얼마 전 후배가 AI대학원을 준비하고 싶다며 상담을 요청했는데, 첫마디가 꽤 현실적이었어요. “수학도 애매하고, 코딩도 남들보다 늦은 것 같은데 지금 시작해도 될까요?” 사실 AI대학원 준비는 천재들만 들어가는 특별 코스처럼 보이지만, 막상 뜯어보면 준비해야 할 항목이 꽤 분명합니다. 문제는 그 항목들이 한꺼번에 몰려와서 어렵게 느껴진다는 점이에요.
AI대학원은 보통 인공지능, 머신러닝, 딥러닝, 데이터사이언스, 컴퓨터비전, 자연어처리, 로보틱스 같은 분야를 연구합니다. 이름은 학교마다 조금씩 다르지만, 입학 준비에서 보는 것은 크게 비슷해요. 수학 기초, 프로그래밍 실력, 연구 경험, 영어 논문을 읽는 힘, 그리고 왜 이 연구를 하고 싶은지 설명하는 능력입니다.
AI대학원 지원 전에 먼저 확인할 것
가장 먼저 해야 할 일은 “나는 AI를 좋아한다”에서 한 단계 더 들어가는 거예요. AI 안에서도 분야가 너무 넓습니다. 예를 들어 이미지 생성 모델에 관심 있는 사람과 의료 데이터를 분석하고 싶은 사람은 읽어야 할 논문도, 필요한 기술도 달라요. 자연어처리를 하고 싶은데 컴퓨터비전 연구실만 잔뜩 보는 식이면 준비가 엇나갈 수 있습니다.
처음에는 3가지 정도로 관심 분야를 좁혀보면 좋아요. 예를 들면 자연어처리, 추천시스템, 의료 AI처럼요. 그리고 각 분야에서 최근 2~3년 사이 많이 언급되는 키워드를 적어보는 겁니다. 논문 제목을 완전히 이해하지 못해도 괜찮아요. 반복해서 보이는 단어가 내 관심사와 맞는지 확인하는 것만으로도 방향이 잡힙니다.
- 관심 분야 2~3개 고르기
- 학교별 연구실 주제 확인하기
- 교수님의 최근 논문 제목 읽어보기
- 졸업생 진로가 연구직, 개발직, 박사과정 중 어디에 가까운지 보기
여기서 중요한 건 대학원 이름만 보고 결정하지 않는 겁니다. AI대학원은 연구실 생활의 비중이 큽니다. 같은 학교 안에서도 연구실 분위기와 연구 방향이 다르면 완전히 다른 경험을 하게 돼요.
수학과 코딩은 어느 정도 필요할까
AI대학원 준비에서 많은 사람이 겁먹는 부분이 수학입니다. 솔직히 수학을 아예 피하기는 어렵습니다. 머신러닝 논문을 읽다 보면 선형대수, 확률과 통계, 미적분, 최적화 개념이 계속 나와요. 다만 처음부터 대학원 수준의 증명을 줄줄 외울 필요는 없습니다. 입학 준비 단계에서는 개념을 보고 코드나 모델 구조와 연결하는 힘이 더 중요합니다.
예를 들어 행렬 곱셈이 왜 신경망 연산에 쓰이는지, 확률분포가 분류 모델에서 어떤 의미인지, 경사하강법이 손실값을 줄이는 방식인지 정도는 말로 설명할 수 있어야 합니다. 수학 공부를 할 때 공식만 외우면 금방 지칩니다. 파이썬으로 작은 예제를 돌려보면서 “아, 이 계산이 모델 안에서 이렇게 움직이는구나” 하고 붙여 보는 게 훨씬 오래 남아요.
코딩은 파이썬이 기본입니다. 여기에 넘파이, 판다스, 파이토치 또는 텐서플로 중 하나는 익숙해지는 편이 좋습니다. 연구실에 따라 파이토치를 더 많이 쓰는 곳도 있고, 데이터 분석 쪽은 판다스와 시각화 도구를 자주 씁니다. 처음부터 모든 프레임워크를 다 잡으려 하면 산만해져요. 파이썬 문법, 데이터 전처리, 간단한 모델 학습, 결과 해석까지 한 흐름을 끝까지 해보는 게 먼저입니다.
포트폴리오는 거창하지 않아도 된다
AI대학원 지원자들이 자주 하는 착각이 있습니다. “대단한 서비스 하나 만들어야 한다”는 생각이에요. 물론 완성도 높은 프로젝트가 있으면 좋습니다. 그런데 대학원에서는 화려한 화면보다 문제를 어떻게 정의했고, 데이터를 어떻게 다뤘고, 실험을 어떻게 비교했는지를 더 관심 있게 봅니다.
