AI 핵심인재 멘토링 프로그램: 현대모비스 6개 팀의 현업 과제를 프로젝트로 완성하다
‘AI로 무엇을 만들고 싶은지’가 정해졌다면,
이제 필요한 것은 끝까지 만들 수 있는 구조입니다.
안녕하세요, 데이터다이빙입니다.
Python과 머신러닝을 배우고, 데이터 분석 방법을 익혔다고 해서 곧바로 현업의 문제를 AI 프로젝트로
구현할 수 있는 것은 아닙니다.
실제 프로젝트에 들어가면 어떤 데이터를 사용해야 하는지, 무엇을 해결해야 하는지, 결과를 어떤 기준으로 판단할지부터 다시 정해야 합니다. 데이터가 충분하지 않거나, 구현하려던 범위가 주어진 기간에 비해 너무 크거나, 사내 보안환경에서 활용할 수 있는 개발자원이 제한되는 경우도 있습니다.
이미 해결하고 싶은 현업 문제가 있고, 만들고 싶은 결과물도 있다면,
이때 필요한 것은 정해진 커리큘럼을 끝까지 이수하는 것이 아니라 자신의 아이디어를 실제 프로젝트로
구현할 수 있을 만큼 역량을 끌어올리고, 정해진 기간 안에 결과물까지 완성하는 과정입니다.
이번 글에서는 현대모비스와 함께한 ‘AI 핵심인재 멘토링 프로그램‘을 소개합니다.
현대모비스는 사전에 핵심인재를 선발했고, 참여자들은 각자 구현하고 싶은 현업 과제를 가지고 있었습니다. 데이터다이빙은 이들이 자신의 과제를 직접 수행할 수 있도록 사전교육부터 과제기획, 전문가 멘토링과 코드 코칭, 프로젝트 운영, 사후학습까지 하나의 과정으로 연결했습니다.
현업 아이디어를
실행 가능한 데이터 프로젝트로
현대모비스 AI 코칭센터에서는 새로운 AI 아이디어를 발굴하는 것보다 이미 선정된 현업 과제를 실제로
수행할 수 있는 수준까지 구체화하는 과정이 먼저 필요했습니다.
“AI를 활용해 이 업무를 개선하고 싶다”는 아이디어가 있어도 실제 분석 프로젝트로 넘어가기 위해서는
훨씬 많은 조건을 정의해야 하기 때문입니다.
따라서 교육의 목표도 일반적인 AI 활용법을 폭넓게 학습하는 것이 아니었습니다.
각 참여자가 자신의 과제를 구현하는 데 필요한 역량이 무엇인지 파악하고, 부족한 부분을 교육과
멘토링으로 채워가는 것이 핵심이었습니다.
프로젝트 초기에는 먼저 사전 수준 진단테스트를 진행했습니다.
본 멘토링에 앞서 참여자의 Python과 데이터 분석 역량을 확인하고, 학습이 필요한 경우 시청할 수 있는
사전 교육 VOD를 제공했습니다. 이후 오프라인 공통교육과 과제기획 워크숍을 진행하며 본격적인
프로젝트를 위한 기반을 맞췄습니다.
과제기획에서는 단순히 “무엇을 만들어보고 싶다”는 아이디어를 정리하는 데서 그치지 않았습니다.
해결하려는 업무 문제가 무엇인지, 어떤 데이터를 활용할 수 있는지, 목표로 하는 결과는 무엇인지, 어떤
방식으로 검증할 것인지, 프로젝트 기간 안에서 어디까지 구현할 것인지를 구체화했습니다.
특히 실제 프로젝트에서는 처음 계획한 모든 기능을 구현하는 것보다 주어진 기간과 데이터, 개발환경을
고려해 완성 가능한 범위를 정의하는 것이 중요합니다.
6개 현업 과제에 맞춰 달라진 전문가와 교육
공통교육 이후에는 본격적으로 팀별 프로젝트가 시작됐습니다.
각 팀이 다루는 문제와 데이터의 형태가 서로 달랐기 때문에 하나의 멘토링 방식이나 기술 커리큘럼을
그대로 적용하기 어려웠습니다.
따라서 하나의 AI 커리큘럼이나 동일한 방식의 멘토링을 모든 팀에 적용하지 않았습니다.
이에 각 과제의 주제와 필요한 기술을 검토한 뒤, 관련 프로젝트 경험과 전문성을 가진 4명의 전문가
멘토를 팀별로 매칭했습니다.
멘토링 과정에서 추가적으로 필요한 학습이 확인되면,
해당 과제를 수행하는 데 필요한 내용을 별도로 학습할 수 있는 개별 교육도 병행했습니다.
프로젝트를 시작하기 전 모든 교육 내용을 일괄적으로 정해두는 것이 아니라, 실제 과제를 진행하며 마주한 문제를 기준으로 필요한 개념과 기술을 그때그때 연결한 것입니다. 이를 통해 팀마다 서로 다른 학습 요구에 대응하면서도 교육이 실제 프로젝트 수행과 직접 이어질 수 있도록 보완하는 방식으로 운영되었습니다.
