리더로서 실무에서 손을 떼는데서 오는 두려움에 대해

실무를 하다가 엔지니어링 매니저로 일을 전환한지 2년이 넘었다. 매니저로 전환할 때는 인공지능의 홍수 속에서 의사결정을 하는 직업은 불확실성을 안고 책임을 져야 하기 때문에 인공지능에 의해 대체되기 어렵다라는 생각을 하고 의사결정을 하였다. 이 의사결정은 여전히 유효하고 자신감이 있다. 이에 반해 여전히 고민되는 부분이 있는데 바로 실무에서 손을 뗀다는 두렴이다.

실무에서 손을 뗀다는 것에 대한 두려움은 크게 다음 세가지에 기인한다.
첫째, 실제 기술을 다루지 않게 됨에 따라 최신 트렌드와 기술에서 멀어지게 되고 디테일이 사라질지도 모른다는 두려움이다.
둘째, 직접 코드를 작성하고 문제를 해결하는 것이 아니기 때문에 타인에 대한 의존도가 올라가게 되고 직접 기여도가 감소한다고 생각한다.
셋째, 기존에 정체성으로 가지고 있던 기술적 전문성이 사라짐에 따라서 정체성에 대한 혼란이 발생할 것이라고 생각한다.

이런 부분 때문에 지난 2년동안 다양한 고민을 했던 것같다. 그리고 이를 해소하기 위해서 여러 방안을 실행해보았는데 그 중의 일부를 정리해보면 다음과 같았다.

첫 번째로, 전체 아키텍처나 코드리뷰에 대한 부분은 항상 참여하였다. 코드 가독성에 대한 고민을 함께 하고, 문제 해결에 직접 참여하였다. 입개발로 보일 수도 있겠지만, 문제 해결은 실무에게 맡기되, 의견을 제시하거나 방안에 대해서는 생각을 교환하였다.
두 번째, 기술트렌드나 비즈니스트렌드를 함께 엮어서 주기적으로 팀에게 공유하는 시간을 가지면서 꾸준히 공부하였다.
마지막으로 아주 간단한 모델링이나 EDA는 과제를 팀에게 설명하기 전 먼저 해보고 가이드를 주었다.

그리고 이런 업무를 하는 과정에서 프로젝트의 기여도에서 지속해서 정리하고 가시화하기 위해 노력하였다.

이 과정 속에서 당연히 리더로서 정체성을 구성하기 위해 리더십 스킬을 공부하고, 멘토링을 지속하면서 새로운 정체성을 쌓는 것도 병행하면서 리더로서도 성장하기 위해 노력하였다. 사람을 움직이는 업무이기에 아직 시간이 더 필요하지만 말이다.

하지만 이 불안감은 사라지지 않을 것이다. 유튜버 무빙워터님이 이야기한 것처럼 어차피 회사는 망하고 우리는 죽는데 회사가 먼저 망하기 때문에 우리는 항상 독립할 준비를 해야 하기 때문이다. 지속해서 여러 방안을 찾고 실현해보도록 해야겠다.

Read more

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

DataFrame은 Pandera로, 모델은 Pydantic으로 데이터를 검증한다.

Pandera: 데이터프레임 검증에 최적화된 도구 주요 장점 * Pandas와 통합: Pandas 데이터프레임에 대해 스키마 기반 검증을 수행합니다. * 유연한 검증 조건: 열 데이터 타입, 값 범위, Null 여부 등 다양한 검증 조건을 정의할 수 있습니다. * 명확한 오류 메시지: 스키마 불일치에 대한 명확한 오류 메시지를 제공합니다. 단점 * 대용량 데이터 검증에서는 속도가 느릴 수

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression은 Censored Data에 적합한 Regression이다.

Tobit Regression * Tobit 회귀(Tobit Regression)는 종속 변수가 특정 값에서 절단(Censored)된 상황에서 데이터를 분석하기 위해 사용되는 통계 기법입니다. * James Tobin이 처음 제안한 이 모델은 경제학과 사회과학 분야에서 자주 사용되며, 일반 선형 회귀로는 설명할 수 없는 상황에서 효과적으로 적용할 수 있습니다. Tobit Regression 수식 1. 관측된 종속 변수