장환영 교수님의 칼럼에서 놀라웠던 것이, 이번에는 좀 묵직하고 깊게 파고드는 식으로 이야기를 좀 빠르게 전개하며, 그동안 제가 깊이 고민한 내용에 대해서 '이건 고등학생들에게는 너무 어렵지 않을까 나도 그 나이 때는 이 정도로 생각을 못했는데' 라는 우려를 가지고 굉장히 단호하고 과감하게 생략과 빠른 전개를 하였으나, 오히려 재미있게 읽었다는 댓글을 많이 받아서 놀라웠습니다. 응원해주시고 격려해주신 모든 분께 깊은 감사의 말씀을 드립니다.

첨언하자면, 교수님들과의 면담에서 중요한 것은 단순히 교수님이 말씀하신 내용을 그대로 옮겨 적는 것이 아닙니다. 전 항상 그렇지만 면담 도중 종종 반문과 예시, 비유를 들면서 제가 이해하는 내용이 맞는지, 교수님의 생각이 제 생각과 동일하고 타당한지, 듣고 이해한 내용을 재구성하며 확인을 받으며 대화를 전개합니다. 따라서 그냥 단순히 교수님이 추상적이고 모호하고 깊고 이해하기 어려운 내용을 읊으셨고 그걸 녹취해서 그대로 타이핑을 하는 것이 아니라, 제가 질문하고 반문한 내용이 자연스럽게 섞여 있으며, 기계적으로 베끼고 그대로 쓴 것이 아니라는 점이 중요합니다.

이번에는 어제 교육학과 교수님과 더불어 오늘 면담을 한 통계학과 안홍엽 교수님과의 면담을 통하여 한번 깊은 이야기를 해보겠습니다. 이로써 저는 신경과학의 주요 구성 분야인 교육학, 컴퓨터공학, 통계학, 시스템반도체학과, 물리학과 등의 교수님들과의 면담을 한 바퀴 끝냈습니다.

신기하게도 자대 출신의 교수님들은 후배들에게 매우 친절하신 경향이 있으신 듯 합니다. 교수님은 지금 제가 재학 중인 대학의 90학번 컴공 공부를 한 경험이 있다고 하시더군요

마찬가지로 이번에 처음 만나뵙는 분이었기에, 제가 학생 설계 전공을 한 내용과 커리큘럼 계획표, 학업계획서 등을 종합적으로 검토하시고 이에 대해서 여러 질문과 답변이 오고 갔으며, 교수님이 생각하시기에 보완할 수 있는 점에 대해서 조언과 상담을 받았습니다.

우선 교수님은 매우 뛰어난 관찰력으로 학수번호를 보시더니, 각 수업 간의 연관성을 추론하고 이를 통해서 불필요하거나 겹치는 교과목을 과감하게 포기하고, 빠르고 전략적으로 목표를 향해 다가가는 것에 대해서 주로 이야기를 강조하시면서 시작하셨습니다.

실제로 이번에 스터디를 하는 조원 중 한 분도 RA와 심리학, 소프트웨어 복수 전공을 하셨는데, 실제로 컴퓨터공학을 배운다고 반드시 신경과학과 연관된 것이 아니라 정작 컴퓨터 자체의 구조나 자료 등에 대해서 배우기에 다소 쓸데없는, 다소 후회되는 공부들이 있다고 합니다. 물론 공부에 불필요함이 있을 수는 없고, 모두 들으면 좋으나 항상 우리에게 시간과 정신력, 학업 능력이라는 자원은 한정되었기에 경제학적으로 전략적 사고를 해야 합니다.

따라서 오히려 과감하게 '자료구조'와 같이 컴퓨터공학 수업에서도 어렵고 힘든 교과목을 빼라고 조언하셨습니다. 실제로 자료구조라는 전공 기초 수업은 컴퓨터공학도에게 어렵고 저학년일 때 충격을 주는 낯선 수업인데, 정작 배우는 것은 컴퓨터 내부에 저장되는 자료의 위치나 방식에 대해 배우기에, 신경과학과 직접적인 연관성이 낮고 고생은 고생 대로 할 것이라는 점을 강조하셨습니다.

