism'이라는 계산법도, 마치 새로운 계산법이 나왔기 때문에 기존의 AI에 대한 비판에서 자유로울 수 있다는 착각이 담겨 있는 것 같은데, 위의 두 계산법도 '요인 분석(Factor analysis)'을 변형한 것에 불과하다. 'Attention'이라고 이름이 붙은 정보량은 좀 더 핵심적으로 짐작되는 요인(Factor)을 찾아내기 위해 계산과정 중 유사성이 높은 정보량을 분리하는 계산 작업이 추가된 상황일 뿐이고, 'Residual'을 연결하겠다는 계산도 잔존 정보량 간의 유사성을 활용해, 버려지는 정보량이 많은 경우에 한정해서 정확도를 높일 수 있는 대안을 찾겠다는 의도가 담겨있다. 즉, 딥러닝이 요인 분석 모델의 변형인 것과 마찬가지로, 위의 댓글에 언급된 계산법들도 여전히 요인 분석 모델을 주어진 데이터 상황, 계산 목적에 맞게 조금씩 변형한 것에 불과한 것이다.
'근본기술'이라는 표현을 쓰며 마치 새로운 지식이 나왔고, 그래서 기존의 AI에 대한 지적이 전혀 관계가 없는 것처럼 자신있게 주장했지만, '근본'이라는 단어가 붙을 수 있는 수준의 지식이 아니고, 특정 데이터에 한정해서 목적을 달성하는데 좀 더 효과적인 변형에 불과할 뿐, 기존 AI모델들이 가진 가장 근본적인 문제인 데이터 의존성이 전혀 해결이 되지 않은 상태인 것은 마찬가지인 것이다.
그 외에도 언급할만한 댓글들은 많지만, 위의 2개 사례를 통해 한국의 인공지능 연구실에 있는 공학도들이 기초 통계학 훈련이 얼마나 부실한 상태인지, 계산 모델에 대한 이해가 얼마나 기초적인 수준을 못 벗어난 상태인지를 단적으로 알 수 있을 것이다.
귀국 후 한동안 국내 인력들 계몽차원에서 강의 및 외부활동을 하며 이런 분들을 매우 자주 봤었는데, 시간이 지났음에도 불구하고 국내 공학도들 상당수가 여전히 답보상태인 것을 꾸준히 확인하게 된다.
말을 바꾸면, 저런 상태인데도 불구하고 채용이 되고 있다는 것은, 한국 내에서 공학도들을 채용하는 직장은 대부분 기술력 측면에서 기초 수학에 대한 이해 부족을 해결못한 조직, 즉 학부 이상 수준의 훈련을 요구하는 직장들이 아닌 것이다.
통계학은 학부에서 너무 이론만 가르친다?
반면 통계학은 학교 마다 사정이 다르기는 하겠지만, 대다수의 교수님들이 수학과와 유사한 사고방식으로 수학적 완성도에 집착하는 교육을 하고 있다. 석·박사 과정에서는 그런 탄탄한 수학 훈련이 큰 도움이 될 가능성이 높지만, 학부 졸업 후 직장을 찾아가야하는 압도적 다수의 학생들에게는 효율적이지 않은 교육이다.
그간 대학을 만들어 국내 학생들을 교육하면서 느낀 것은, 한국의 통계학도들 중 학교에서 충실하게 배운 경우는 글로벌 시장에 내놔도 부끄럽지 않은 수준의 고급 훈련을 받았다는 점이었다. 다만 그런 학생들의 숫자가 매우 적을 수밖에 없는 것이, 대부분의 학생들이 학부 3학년을 넘어가면서 고급 수학을 활용하는 전공지식에서 좌절한다.
공학이나 통계학이나 학부 3학년 이상 교육을 글로벌 수준의 고급 교육으로 진행했을 때 살아남는 비율이 높지 않은 것은 큰 차이가 없을 것이나, 공학과 달리 통계학을 고교 수준에서 직장으로 가게되면 경제, 경영학과 등의 문과 전공에 비해 경쟁력이 터무니 없이 부족하다.
