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

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

OLS 기반 인과추론 시 오차항 관련 체크 필요 가정

배경 * 아래 글을 DANBI에서 보다가 더 알아보게 되었습니다. OLS를 떠받치는 몇 개의 기둥이 있는데 그중 실용적으로 가장 중요한 것이 일치성(consistency)다. 쉽게 말해서 OLS를 통해 도출된 추정량이 있을 때 샘플사이즈가 커지면서 이 값이 참 값으로 접근한다는 것이다. 일치성이 충족되면 우리는 적당하게 큰 표본에 대해서 추정치가 좋은 속성을 지니고 있다고

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

인공지능이 문제가 아니라 결국 사람이 문제가 될 것입니다.

사람들이 AI가 필요하다고 생각하는 시점 저 판사를 얼른 AI로 교체해야 한다. 유튜브에서 뉴스를 보다 보면 정말 많이 보이는 덧글입니다. 이러한 내용의 덧글이 달릴 때마다, 정말 많은 사람들이 공감을 표하곤 합니다. 왜 이렇게 사람들은 이러한 주장에 공감을 표하는 것일까? AI는 시킨대로 하기 때문에 공정하다는 인식 여러 이유가 있겠지만, 사람들은 아마 AI가

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

BG/NBD 모델은 고객 생애가치를 추정하는데 사용되는 확률 모델입니다.

1. BG/NBD 모델이란? * BG/NBD(Beta-Geometric/Negative Binomial Distribution) 모델은 **고객의 생애 가치(Customer Lifetime Value, CLV)**를 추정하는 데 사용되는 확률적 모델입니다. * 특히 고객이 반복 구매를 할지, 아니면 더 이상 활동하지 않을지를 추정하는 데 유용합니다. 이 모델은 고객의 구매 행태를 두 가지 중요한 개념으로 나눕니다: * 고객은 활성(active)

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=