특히 저는 삼수를 하기도 했으며 여태 여러 분야에서 경험을 충분히 쌓아왔으며 나름의 의미있는 삽질은 이미 충분히 했다고 느끼는 바, 교수님의 조언에 공감하였고, 이제는 본격적으로 전략적인 선택과 효율에 집중하여 목적지향적인 태도가 필요하다는 것을 확실히 정리할 수 있었습니다.

비슷하게 머신러닝, 인공지능, 딥러닝 등의 교과목들도 학수번호가 서로 1차이가 나는 것을 보아(여기서 관찰력에 놀랐습니다), 서로 비슷하면서도 선수 후수 교과목으로 구성되었기에 서로 비슷비슷 할 것이고, 모든 수업을 듣는 것은 비효율적일 것이라는 점을 강조하셨습니다.

그러면서 저에게 머신러닝과 딥러닝에 대하여 이해하고 있는지 질문을 하자 나름 최선을 다해 답하였고, 그에 대해 추가적으로 설명을 하셨습니다.

딥러닝 분야의 강점이자 단점은 우리가 정확히 모르는 히든 레이어, 블랙박스 부분이 있다는 것입니다. 이를 해결하기 위해 explainable AI 라고 하여 XAI라는 기술도 떠오르고 있습니다

https://buomsoo-kim.github.io/keras/2018/04/21/Easy-deep-learning-with-Keras-1.md/

통계학의 목적에 대해서 우선 말씀하시는데, 많은 과목에서 통계학을 이야기를 하면서 정작 그 목적의 본질을 잊고 기계적으로 활용하는 것에만 집착하는 것을 지적하며, 본질적이고 목적을 항상 염두에 두어야 함을 강조하면서 아래의 이야기를 하셨습니다.

우리가 보통 연구를 할 때는 2가지 방향에서 연구를 합니다. 하나는 순수과학적 연구로, 정확히 무슨 일이 어떻게 내부에서 변화하고 발생하는 지를 파악하는 것입니다. 다른 하나는 다소 목적지향적이고 공학적으로, 그냥 좋은 물건을 만들기 위해서 어떻게 해야 하는지를 파악하고, 초기 변수와 입력값을 계속 조정하면서 어떤 양상으로 결과가 나오는지 관찰하여 결국 어떤 초기값이 최고의 결과를 내는지 파악하는 것입니다.

첫 번째 연구는 시스템에 대한 이해이고, 두 번째 연구는 predicition 예측에 대한 연구입니다. 차이점은, prediction 연구의 경우 내부에 어떤 과정이 연쇄적으로 발생하여 이런 결과가 나왔는지 설명이 불가능하다는 것이고, 따라서 질문하는 사람도 그 부분에 대해서 반론을 제기하거나 관심을 가지지 않는다고 합니다.

딥러닝에서는 이를 블랙박스, 히든 레이어 숨은 층이라고 부르며 단지 우리는 시행 착오와 시뮬레이션을 통해 입력값에 대해서 각각 결과가 어떤 값이 나오는지, 가장 우리가 원하는 결과값(예컨데 재료공학에서는 그냥 싸고 단단하고 좋은 재료)을 추구하기 위해 어떻게 변수를 조정하는지, 어느 방향으로 조정하면 그게 의미가 있고 좋은 결과가 나올지를 계속 실험을 통해서 쌓아간다고 합니다.

하지만 모든 실험은 재현성의 한계가 있습니다. 실험의 양 뿐만 아니라 질 또한 중요하여, 예컨데 신약 개발에서 단지 한번에 1000명의 사람에게 투약을 해보았다고 끝나는 것이 아닙니다 이 경우 양은 충족했으나 질은 충족하지 못했습니다. 약물이 계절에 따라서 기온에 따라서 연령에 따라서 지역에 따라서 성별과 면역 기제에 따라서 모두 다를 가능성이 있기에, 질적으로도 여러 기간과 과정, 지역에 따라 검사를 하여 양과 질을 모두 충족해야지 우리가 과감한 일반화를 할 수 있는 것입니다.

