인공지능 대학원 교수 컨택 및 면담 후기

인공지능 대학원 진학과 취업 사이에서 고민이 많았습니다.

취업을 하더라도 머신러닝 엔지니어로 가고 싶었고, 주위 지인들로부터 자문을 구한 바 (물론 사람마다 다른 의견을 말할 수 있겠지요?) 데이터 사이언티스트로 일하려면 대학원 진학을 통한 빵빵한 학벌이 필요하다는 것을 알게 되었습니다.

저는 대학 자체를 늦게 입학했기 때문에 나이, 경제적 여건을 고려해보았을 때 대학원을 간다는 것이 현실적으로 힘들 것이라고 생각하였고, 자연스럽게 취업으로 마음이 많이 기울었습니다.

취업이든 대학원이든 전 어떤 결정을 하던지 그 베이스는 인공지능이었습니다.
무작정 인공지능이라는 학문에 대해서 더 파고 싶었고 집착ㅎㅎ하게 되었습니다.
그래서 머신러닝 엔지니어라는 직업을 희망했었죠.

현업에서 머신러닝 엔지니어로 일하시는 지인에게 자문을 구했을 때 그 분은 현업으로 바로 오기를 개인적으로 추천한다고 하셨지만, 그 분의 의도와는 반대로 죄송하게도 저는 그날 조언을 듣고 대학원 진학 쪽으로 마음이 서서히 기울더라구요.

청개구리라서라기보다는 ㅜㅜ 열심히 자문해주신 분은 개인적으로 배울 점이 참 많다고 느끼는 분인데도 불구하고, 현업에서 어떤 태스크를 해결할 때 머신러닝 기법이 쓰이게되면 머신러닝 엔지니어가 되고 뭐 말도 안될 수 있지만 급하게 배포를 해야해서든 어떤 이유에서든 머신러닝 기법을 안쓰고 해결하게 되면 소프트웨어 엔지니어가 되어있는 것이라는 생각이 들어서 그랬습니다.

저의 인공지능에 대한 집착이 마음을 바꿔먹게 했습니다.

졸업학년이 가까워져서 과거의 제가 미리 다 들어놨으니까 더 이상 들을 수 있는 전공도 거의 없어졌고, 저는 기다렸다는 듯이 교양과목까지도 전부 인공지능 관련 과목들만을 수강신청했습니다.
그러다보니 타학과 전공 과목인 머신러닝과 시계열 분석을 듣게 되었죠.

그 과목들을 배우면 배울수록 더 알지 못하는 것이 아쉬웠습니다.
연구가 ongoing 중이라는 분야들도, 학부생이니까 더 깊게 들어가지 않는다는 말을 들을 때도, 심지어 내가 알고 있는 기반지식들로 이들을 이해할 수 있다는 것 자체로 즐거웠고 아주 완전히 매료되었습니다.

부족함을 자각하고 욕심이 나서 대학원 진학으로 마음이 점점 기울다가 지금 현재는 90프로 이상 대학원 진학으로 마음을 굳혔습니다.

내가 이 분야를 아주 정점까지 알아야겠다하는 심정으로다가요 ㅎㅎ

인공지능이라는 분야 자체가 큰 이목을 받고 있고, 저처럼 박사까지 준비하려는 분이 또 계실 것 같아서 + 새롭게 인공지능 대학원들이 선정되다보니까 준비하는 과정에서 아직 인터넷에서 찾아보기 어려운 경우가 있었기 때문에 도움이 되었으면 하는 마음으로 이 글을 작성합니다.

대학원 연구실을 선택하고 교수님께 컨택하는 방식은 다른 학과와 크게 다르지 않다고 느꼈습니다.
학교마다, 또는 과마다 컨택을 받지 않거나 필요하지 않은 경우도 있다고 하던데 이 분야는 분명히 필요한 부분이라고 생각했습니다.

어쨌든.. 인공지능 대학원은 학교 선택지가 아주 많지도 않습니다.
저의 경우에는 그 학교들의 모집요강을 확인하고 자격 요건을 확인하는 것이 가장 먼저였습니다.
전 공백이 생기는 것이 싫었기 때문에 바로 지원할 수 있는 곳과 준비를 별도로 하고 지원해야하는 곳을 나누고, 바로 지원할 수 있는 곳의 커리큘럼 및 교수진을 확인했습니다.

아참 인공지능학과의 커리큘럼 자체가 공개가 안되어있는 경우도 있었어요.
그래서 학업계획서를 쓸 때 고민이 많았죠.

교수진 소개에는 약력도 함께 적혀있기 마련이지요.
약력을 보고 주연구분야가 나의 흥미분야와 일치하는 몇분만 추려봅니다.

분야가 일치하는 지를 모르겠다면 이 길이 맞을 지 의심해보는 것도 필요하다고 느꼈습니다.

그럼에도 불구하고 대학원 진학이 맞다고 생각이 드셨다면 무작정 교수님들의 논문과 각 연구실 홈페이지를 통해 연구실에서 무슨 일들을 하고 있는지 등을 읽어봅시다.

어쨌든 추려지게 되고 왠지 끌리는 분이 있으리라 생각합니다.

그렇게 추려진 명단에서 김박사넷을 통해 교수님에 대한 졸업생 또는 학생들의 평가를 확인하였습니다.

또 추려지게 될 것입니다.
조금 딱딱하시다거나 사무적이시더라도 아웃풋이 화려하다거나, 논문 하나만큼은 잘 뽑힌다거나 그런 교수님도 계실 것이고, 논문 집필보다는 프로젝트 위주로 흘러가는 연구실도 있을 것이고요.