통계학과의 고학년 과목들에서 수학적 엄밀성을 따지는 훈련에만 시간을 쓴 탓에, 정작 통계학을 응용해서 활용하는 다른 사회과학도들이 학부 시절에 배운 지식을 거의 배우지 못한 상태에서 졸업하기 때문이다. 예를 들어, 경영학과에서 좀 난이도 있는 세부전공으로 알려진 기업재무의 경우, 회계학으로 중급회계 이상의 지식이 있어야 기업재무로 직장에서 일을 할 수 있는 역량이 생긴다. 경영학과 2~3학년을 거치며 중급회계를 배우고, 함께 공부하는 친구들 중 일부가 회계사(CPA) 시험을 준비하면서 본 세법, 상법, 고급회계 정보를 전해들으면서 음으로, 양으로 공부한 부분을 통계학과 전공자가 얻어가기는 쉽지 않을 것이다. 그렇게 훈련이 된 경영학과 출신 학생이 직장에 가게되면 고교 수준의 통계 훈련과 경영학과 학부 수준의 지식을 갖춘 인재가 되는 만큼, 기업 입장에서는 통계학과 고학년 교육에 실패한 인재보다 더 나은 인재로 평가할 수밖에 없는 것이다.
그렇다고 통계학과 학부 교육을 전문대 수준으로 낮출 수는 없기 때문에, 일선 대학의 교수님들도 고민이 많을 것이다. 통계학과가 학생이 많고, 교수진이 풍부했다면 일부 교수는 취직 전용 수업을, 또 다른 교수들은 좀 더 고급 수학을 다루는 수업으로 분업을 할 수 있겠지만, 국내 대학들의 통계학과 사정이 그렇게 좋은 편이 아니다. 결국 학교에서 제공해 줄 수 있는 수업은 제한되어 있고, 교수들은 학위 과정 중에 수학적인 엄밀함을 중요하게 생각하는 교육을 받았던만큼, 시장 수요에 맞춰 학부 수업을 재편하는데 쓰는 시간을 내기도 어렵고, 실제로 그런 수업을 시장의 눈높이에 맞춰 전달하는 경우도 희귀하다.
나 역시 직접 시장 수요에 맞춘 교육을 하기 위해 각종 비즈니스 예제를 갖고 오고, 계산법을 응용하는 다양한 '사례집(Case Study)' 과정을 만들어봤지만, 교육 교재 준비에 바쁘다보면 따라오지 못하는 학생들을 챙길 여력이 없고, 결국엔 따라오는 학생들을 보면 대부분은 수학적 훈련이 잘 된 경우, 혹은 논리적 훈련이 잘 된 경우들 밖에 없었다. 이론 전문 교육을 하는 전공들 대부분이 실용적인 부분은 직장가서 본인이 알아서 배우고, 학교에서는 이론적인 교육에 충실하겠다는 접근을 하는 것이 모두 이런 경험에서 나왔을 것이다.
학부 과정 지식이 없어도 되는 공학 직장이 계속 남아 있을까?
국내 기업들이 해외에 수출할 수 있는 상품들을 보면, 대부분은 반도체, 자동차, 그리고 석유화학이다. 그 외에 식료품 업계처럼 일부 수출이 되는 산업이 있겠지만, 1개의 산업과 부가산업이 10만, 100만 명의 월급을 주면서 산업을 이끌어 갈 수 있는 경우는 없다고 봐야 한다. 지난 몇 년간 IT업계가 벤처기업 붐을 타고 산업을 키웠지만, 네이버, 카카오 모두 해외 수출을 할 수 있는 역량을 갖춘 기업들은 아니다. 네이버의 자회사인 라인을 들면 할 말은 없지만, 미주 시장에서 성공적으로 상품을 판 일부 게임사를 제외하면 국내 IT인력을 채용해 해외에서 매출액을 만들어내고, 그 자금으로 국내 인력에게 안정적인 직장을 제공할 수 있는 IT기업들은 없다고 봐도 과언이 아닐 것이다.
위의 산업들이 모두 공학이기 때문에, 그리고 각 기업들의 일부 핵심 인력을 제외하면 학부 수준 이상 지식보다 기초적인 이해, 성실성이 더 중요한 시장이었기 때문에 지난 수십년간 공대를 졸업하면 대학원을 가지 않아도 취직이 된다고 생각했었을 것이다.