재현성은 따라서 매우 중요하고, 어떠한 논문을 발표한다 하더라도 항상 공격을 받는 것은 '다른 팀이 연구를 동일하게 해도 과연 동일한 결과가 나올 것인가'입니다. 재현성이 높으면 이를 일반화를 할 수 있지만, 우리가 모르는 어떠한 요소나 변수에 의해서 계속 바뀌고, 실제로 다른 팀이 동일하게 하였으나 계절 등 무언가 알 수 없는 것에 의해서 결과가 크게 변동하였다면 이것은 우리는 일반화의 오류라고 합니다.

이를 다른 말로 가설검정이라고 합니다. 경향성이 유지되느냐를 보는 것입니다 물론 완벽히 동일한 결과를 추구하는 것은 아닙니다.

우리는 여러 모형을 통해 연구를 합니다. 그 모형 속에 있는 각 변수 앞에 존재하는 계수, 그러니까 파라미터를 계속 바꾸면서 이 변수가 얼마나 결과에 영향을 미치는지를 파악합니다. 다른 말로 가중치 값이라고도 할 수 있습니다.

계수를 알면 결과를 예측할 수 있고, 어느 변수가 얼마나 기여하는 지를 정확히 말할 수 있다!

https://ehpub.co.kr/tag/%EA%B0%80%EC%A4%91%EC%B9%98-%EA%B5%AC%ED%95%98%EA%B8%B0/

그래서 머신러닝에서 러닝이라는 말은, 기계가 계속해서 반복하여 학습한다는 의미이기도 합니다. 왜냐하면 어제는 그저께까지의 자료와 학습량을 바탕으로 나왔으나, 내일은 또 오늘까지의 학습량에 따라서 달라질 것이기 때문입니다. 머신러닝의 핵심은 지속성이고, 지금도 계속해서 변화하고 조금씩 바뀌고 있으며, 실제로 GAI 또한 동일한 질문에 대해서도 전혀 다르게 반응하는 등의 일관성 부족이 관찰됩니다.

딥러닝에 대해서 학생이 머신러닝보다 상대적으로 적은 데이터로 가능하다고 했지만, 딥러닝 또한 마찬가지로 머신러닝처럼 어마어마한 데이터가 필요한 것입니다. 그러나 과거에는 컴퓨팅 파워, (젠슨 황이 아직 안태어나서) 하드웨어 연산 성능이 떨어졌기에 막대한 학습이 불가능했고 그래서 인공지능이 1970년도에 체스 정도는 우승하고 정복하리라 예상되던 것이 1990년대까지 미뤄진 것입니다.

지금은 다소 단순무식하게 보일 순 있지만, 컴퓨팅 파워의 발전으로 인하여 막대한 데이터를 집어넣고 돌릴 수 있게 되었으며, 그것이 머신러닝과 딥러닝을 가능케 하였습니다. 딥러닝도 여전히 개인의 PC 수준의 컴퓨팅 파워로는 돌릴 수 없을 만큼 많은 데이터를 요구합니다. (아마 딥러닝이 상대적으로 적은 데이터가 필요하다는 것은 그만큼 학습 효율이 높다는 것을 의미하는 듯 하다고 개인적으로 메모하였습니다).

결국 막대한 컴퓨팅 파워는 딥러닝이나 머신러닝 등 막대한 자료의 학습이 가능하게 만들었으며, 이를 통해 인공지능이라는 것이 큰 수혜를 받았습니다.

따라서 인공지능 이야기를 하면 당연하게도 머신러닝과 딥러닝 이야기가 자주 나올 것이고, 각 3개의 수업은 서로 크게 겹칠 것이기에 시간이 비효율적으로 보이기에 일부 교과목을 포기하는 것을 추천합니다.

학생이 말한 것처럼 양자역학도, CPU 최적화 덕분에 즉 하드웨어 파워의 발전으로 인공지능이 수혜자가 되었으며, 여러 모델 중에서도 통계학에 쓰이는 일부 모델이 존재하는 것입니다.

그래서 학생이 언급한 '통계수학 및 R실습'은 근본적인 통계적 사고력이 아니라, 단지 하나의 도구를 잘 하는 것에 불과하기에 비추천합니다.