예를 들어 영화 리뷰 감성분석 프로젝트를 했다고 해볼게요. 단순히 정확도 90%가 나왔다고 쓰는 것보다, 어떤 데이터셋을 썼는지, 기준 모델은 무엇이었는지, 전처리를 바꿨을 때 성능이 얼마나 달라졌는지, 실패한 실험은 무엇이었는지를 적는 편이 훨씬 설득력 있습니다. 연구는 성공 결과만 모아두는 작업이 아니니까요.
- 데이터 출처와 규모를 설명할 수 있는 프로젝트
- 비교 실험이 포함된 프로젝트
- 실패 원인과 개선 방향을 적은 기록
- 코드 재현이 가능한 저장소 또는 노트북
비전공자라면 작은 프로젝트 2~3개가 더 현실적입니다. 하나는 기본 머신러닝, 하나는 딥러닝, 하나는 관심 분야와 직접 연결된 주제로 구성하면 흐름이 좋아요. 예를 들어 통계 기반 예측 모델, 이미지 분류 모델, 의료 이미지 관련 논문 재현처럼 단계가 보이면 지원서에서도 이야기가 자연스럽게 이어집니다.
연구계획서는 너무 크게 쓰지 않는 게 좋다
연구계획서를 쓸 때 많은 사람이 “인류에 기여하는 범용 인공지능” 같은 큰 문장으로 시작합니다. 멋있긴 한데, 읽는 사람 입장에서는 오히려 잡히는 게 적어요. 대학원 지원 단계에서는 거대한 선언보다 작은 문제를 선명하게 말하는 편이 좋습니다.
좋은 연구계획서는 보통 세 가지가 들어갑니다. 내가 관심 있는 문제, 그 문제가 왜 중요한지, 현재 내 수준에서 어떤 방식으로 접근해보고 싶은지예요. 예를 들어 “한국어 의료 문서에서 개인정보를 안전하게 비식별화하는 자연어처리 모델을 연구하고 싶다”처럼 구체적이면 훨씬 좋습니다. 여기에 관련 논문 2~3편을 읽고 느낀 한계까지 적으면 준비한 티가 납니다.
교수님께 컨택 메일을 보낼 때도 비슷합니다. 긴 자기소개보다 연구실 논문을 읽었다는 흔적이 중요해요. “교수님의 최근 연구 중 데이터 효율을 높이는 방법에 관심이 생겼고, 제가 진행한 작은 분류 실험에서도 데이터 수가 줄어들 때 성능이 크게 흔들리는 문제를 봤습니다”처럼 연결하면 훨씬 자연스럽습니다.
준비 기간은 6개월보다 1년을 잡으면 편하다
기초가 어느 정도 있는 전공자라면 6개월 안에도 지원 준비를 맞출 수 있습니다. 하지만 비전공자나 코딩 경험이 적은 사람이라면 1년 정도를 보는 게 마음이 덜 급합니다. 첫 3개월은 파이썬과 수학 기초, 다음 3개월은 머신러닝과 딥러닝 기본 모델, 그다음 3개월은 논문 읽기와 프로젝트, 마지막 3개월은 연구실 조사와 지원서 작성으로 잡으면 흐름이 무너지지 않습니다.
물론 사람마다 출발점은 다릅니다. 회사에서 데이터 분석을 해본 사람은 프로젝트 준비가 빠를 수 있고, 수학 전공자는 모델 이론을 따라가는 속도가 빠를 수 있어요. 반대로 둘 다 처음이면 시간이 더 필요합니다. 중요한 건 남들이 언제 시작했는지보다 내 약한 부분을 빨리 확인하는 겁니다.
AI대학원은 이름만 보면 먼 곳처럼 느껴지지만, 준비 과정은 의외로 생활형 공부에 가깝습니다. 논문 한 편을 끝까지 읽고, 작은 모델 하나를 직접 돌려보고, 결과가 왜 이상한지 메모하는 일의 반복이에요. 그런 기록이 쌓이면 지원서 문장도 달라집니다. 막연한 열정이 아니라, 실제로 부딪혀본 사람의 말이 되거든요.
개인적으로는 AI대학원을 준비할 때 “합격 스펙을 만드는 시간”으로만 보지 않았으면 합니다. 이 분야가 나와 맞는지 확인하는 시간이기도 하니까요. 코드를 고치다 새벽이 되어도 이상하게 재미가 남는지, 논문이 어렵지만 한 문단이라도 이해했을 때 기분이 좋은지, 그런 감각이 생각보다 오래 갑니다. 그 감각이 있다면 시작이 조금 늦어도 충분히 따라갈 수 있습니다.
