데이터과학 기술도 20년 내에 자동화된다(from4). 비즈니스와 도메인을 볼 줄 알아야 살아남는다. 시티즌 데이터 사이언티스트(참고1)나 기획자로 성장해야 한다(참고2). 꼭 기술을 잘해야만 전문가는 아니다. 엔지니어링에만 매몰되는 길이 아닌 데이터를 통해 비즈니스 문제를 해결하는 전문가가 되는 방향으로 설계하라(from2,3). 그것이 문제정의를 잘 해내는 가치있는 폴리매스(from1)의 모범 사례가 될 것이다.

지난번에 모델이 데이터를 어떻게 더 잘 이해할 수 있도록 만들 것인가의 관점에서 문제를 해결해나가야 한다고 말씀하셨다. 정형 데이터 분석의 경우 AutoML 로 모델러들이 대체될 수 있을까? 비정형 데이터 분석의 경우 정형 데이터 분석보다 대체되기 어려운 이유가 있다면 그것이 무엇일까?

parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.

1. 쌩 AI 가 낫다. 추후 선택 폭이 넓고 지원이 빵빵하기 때문이다. 다만 이런 랩실의 경우 경쟁률이 (애플리케이션 연구실에 비해) 높기 때문에 떨어진 다음에 도메인 협동과정을 고민해 보는 편이 낫다.
2. Q. 극한의 제너럴함을 가지고 창업을 하는 사람들도 있고, 극한의 스페셜함을 가지고 창업을 하는 사람들도 있다. 어떤 것이 더 유리할까? A. 확실히 후자가 낫다. 창업을 하려면 T자형 인재가 되어야 한다. 내 전문분야 없이 사업을 할 수는 없다고 생각한다. 한편으로는 데이터사이언스는 스페셜함이 되기 어렵다고 생각한다. 왜냐하면 데이터사이언스는 컨설팅이다. 그 증거들 중 하나로 지금 ‘AI가 메인인 서비스’ 들은 많이 찾아볼 수 없다는 것을 들어볼 수 있다. 당근마켓의 사례가 그러하듯 AI는 아직 보조다. 하지만 그러한 경우 가장 많은 가치를 만들어내고 있다. 데이터사이언스가 스페셜리티가 되는 분야는 로봇 분야 정도? … 추천하는 것은 데이터사이언스적 지식을 겸비하는 정도로만 가지고 있고 다른 스페셜함을 갖추는 것이다.

from : 과거의 어떤 생각이 이 생각을 만들었는가?

1. 5_2.2.2.1. title: 폴리매스의 탈맥락화 스킬은 비효율의 숙달화를 경계하는 데 도움이 된다.
2. 5_2.2.1__1. title: 특정 분야의 전문가라고 불리기 위한 지식에는 가성비가 있다는 것을 알라.
3. ‣
4. ba2.3.a1. title: AutoML 도구들은 하이퍼파라미터 튜닝과 모델링을 자동화한다.

supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?

1. ‣

opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?

1. ‣
2. ‣