최근 GAI 덕분에 어느 한 언어만 잘 한다면, 다른 언어로 변환하는 것이 너무 쉬워졌습니다 chatGPT에게 부탁만 하면 됩니다. 따라서 기초적으로 어느 한 언어에 대해서 잘 아는 것은 중요하지만, 그렇다고 모든 언어를 모두 잘 할 필요가 없는 시대가 되어버렸습니다.

그래서 저는 각 학과 중에서도 각 학과의 교과목 중 핵심과 본질을 짚는 수업을 중심으로 듣고, 세부적인 가지 즉 여러 도구들은 그때그때 필요할 때마다 배우는 것을 추천합니다. 예컨데 물리학과에서는 양자역학이, 통계학과에서는 수리통계학과 회귀분석 수업 정도를 추천하고 몹시 어렵긴 하지만, 통계학의 본질적이고 깊은 사고력과 목적을 이해할 수 있는 수업입니다.

학생이 말한 것처럼 신경과학에서는 R과 파이썬을 자주 사용하는데, 그렇다고 반드시 R과 파이썬 수업을 들은 적이 있으며 성적표에 찍혀 있어야 한다고 필수적이라고 하기에는 다소 부족합니다. 여러 과목을 듣기 보다는 핵심 교과목을 통해 우려먹듯이 공부를 해야 좀 더 효율적이고 시간을 압축적으로 하여 빠른 시간 안에 남들을 추월하고, 해당 전공자들에 대해 비교우위를 얻을 수 있을 것입니다.

프로그래밍 수업에 대해서도 학생이 컴공과 이수체계도의 필수 교과목을 위주로 집어넣었는데, 그것은 어디까지나 '해당 분야 전공자' 에게 필수적이라는 말이지, 그것을 반드시 따라야 해당 분야를 공부했다고 말할 수 있는 것은 아닙니다. 예컨데 아까 자료구조 수업도 그렇고, 기초프로그래밍 이후 심화프로그래밍 또한 단지 다른 언어를 배울 뿐이지 근본적으로 프로그래밍 사고력과 과학적 학습 방법, 추상화 등의 사고 기법을 새롭게 배우는 등 효과적이고 효율적이지는 못할 것입니다.

프로그래밍에도 다양한 목적이 있을 수 있습니다 게임을 개발한다던지, 문제 해결 분석을 통해 결과를 한다던지. 엑셀로도 우리가 충분히 계산이 가능한데, 어떤 언어를 배운다는 것은 그 언어로만 해결할 수 있는 특정한 문제를 풀기 위해 공부를 한다는 것입니다 만약 엑셀로도 가능한 계산이라면 그냥 엑셀을 쓰면 됩니다. 굳이 여러 언어를 오랜 시간을 들여서 공부할 필요가 없고, 각 언어는 특수한 목적을 띤다는 것입니다.

실제로 통계학과 커리큘럼에서는 학생들에게 겁을 주고, 선수 이수 권장 교과목을 듣지 못한다면 뒤에 있는 교과목을 따라가기 매우 힘들 것이며 이는 개인의 책임이라고 강하게 말하는데, 복전생에게는 별다른 말이 없습니다 즉 전공 필수 교과목은 '해당 전공자'에게 필수라는 의미라는 것을 암시합니다

https://stat.dongguk.edu/page/176

소프트웨어를 잘 모르니 전 저기 있는거 다 해야 먹고 살 수 있는줄 알았죠

https://cs.dongguk.edu/page/40

추가로 학생이 넣은 객체지향 프로그래밍 또한 단지 문제가 어렵고 복잡하고 길어질 때 좀 더 우아하고 프로페셔널하게 코딩을 하기 위한 기교이며 기술일 뿐이지, 이걸 듣는다고 해서 특별히 코딩과 컴퓨팅 사고력에 대한 내공과 깊이, 경험이 깊어지지는 않을 것입니다. 만약 나중에 필요하다면 그때 배우고 쓰면 될 뿐입니다.

따라서 지금 추천하는 것은 근본적인 각 학과의 사고력을 배울 수 있는 전공 교과목만 우선적으로 선택적으로 들어 전략적으로 시간을 줄이고 효율성을 달성하는 것이고, 수리 통계학을 재차 추천합니다.