자유로운 분위기인 만큼 개인 공부시간이 많아져서 좋은 사람도 있을 것이고, 그게 방해가 될까 우려되는 사람도 있을거니까요.

여러명이 남아있을 수 있습니다.
사람마다 컨택해보는 교수님들의 수 차이가 많이 다르더라구요.

저의 경우에는 조기졸업 때문에라도 (갑작스레 진로를 틀어서가 사실 더 큼 ㅎ) 시기가 엇갈려 자꾸 관심이 가는 교수님 한분만 우선 추려졌었습니다.

그런데 기반지식이 너무 적어서 ㅜㅜ 제가 연구분야가 비슷하다고 판단했던 스스로의 선택이 자꾸 의심이 되더라구요.
인생의 큰 기점에 있으니까 오백번씩 고민했습니다.

그래서 전 결국 컨택보다는 질문을 했습니다.

왜 교수님께서는 OOO분야를 주연구분야로 삼으신 것인지를요.ㅋㅋ
황당하실 수도 있었겠지만… 진짜 궁금해서 여쭤봤습니다.

그리고 아주 짧고 굵은 답변이 왔습니다.
답변 주셔서 감사하다고 답장을 드리고는 이후 일정기간 그 답변을 토대로 고민했습니다.

신임 교수님이셔서 더 확인할 방법도 별로 없고 찔러보는 느낌을 드리고 싶진 않고 한참 고민하다가 실례를 무릅쓰고 지인을 통하고 통해서 해당 연구실 부원과 컨택을 할 수 있었습니다.

이것도 팁입니다.
약간 소름일 수는 있지만, 큰 인생의 기로에 서있는데 최소한의 예의까지는 지켜가면서 여쭤보긴해야겠더라구요.

소속 랩장 및 랩실 부원에게 들어보는 것이 또 도움이 됩니다.

보통은 교수님 컨택에서 성공적인 결과를 얻게 되면 방문 면담을 하게 되고 그 때 랩실 부원에게 여쭙는 경우들이 더 많을거에요!

어쨌든 그 랩실 부원으로부터 도움이 될만한 이야기들을 많이 듣고 제 선택에 조금은 믿음? 용기?가 생겨서 교수님께 한 번 더 질문들을 추리고 여쭤봤습니다.

1. 연구실 홈페이지가 아직 구축 미완상태라 여쭤본다, 연구실에서는 어떤 연구를 하고 계신지?

2. 경제적 여건으로 인해 통학이 가능한 거리의 대학원을 원하며 실례지만 여쭤본다, 연구인건비 얼마인지?

3. 이런 내용들 찾아봽고 여쭙는게 예의인 것 같다가도 코로나ㅜㅜ때문에 이 시국에 방문이 더 예의가 아닌 것같기도해서 고민이다, 어떤 게 조금이라도 더 편하신지?

세 질문에 대해 상단에 요약하고 하단에 질문상세를 작성하여 메일을 다시 드렸습니다.
그리고 솔직하게 말씀드렸습니다.
교수님 인터뷰 보고 ‘이런분께 배우면 좋겠다’하고 무턱대고 관심이 생겼다고, 순서가 안맞을 수도 있지만 제 흥미분야와 교수님 연구분야가 아주 일치했으면하고 바라는데 신설 연구실이다보니까 정보를 찾기 어려워서 직접 여쭤본다고 했습니다.

어떤 이력서나 학업 계획서도 없이 무턱대고 여쭤보니 주말껴서 삼일간 답이 없는 동안 참 걱정했습니다.
확신이 없는데 이력서없이 드려야하는게 찔러보는 것같이 안느껴지실거라고 단단히 오해했던 과거의 저를 채찍질했어요.ㅠㅠ

제가 어떤 사람인지 조금이라도 궁금하게 해드렸어야 했다. 하고요.
그런데 운좋게 답을 받았습니다.

교수님께 컨택할 때는 많은 분들이 하시는 방법처럼 저 역시 이메일로 최초 컨택을 시도했습니다.

교수님과 대면 면담일정을 잡고 찾아뵀을 때는 제가 궁금한걸 여쭤보기도 했지만 뜻밖의 구술면접처럼 진행이 되었는데요, 질문을 아래에 추려보겠습니다.
제 성적표를 보시다가 미적분학을 안배운 것을 보시고선 물어보시는 처음 질문이 아래와 같았습니다.

1. 미적분학안배웟네여 어디까지알고있죠? 라는질문에서 고등학교 이과 커리큘럼 수학을 공부해놨기 때문에 현재 머신러닝 수업을 듣고 있는데 이해하는데에 문제가 있지는 않습니다 하고 답변드렸습니다.
   그래서 체인룰 설명하고, 고차함수 미분이야기가 나와서 테일러급수도 물어보셨는데 테일러급수에 대해서는 모르겠다고 말씀드렸습니다 ㅎㅎ..그래서 집에 돌아오자마자 따로 공부했습니다.
   심화로는 심층신경망에서 체인룰이 왜 쓰였는가, 체인룰의 개념은 무엇인가, 직접 풀어보았는가에 대한 답변도 드렸습니다.
   

2. 선형대수학 기하와 벡터를 재미있게 공부했다고 말씀드렸더니, 고유값에대해 설명해볼 수 있겠냐고 하셔서 제가 이해했던 직관을 설명하고 고유값과 고유벡터 수학적 특징에 대해서 설명하고 기계학습 분야에서의 고유값의 활용도로 SVD, PCA, Linear Discriminant Analysis를 설명하였습니다.
   

결론적으로는 긍정적인 답변을 받을 수 있었습니다.