Machine Learning
데이터에서 패턴을 학습하는 모델을 설계, 구현, 평가하여 실제 문제를 해결하는 엔지니어링 역량.
머신러닝은 명시적 규칙을 프로그래밍하는 대신, 데이터로부터 스스로 패턴을 학습하는 모델을 만드는 기술이다. 통계학과 선형대수의 수학적 기반 위에서 지도학습, 비지도학습, 강화학습의 세 가지 학습 패러다임을 이해하고, 데이터 준비부터 모델 배포까지의 전체 파이프라인을 다룬다. 일반 프로그래밍(programming)이 로직과 구조를 다루는 반면, 머신러닝은 통계/수학 기반 모델링에 특화된다. AI 도구를 활용하는 것(ai-utilization)과도 구분되며, 모델 자체를 직접 구축하는 엔지니어링 역량에 집중한다.
머신러닝이 무엇인지 개념적으로 이해하고, 지도학습/비지도학습/강화학습의 차이를 구분할 수 있다. 추천 시스템, 스팸 필터, 음성 인식 등 일상에서 ML이 적용된 사례를 알아보고, 데이터가 모델 학습에 어떻게 사용되는지 기초 원리를 파악한다. 이 레벨은 SFIA의 정의 범위에 선행하며, 이후 모든 구현 단계의 기반이 되는 개념적 어휘를 형성하는 데 집중한다.
다음 단계로
이 체크리스트를 대부분 달성했다면, SFIA의 Assist 수준인 기초 구현자 단계로 진입하여 안내에 따라 기본 ML 모델을 직접 구현하고 학습시킬 준비가 된 것입니다. Google MLCC(2024)는 선형 회귀와 분류를 이 단계의 첫 구현 마일스톤으로 배치합니다.
7단계 책임 수준(Follow→Assist→Apply→Enable→Ensure/Advise→Initiate/Influence→Set Strategy)으로 ML 역량을 정의. L2 안내하 기법 적용부터 L7 조직 전략 수립까지의 레벨 경계 설계의 1차 기준.
AI/ML 지식 영역의 역량 모델 — 신경망, 표현 학습, 강화학습, 생성 모델을 포함한 커리큘럼 체계. 수학/통계 요구사항의 단계적 심화가 L1-L4 체크리스트 설계 근거.
회귀→분류→신경망→임베딩→LLM→프로덕션의 모듈 시퀀스가 L2-L5 체크리스트 항목의 구체적 행동 지표. ML 공정성과 프로덕션 시스템 모듈이 L4-L5 윤리/배포 역량 근거.
수강생 480만 명 이상의 ML 입문 과정. 지도학습→비지도학습→강화학습 3단계 진행이 ML 학습 경로의 글로벌 표준. Andrew Ng의 교수법적 권위가 L1-L4 역량 범위 설정 근거.
ML 배포 워크플로우의 실무 사례 서베이. 데이터 관리, 모델 학습, 배포, 모니터링 각 단계의 도전 과제를 정리. L4-L6의 프로덕션 배포, MLOps, 조직 표준 수립 체크리스트 항목의 학술적 근거.
