최근 몇 년 동안 데이터 과학자는 산업 전반에서 가장 유망한 기술직 중 하나로 자리잡았다. 글래스도어의 '미국 최고의 일자리 목록'에서 4년 연속 1위를 차지했으며 수많은 기술 전문가들이 앞다투어 데이터 과학자가 되기 위해 노력하는 등 데이터 과학이 중요하다는 것은 명확해 보인다.
데이터 과학의 자동화를 이끄는 기업인 닷데이터의 CEO 후지마키 료헤이 또한 다양한 사업 분야에서 데이터 과학이 매우 중요하다고 말한다. 리스크를 줄이려는 금융 서비스 회사, 고객의 구매 행동을 예측하려는 소매 업체, 고객 이탈을 줄이려는 소프트웨어 회사 등 수많은 기업 세계에서 인공지능과 머신러닝을 활용할 수 있다.
이는 효과적인 데이터 과학 전략에 기반을 두는데, 후지마키는 "데이터 과학을 이해하는 것은 효과적인 데이터 과학 사례와 종종 함께 발생하는 한계를 인식하는 것을 의미한다."라고 말했다. 또한 "이중 가장 중요한 것은 데이터 과학의 복잡성이 높고, 숙련된 데이터 과학 전문가에 대한 수요가 높기 때문에 생기는 전문 인재의 부족이다."라고 덧붙였다.
그렇다면 데이터 과학자가 되기 위해선 어떠한 기술을 갖추어야 할까? 데이터 과학자가 되기 위한 필수적인 기술은 매우 다양한데, TechRepublic의 앨리슨 데니스코 레이오메에 따르면 코딩, 빅데이터 분석, 머신 러닝, 자연 언어 처리, 데이터 조작, 데이터 분석 탐색 등의 기술이 필요하다. 이밖에도 데이터 과학자로서 성공하기 위해선 소프트 스킬도 필요한데, 효과적인 커뮤니케이션 능력, 협업, 강한 교육 배경 등이 이에 해당한다.
하지만 다른 기술 분야와 마찬가지로 데이터 과학도 변화하고 진화하고 있다. 기업이 데이터 과학의 미래를 대비하기 위해선 데이터 과학 산업을 형성하는 주요 요인들에 대해 인지해야 하는데, Tech Republic은 후지마키가 정리한 '데이터 과학 산업을 형성하는 5가지 핵심 요인'에 대해 보도했다.
1. 데이터 사이언스를 위한 데이터 실행가능화
허술한 데이터는 데이터 과학 성공의 가장 큰 장애물 중 하나이다. 데이터 과학 프로젝트를 가속화하고 실패를 줄이기 위해 CIO와 CDO는 데이터의 품질을 높이고, 데이터 과학 팀에게 프로젝트와 관련이 있고 실행 가능한 데이터를 제공하는 데 집중해야 한다.
2. 데이터 과학 인재의 부족
데이터 과학은 신규 졸업생의 규모가 가장 증가하고 있는 분야 중 하나이다. 하지만 수요는 이용 가능한 공급량을 훨씬 능가한다. 이를 해결하기 위해선 고용 가속화와 동시에 데이터 과학 프로세스를 가속화하고, BI나 분석과 같은 다른 분야의 숙련된 전문가들이 데이터 과학 분야에 접근할 수 있도록 대안적 방법을 모색해야 한다.
3. "가치 창출 시간" 가속화
데이터 과학은 반복적인 과정이다. 이는 가정을 세우고 실험하는 것을 포함한다. 이러한 반복되는 접근 방식은 데이터 과학자에서 주제 전문가와 데이터 분석가에 이르기까지 수많은 전문가들을 포함한다. 기업은 가정과 테스트를 반복하는 과정을 보다 빠르고 예측 가능하게 만들기 위해 데이터 과학 프로세스를 가속화하는 방법을 찾아야 한다.
4. 비즈니스 사용자를 위한 투명성
데이터 과학 애플리케이션의 채택을 가로막는 가장 큰 장벽 중 하나는 비즈니스 사용자의 신뢰가 부족하다는 것이다. 머신러닝 모델이 매우 유용할 수 있을지라도, 많은 비즈니스 사용자들은 그들이 이해하지 못하는 프로세스를 신뢰하지 않는다. 데이터 과학은 비즈니스 사용자에게 머신러닝 모델을 더 쉽게 설명하고, 더 쉽게 신뢰할 수 있도록 방법을 모색해야 한다.
5. 운영 개선
데이터 과학 채택의 성장을 가로막는 또 다른 장애물 중 하나는 데이터 과학 운영이 너무 어렵다는 것이다. 실험에서는 잘 작동하던 모델들도 생산 환경에서 작동이 원활하지 않은 경우가 있다. 모델이 성공적으로 배치가 된 경우에도 지속적인 변화와 성장은 시간이 지남에 따라 부정적인 영향을 미칠 수 있다. 이는 머신러닝을 "세밀하게 조율"하는 것이 프로세스의 중요한 부분이라는 것을 의미한다.
[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]