멘토는 단순히 기술을 설명하는 강사의 역할에 그치지 않았습니다.
문제를 어떻게 정의할지, 어떤 데이터를 활용할지, 어떤 분석 방법을 선택할지, 현재 결과를 어떻게
검증할지 등 실제 프로젝트 과정에서 필요한 의사결정을 참여자와 함께 점검했습니다.
각 팀에는 과제에 적합한 전문 멘토를 배정하고, 필요할 때는 다른 멘토의 경험과 관점도 함께 참고할 수
있도록 협업 구조를 마련했습니다.
따라서, 프로젝트 진행 중에는 멘토 간 지식공유 회의를 별도로 운영했습니다.
각 멘토가 담당하고 있는 과제의 진행 상황과 해결해야 하는 문제를 공유하고, 다른 분야의 전문가가
새로운 접근방법이나 참고할 수 있는 정보를 제안하는 방식입니다.
프로젝트 방향을 잡는 멘토링과
구현을 돕는 코드 코칭
프로젝트를 진행하다 보면 두 종류의 문제가 동시에 발생합니다.
하나는 “어떤 방향으로 분석해야 하는가”에 대한 문제이고,
다른 하나는 “코드가 왜 실행되지 않는가”와 같은 구현 단계의 문제입니다.
전문 멘토가 이 두 문제를 모두 처리한다면 제한된 멘토링 시간이 코드 오류를 해결하는 데 집중될 수
있습니다.
그래서 이번 프로젝트에서는 전문 멘토와 코드 코치의 역할을 분리했습니다.
멘토는 문제정의와 분석 방향, 모델 선택, 검증과 결과 해석 등 프로젝트의 주요 의사결정에 집중했습니다.
별도로 배치한 3명의 코드 코치는 구현 과정에서 발생하는 코드 오류와 환경 설정, 코드 수정 등 기술적인 트러블슈팅을 지원했습니다.
특히 사전 개발역량이나 프로젝트 진행 상황을 고려해 추가적인 도움이 필요한 팀에는 코드 코칭을 보다
집중적으로 연결했습니다.
이처럼 프로젝트의 방향을 결정하는 지원과 실제 구현의 장애를 해결하는 지원을 분리함으로써, 참여자는 과제를 계속 진전시키고 멘토는 보다 중요한 프로젝트 의사결정에 집중할 수 있도록 했습니다.
15회 멘토링을 ‘과제 완주’로 연결한
프로젝트 운영
전문가를 배정하고 멘토링을 여러 차례 진행한다고 해서 프로젝트가 자연스럽게 완성되는 것은 아닙니다.
현업 프로젝트는 진행 과정에서 계속 변수가 발생하기 때문입니다.
데이터 확보가 늦어지거나, 구현하려던 기능의 난도가 예상보다 높거나, 새로운 기술적 문제가 발견되면
처음 계획한 일정과 실제 프로젝트 사이에 차이가 생깁니다.
그래서 이번 프로젝트에서는 멘토링 횟수뿐 아니라 프로젝트를 끝까지 완수할 수 있는 운영 구조를 함께
설계했습니다.
팀별로 15회차의 본 멘토링을 진행하면서 WBS를 활용해 프로젝트 전반의 일정과 주요 작업, 산출물 제출 시점을 관리했습니다.
각 팀이 지금 어느 단계에 있는지, 다음 멘토링까지 어떤 작업이 필요한지, 현재 계획이 남은 기간 안에
현실적으로 완료 가능한지를 지속적으로 확인했습니다.
필요한 경우 멘토와 참여자 사이의 일정을 조율하고, 추가교육이나 코드 코칭을 연결하고, 프로젝트의 범위를 조정했습니다.
프로젝트의 진행 상황과 멘토링 품질을 확인하기 위한 장치도 함께 운영했습니다.
각 팀의 멘토링 과정은 멘토링 일지로 관리했습니다.
이전 멘토링에서 어떤 내용을 논의했는지, 다음 단계에서 무엇을 수행해야 하는지를 남겨 참여자와 멘토가 프로젝트 흐름을 이어갈 수 있도록 했습니다. 운영진 역시 각 팀의 진행 상황과 지원이 필요한 지점을
지속적으로 확인할 수 있었습니다.
데이터다이빙은 강사와 멘토가 교육과 과제 지도에 집중할 수 있도록 교육 일정과 진행에 필요한 정보를
지원하고, 참여자에게는 프로젝트 일정과 다음 액션을 지속적으로 안내했습니다.
교육과 멘토링 사이에서 발생할 수 있는 공백을 줄이고, 6개 팀의 프로젝트가 정해진 기간 안에 결과물까지 이어지도록 관리하는 것 역시 이번 프로젝트에서 중요한 역할이었습니다.
그 결과 6개 팀 모두 프로젝트 기간 안에 각자의 과제를 마무리하고 결과물을 완성했습니다.
보안 환경과 사내 개발자원까지 고려한
맞춤형 지원
현대모비스처럼 보안 수준이 높은 기업의 AI 프로젝트에서는 교육 과정에서 구현한 결과물을 실제 사내
환경에서도 이어서 활용할 수 있는지까지 고려해야 합니다.
