4강에서 미뤄둔 말이 있다. "직무마다 방점이 다르다." 3강에서도 하나 미뤘다. "AI 엔지니어"는 지도 전체를 가리키는 넓은 이름이고, "생성형 AI 엔지니어"·"LLM 엔지니어"는 안쪽 원만 콕 집은 이름이라고. 22강은 이 일을 전담하는 직무를 "데이터 엔지니어"라 불러놓고 그대로 넘어갔다.

지금까지 22개 강의로 그린 건 개념 지도였다. 이번 강은 그 지도를 사람으로 나눠본다. 같은 회사 안에서도 이 네 이름이 뒤섞여 쓰이는데, 뒤섞이는 데는 이유가 있다.

네 이름은 파이프라인의 서로 다른 칸이다

23강에서 본 MLOps 순환 고리를 다시 꺼낸다. 그 고리의 각 칸에 사람 이름을 붙이면 이렇게 갈린다.

• AI 를 만들고 굴리는 일22강까지 본 파이프라인 전체
  • 데이터 엔지니어데이터 파이프라인을 놓는다 — 22강
  • 데이터 사이언티스트데이터로 모델을 설계·실험한다 — 5~8강
  • ML 엔지니어학습·배포 인프라를 짠다 — 9~11강, 21강
  • AI 엔지니어 (요즘 신생)이미 있는 모델을 API 로 조립한다 — 17~20강

1강의 지도가 개념의 포함관계였다면, 이 나무는 병렬이다. 넷 중 누가 더 크거나 안쪽인 게 아니라, 같은 파이프라인의 다른 구간을 맡을 뿐이다.

직무	주로 하는 일	연결되는 강의	공고에서 자주 쓰는 표현
데이터 엔지니어	데이터를 모으고 정제하고 나른다	22강	"대용량 데이터 파이프라인", "ETL", "데이터 정제·라벨링"
데이터 사이언티스트	데이터를 놓고 어떤 모델이 맞을지 실험하고 설계한다	5~8강	"지도·비지도학습", "모델 설계 및 검증", "통계 분석"
ML 엔지니어	설계된 모델을 실제로 학습시키고 서비스로 배포·운영한다	9~11강, 21·23강	"모델 서빙", "MLOps 파이프라인", "학습 인프라"
AI 엔지니어	이미 만들어진 LLM 을 API 로 불러 RAG·에이전트로 서비스를 조립한다	17~20강	"LLM API 연동", "RAG 파이프라인", "프롬프트 엔지니어링"

"AI 엔지니어"라는 이름이 따로 생긴 이유

3강에서 남겨둔 구분을 여기서 마저 가른다. 앞의 셋(데이터 엔지니어·데이터 사이언티스트·ML 엔지니어)은 모델을 밑바닥부터 만드는 일에 가깝다. 반면 요즘 늘어난 "AI 엔지니어"·"LLM 엔지니어"·"프롬프트 엔지니어"는 성격이 다르다. 이미 학습이 끝난 모델(GPT, Claude 같은)을 가져다, 내 서비스에 맞게 조립하는 일이다.

데이터 사이언티스트 · ML 엔지니어

모델 자체를 만든다

• 데이터로 직접 학습을 돌린다 (5~11강)
• 학습·서빙 인프라와 GPU 비용을 다룬다 (21·23강)
• 23강에서 본 것처럼 이 학습 비용이 훨씬 크다

AI 엔지니어

이미 있는 모델을 조립한다

• 직접 학습시키지 않고 API 로 모델을 불러 쓴다 (12강)
• 컨텍스트 윈도우 밖의 지식은 RAG 로 붙인다 (17~19강)
• 도구를 쥐여줘 일을 시키는 에이전트를 짠다 (20강)

정리하면

네 직무는 같은 파이프라인의 다른 칸을 맡는다. 앞의 셋은 모델을 만들고, 요즘 늘어난 AI 엔지니어는 이미 있는 모델을 조립한다.

1. 01

   네 직무는 파이프라인 위 서로 다른 칸이다

   데이터 엔지니어(22강) · 데이터 사이언티스트(5~8강) · ML 엔지니어(9~11강, 21·23강) · AI 엔지니어(17~20강).

2. 02

   "AI 엔지니어"는 모델을 만들지 않고 조립한다

   3강에서 미뤄둔 구분 — LLM API 를 불러 RAG·에이전트로 서비스를 만드는 신생 직무다.

3. 03

   회사 규모가 작을수록 직함 하나가 표 전체를 덮는다

   직함보다 공고 본문의 업무 내용이 실제 방점을 말해준다.

다음 강의에서는 4강에서 위치만 찍어두고 뜻은 미뤄뒀던 그 합성 공고를 다시 꺼낸다. 이번엔 한 줄씩 뜻까지 채우고, 오늘 그린 이 표로 어느 직무 무게인지도 함께 붙인다.