항상 목적에 대해서 염두에 두어야 합니다. (마치 제가 이전부터 이야기한 것처럼 무작정 열심히 하는 것은 적절한 보상으로 돌아오지 못하는 경우가 많이 있습니다) 힘들게 했는데 뭘 얻었는지 모르겠고, 도움이 다소 안되던 것에 대해서 후회할 수 있습니다. 물론 하면 좋고 다 알면 좋지만 우리에게 시간은 항상 한정되어 있고, 특히 학생은 본과 각 학과의 전공자들에 비해서 비교 우위를 점하기 어려운 냉정한 현실을 잘 인식해야 합니다.

반드시 당장 필요한 것은 아니기에, 물론 들으면 좀 더 근육을 만들어 주고 사고력의 확장이 가능하겠지만 그 효율성과 효용성을 따져야 한다는 말입니다.

오히려 신경과학과의 연관성이 높은 교과목을 우선적으로 듣거나, 통계학과나 다른 학과에서도 좀 깊이 그 학과를 이해할 수 있고 본질적인 공부가 가능한 교과목을 추천합니다. 컴공 전공자에게 필수라는 것이지 그게 컴공을 공부하는 복전생이나 학생 설계 전공자에게도 필수라는 것이 아님을 반드시 기억하십시오.

예컨데 신경과학에서도 알츠하이머처럼 특정 질병을 연구하고 치료법에 대해서 알아간다면 인공지능 교과목은 전혀 쓸모가 없겠죠(물론 여기서는 굉장히 단순하게 말했고 전혀라는 말은 교육과 학문에서 있을 수 없다는 것을 똑똑한 여러분은 이미 잘 알고 계실 것입니다).

통계학 수업 또한 뿌리가 되는 수리통계학, 회귀분석, 확률과정론이 어렵고 힘들지만 나머지는 이에 대한 응용일 뿐입니다. 그 중에서도 굳이 좀 더 추가하자면 범주형 자료 분석과 생존 분석을 추천합니다.

많은 교과목에서 통계 이론을 가져오는 이유는 실험이 현실적으로 엄청나게 많이 할 수 없는 것이기 때문입니다. 돈이 부족해서가 아니라, 일반화를 할 만큼 막대한 실험과 시도를 누적할 수 없기 때문에, 단순히 실험의 n수를 키우는 방식으로는 한계가 잇습니다.

예컨데 100번이 최소 요구치이고 이 정도 한다면 딱 원하는 신뢰성 높은 실험 결과들을 얻을 수 있는데, 99번에서 끝날 경우 마지막 1번은 통계학을 응용하고 활용하여 대안으로서 사용하는 것입니다.

이러한 것을 통계학에서는 분포 이론이라고 하며, 이를 통해 일반화를 합니다. 분포이론으로 추정을 하고 가설 검정을 하는데, P값이 만약 0.05이하라면 해당 값은 유의미하다, 앞서 이야기한 바와 같이 재현성이 높다고 할 수 있습니다. 그런데 문제는, 파라미터 계수가 0.2가 되었든 0.8이 되었든 이것의 크기는 크게 중요한 것이 아닙니다. 통계적으로 유의미하다는 것은 재현성이고, 그 값은 P가 결정하지 계수가 결정하는 것이 아닙니다.

W1과 W2의 각각의 절댓값이 물론 결과에 큰 영향을 주겠지만(W2가 크다면 X2가 미세하게 변화해도 결과가 크게 바뀌겠지만), 더욱 중요하고 재현성과 통계적 의미에 핵심은 W1과 W2의 P 값이 0.05 이하로 충분히 작아서 재현성이 있냐는 것이었습니다

이렇듯 통계학의 근본적인 이유와 본질, 목적을 이해해야 하는데 정작 많은 사람들은 단순히 기계적으로만 사용하니 한계가 있습니다. 그것이 문제라고 할 수는 없지만, 사고력 확장의 한계가 있으니 항상 목적과 본질에 대해서 생각을 하면서 사용하시는 것을 권장합니다.

마지막으로 학부 인턴쉽과 실망감, 리젝을 많이 당한 것에 대해서 장환영 교수님과 앞서 일자리의 특성에 대해서 이야기를 한 것을 질문하였는데 일부는 긍정하셨으나 제 상황에 대해서 냉정하고 객관적인 평가를 해주셨습니다.