이번 프로젝트에서도 참여자들은 사내 IDE와 GPU 등 현대모비스가 보유한 내부 개발자원을 활용해
프로젝트를 이어가야 했습니다.
다만 교육과 멘토링 자체를 사내 개발플랫폼에서 진행한 것은 아닙니다. 외부 또는 로컬 환경에서 진행한 작업이 사내 환경과 단절되지 않도록, 프로젝트 과정에서 내부 개발환경 활용을 지속적으로 안내하고
필요한 이관 작업을 지원하는 방식으로 연결했습니다.
특히 로컬에서 작업하던 코드를 사내 개발환경으로 옮겨야 하는 경우에는 코드 이전 과정에서 필요한
작업을 지원하고, 참여자가 내부 환경에서도 프로젝트를 이어갈 수 있도록 도왔습니다.
사내 개발환경을 처음 활용하는 멘토와 참여자에게 필요한 정보도 운영 측면에서 함께 지원했습니다
프로젝트에 필요한 내부 도구와 활용 방식을 데이터다이빙 운영진들이 먼저 파악하고, 멘토가 과제 지도에 필요한 내용을 빠르게 이해할 수 있도록 관련 정보를 정리해 전달했습니다. 개발환경이나 실습 과정에서
발생하는 이슈 역시 운영진이 함께 조율해, 기술 환경의 제약이 프로젝트 진행 자체를 막지 않도록
관리했습니다.
이는 단순히 사내 도구의 사용법을 안내하는 것과는 다릅니다.
프로젝트 결과물이 교육 과정에서만 실행되고 끝나는 것이 아니라, 기업이 실제로 사용하는 개발환경으로 이어질 수 있도록 구현 과정과 운영을 연결하는 것이 중요하기 때문입니다.
데이터다이빙은 교육 커리큘럼뿐 아니라 기업의 보안 정책과 내부 개발자원, 결과물이 실제로 활용될
환경까지 고려해 프로젝트를 지원했습니다.
프로젝트가 끝난 이후까지 이어지는
맞춤형 학습
15회차 멘토링이 종료되면 참여자마다 다음 단계에서 필요한 역량도 더욱 구체적으로 드러납니다.
이번 프로젝트에서는 과제가 종료된 이후에도 후속 질문을 지원하고, 각 팀의 프로젝트 주제와 추가 학습 필요에 맞춰 심화 학습 콘텐츠를 개별적으로 큐레이션해 제공했습니다.
프로젝트를 통해 발견한 자신의 부족한 역량을 이후에도 스스로 보완할 수 있도록 하기 위해서입니다.
교육 전 사전진단에서 시작해 공통교육, 과제별 멘토링과 코드 코칭을 거쳐 사후 심화학습까지 연결하면서 하나의 프로젝트를 완주하는 동시에 다음 과제를 스스로 수행할 수 있는 역량까지 이어질 수 있도록
구성한 것입니다.
교육뿐 아니라 프로젝트의 완주까지 설계하는 데이터다이빙
현업 과제를 기반으로 하는 AI 교육은 좋은 강사와 커리큘럼만으로 완성되기 어렵습니다.
참여자의 수준과 해결하고 싶은 문제를 먼저 파악하고, 과제에 필요한 전문가를 연결하며, 프로젝트를 진행하면서 발생하는 기술적 장애와 일정의 변수를 함께 해결해야 합니다.
데이터다이빙은 기업에 정해진 커리큘럼을 그대로 적용하는 대신 조직의 현업 과제와 참여자 수준,
개발환경을 바탕으로 필요한 교육과 전문가, 운영 방식을 함께 설계합니다.
현대모비스 AI 코칭센터에서도 사전 수준 진단과 공통교육에서 시작해 과제별 전문가 멘토링, 코드 코칭, WBS 기반 일정관리, 산출물 관리와 사후학습까지 하나의 과정으로 연결했습니다.
목표는 단순히 교육과정을 모두 수료하는 것이 아니었습니다.
구성원이 자신이 해결하고 싶은 현업 문제를 직접 정의하고, 필요한 기술을 학습하며, 실제 결과물까지
완성할 수 있도록 하는 것.
데이터다이빙은 교육이 끝난 뒤 현업 적용을 고민하는 것이 아니라, 처음부터 현업의 결과물까지 이어질 수 있는 기업 맞춤형 AI 교육을 설계합니다.
우리 조직에서도 구성원의 아이디어를 실제 AI·데이터 프로젝트로 연결하고 싶다면 데이터다이빙과 함께 시작해보세요.
상세 커리큘럼이 궁금하신가요?
AI 핵심인재 프로젝트형 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![이화여대 파이썬을 활용한 데이터 분석 교육(집합교육)[1/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육_이화1-768x432.png)
![CJ 대한통운 건설부문 ChatGPT와 엑셀을 활용한 데이터분석 교육(집합교육) – 후기편 [2/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-CJ집합교육_2부-768x432.png)