그런데, 지난 40년 간 그랬다는 이유로 앞으로도 그럴 것인가는 한번쯤 되물어 봐야 한다. 딱히 미래에 통계학과가 더 취직이 잘 될 것 같지는 않지만, 그렇다고 공학 전공자들을 받아주던 국내 굴지의 기업들이 미래가 있다고 이야기하기는 어려운 시대가 오고 있기 때문이다. 이미 매우 많은 산업들이 중국에 기술적으로 따라잡히기 직전이거나 심지어 따라잡힌 상태인 반면, 국내 인력들이 급여를 더 많이 받아가니 수익성이 매우 크게 떨어졌기 때문이다.
아마 지난 5년간 국내에서 '인공지능 전문가'라는 이름으로 명문 공대 출신의 연구자들을 뽑아서 인공지능으로 분석하고 상품을 만들었다는 회사들 중에 실제로 인공지능이라고 이름을 붙여도 글로벌 시장에서 부끄럽지 않은 수준의 기술력을 가진 회사들은 거의 없었을 것이다. 국내 굴지의 IT기업들이 내놓은 인공지능 상품들도 글로벌 시장에서 이미 상품화된 기술을 빌려오거나, 심지어는 그대로 복사한 경우들이고, 그 외에는 개발자들 사이에서 돌고 있는 개발용 '라이브러리(Library)' 의존적인 상태인 것은 이미 주지의 사실이기 때문이다. 내 앞에 자신있게 코드와 결과물을 내놓고 인공지능 역량을 검증 받을 수 있는 국내 기업이 단 한 곳이라도 있을까?
'요즘은 고교생들 중에도 인공지능 잘하는 경우가 많다'는 표현을 네이버의 AI실 전체 대표로 있는 서울대 컴퓨터 공학 박사 출신이 썼다. 말을 바꾸면, 고교에서는 절대로 배울 일이 없는 대학 학부 이상의 수학을 당신들의 직장에서 쓰지 않는다는 것을 반증하는 것이다. 그들에게 기회를 줬다는 것 자체가 국내 최고 IT기업에서, 국내 최고 명문대 출신의 컴퓨터 공학 박사가 운영하는 연구실이 대학 수학을 쓰는 인재에게 더 고급 업무를 배정하면서 업무를 분리할 수 있는 역량이 부족하다는 뜻이기도 하다. 앞으로도 계속 이렇게 대학 교육이 필요없는 상태로 시장이 흘러간다면 어떻게 될까?
지난 몇 년간 국내에서 개발자들에게 수십억을 쓴 내 입장을 묻는다면, 이제 다시는 한국에서 개발자를 뽑을 생각이 없다고 대답할 것이다. 이미 새롭게 만들고 있는 회사 시스템은 모두 인도와 동유럽 몇 개 국가의 개발자들을 이용해서 제작 중이다. 해외 개발자들을 이용해 시스템을 개발하면서 각종 시행착오를 거치고 있는만큼, 시간이 지나면 더 효율적으로 해외 개발자들을 활용하는 시스템을 만들 수 있을 것으로 믿는다. 대학 수학 이상을 써야 하는 직군은 개발자를 뽑는대신, 해외 주요 대학에서 수학적으로 치밀한 훈련을 받은 인재가 아니면 아예 급여를 줄 생각이 없다. 그 수준을 넘지 못하면 그저 개발용 '라이브러리(Library)' 의존적인 상태에 불과하다는 것을 이미 몇 년간의 경험으로 뼈저리게 느끼게 됐기 때문이다.
이미 건설 업계와 조선 업계는 더 이상 한국인 청년들을 쓰지 않는다. 업무에 대한 충실성, 전문성, 경험치가 모두 부족한데 달라는 급여는 많은 반면, 해외에서 수입한 인력들은 급여를 낮춰 지급해도 충분히 생산력을 뽑아낼 수 있기 때문이다. 대학 학부 수준 이상의 지식을 요구하는 직장이 아닌데, 굳이 국내에서 대학만 나왔고 실력은 없는 인력에게 계속 높은 급여를 줄 수는 없다. 그 기업들도 수익성을 내야 생존할 수 있기 때문이다. 정부 R&D 지원금이 줄어들면 앞으로 얼마나 더 많은 공학도 전용 직장들이 사라지게 될까?
What got you here won't get you there
라는 영어 표현이 있다. 오늘을 있게 한 과거 유산이 반드시 내일도 적용되지는 않는다는 뜻이다.
