4강에서 이런 문장으로 이 순간을 예고했다. "26강까지 다 오면 25강에서 이 공고를 그대로 다시 꺼내, 이번엔 한 줄씩 완전히 해독한다." 그 순간이 왔다.

4강에서 본 그 합성 공고를 그대로 다시 옮긴다. 그때는 "이건 어디쯤 있는 말이다"까지만 갔다. 지금은 22개 강의를 더 지나왔고, 24강에서 직무 무게까지 갈랐다. 이번엔 뜻과 무게를 같이 채운다.

그 공고, 다시

공고 문구	무슨 뜻인가	관련 강의	무게가 실리는 직무 (24강)
머신러닝/딥러닝 기반 서비스 개발 경험	데이터로 손잡이를 맞춘 모델을 실제 서비스에 태워본 경험	1·2강	ML 엔지니어
지도학습 기반 분류·회귀 모델 설계 및 학습 경험	정답 붙은 데이터를 보여주며 모델을 맞춰본 경험	5강	데이터 사이언티스트
PyTorch, TensorFlow 등 딥러닝 프레임워크 활용 경험	신경망의 학습 고리(예측→채점→조정)를 코드로 실제로 돌려본 경험	9~11강	데이터 사이언티스트 · ML 엔지니어
LLM(GPT, Claude 등) API 연동 및 프롬프트 엔지니어링 경험	이미 학습된 모델을 불러 말을 걸고, 원하는 답이 나오게 문장을 설계한 경험	12강, 16강	AI 엔지니어
RAG 파이프라인 설계, 벡터DB(Pinecone, Milvus 등) 사용 경험	모델이 모르는 문서를 좌표로 바꿔 저장하고, 검색해서 붙여준 경험	17~19강	AI 엔지니어
모델 서빙, MLOps 파이프라인 구축 경험	학습이 끝난 모델을 API 로 열고, 드리프트를 지켜보며 재학습을 돌린 경험	21강, 23강	ML 엔지니어
대용량 데이터 파이프라인 설계 및 전처리 경험	학습 재료가 되는 데이터를 모으고 정제하고 나른 경험	22강	데이터 엔지니어

한 줄씩 보면 처음 봤을 때와 느낌이 다르다. 4강에서는 "낯선 말이 뒤섞여 있다"였다면, 지금은 각 줄이 어느 강의에서 나왔고 누구의 몫인지 보인다.

필수요건과 우대사항을 가르는 법

4강에서 짚었던 함정을 여기서 실전에 써먹는다. "이 문구들을 한 공고에 다 모아뒀다고 실제 지원자가 전부 갖춰야 하는 건 아니다."

이제 그 이유를 표로 설명할 수 있다. 7줄 중 앞의 셋은 데이터 사이언티스트·ML 엔지니어 쪽 무게고, LLM·RAG 두 줄은 AI 엔지니어 쪽, 서빙·MLOps 한 줄은 다시 ML 엔지니어, 마지막 한 줄은 데이터 엔지니어 쪽이다. 한 공고에 네 직무의 요구가 섞여 있으니, 지원하는 직무에 맞는 줄만 잘 갖추면 된다.

정리하면

4강에서 위치만 찍었던 공고 한 장을, 24강까지 배운 개념과 직무로 완전히 해독했다.

1. 01

   공고 문구 일곱 줄을 한 줄씩 해독했다

   각 줄이 이 편 어느 강의에서 나온 개념인지 표로 붙였다.

2. 02

   줄마다 무게가 실리는 직무가 다르다

   24강의 네 직무 표를 그대로 대입해, 한 공고 안에서도 요구가 갈린다는 걸 봤다.

3. 03

   화려한 용어 나열 앞에서 얼어붙을 필요가 없다

   줄마다 어느 직무 몫인지 나누면, 내가 갖춰야 할 부분만 남는다.

이제 지도도 그렸고, 직무도 갈랐고, 공고도 해독했다. 마지막 강의에서는 가장 현실적인 질문 하나가 남는다. 그래서 나는, 지금 뭐부터 손대야 하나.