새로운 것을 시작하는 것은 그래서 어렵습니다. 상식적으로 이전에 존재하지 않던 전공을 학생이 만들었는데, 그 전공을 위한 일자리가 있을 리 만무합니다. 만약 일자리가 있는 직업군이라면 이미 그에 맞는 학과가 있을 것이고 그에 맞는 교과 과정과 수많은 전공자, 선배들이 있을 것이기에 새로운 것을 만드는 것은 단순히 상상과 계획을 넘어가는 매우 고차원적이고 어려운 일입니다.

세상에는 공짜가 없고, 내가 어떤 것을 추구해서 무엇을 하면 대신 무언가를 반드시 포기해야 하는데, 지금 학생처럼 박학다식하고 범용성이 넓은 것으로는 대학원에 대해서는 다른 학생에 대한 비교우위를 가지기가 어렵습니다. 그래도 최소 한 가지 일에 대해서는 남들보다 확실하고 뚜렷하게 잘 하는 것을 갖추는 것이 필요합니다.

예컨데 A라는 학생은 a를, B라는 학생은 b를 잘하는데, 교수가 a를 잘한다면 B라는 학생을 뽑고 b를 시키면서도 a는 교수가 직접 가르칠 것입니다. 오히려 a를 못하는 B는 합격했으나, 이때 중요한 것은 최소한 B는 a를 배울 수 있는 근간, 뿌리가 있어야 한다는 것이고 그것이 바로 앞서 말한 각 학과의 본질적이고 뿌리가 되는 사고력과 방향성, 목적입니다.

범용성은 비교우위를 얻기 힘들다는 것을 인정하고, 나에게 주어진 적절한 자원들을 활용하여 전략을 선택하고, 비교우위를 점하기 위해서 특화를 해야 합니다. 그 길, 그러니까 신경과학이나 컴퓨터공학을 이미 선택하고 4년간 공부한 학생들은 수두룩한데, 어설프게 그것을 뒤따라간다고 해서 경쟁력을 얻을 리가 만무하고, 상식적으로 인간이 엄청난 천재가 아닌 이상 머리가 2개처럼 서로 다른 역량을 완전히 모두 다 알 수가 없습니다. 하나는 특화를 하되 나머지 하나는 그래도 그때 새로 배우면 잘 이해하고 공부할 수 있는 준비 정도는 해야 합니다.

그래서 위처럼 래디컬하고 새로운 영역은 어렵고 힘들다는 것입니다. 왜 내가 당신, 그 학생을 선택해야 하는지 비교우위를 통해 교수에게 설득을 해야 하는데, 그래서 학생은 자신을 어필할 강력한 무언가를 하나는 반드시 가지고 있어야 합니다. 얕고 넓게 가기 보다는 그냥 한 우물만 깊이 파는 것이 일단은 일자리를 얻거나 대학원 진학에는 유리할 것입니다.

지금 한 우물만 파야 하는지, 아니면 그만 파고 다른 우물도 약간씩 파고 흔적을 남겨야 하는 시점인지는 본인이 잘 알기에, 본인이 스스로 잘 결정하고 냉철하게 판단하여 전략을 수정하는 것을 강조하셨습니다

https://mbanote2.tistory.com/entry/%EB%82%B4%EA%B0%80-%EC%9E%98%ED%95%98%EB%8A%94-%EA%B2%83-%EC%B0%BE%EA%B8%B0-%ED%95%9C-%EC%9A%B0%EB%AC%BC%EC%9D%84-%ED%8C%8C%EB%9D%BC

깊이를 추구하면 수요는 다양하지는 못하지만 분명 수요는 존재하기에 경쟁을 시도라도 해볼 수 있을 것입니다. 가장 본인을 잘 아는 것은 본인이기에, 어떤 것을 할 지, 어떻게 비교우위를 얻을 지에 대해서는 스스로 잘 고민하시길 바랍니다. 냉정히 판단하는 것을 추천합니다.

상당히 냉정하게 잘 보면서도, 뛰어난 관찰력과 장단점에 대해서 명확하고 객관적으로 해석하고 평가를 해주시는 무서운 교수님이셨습니다.