팀스파르타 PM과정 (37)

아티클카타 / 강의 수강 / 실습 

---

아티클카타

1. 아티클 정보

• 제목 : 노코드 AI 에이전트 개발의 역습과 개발자의 역할 (링크)
• 작성자(저자) : 반기황

2. 핵심 내용 요약

• 이 아티클의 주요 메시지 : 코드를 구현하는 개발자가 아닌 사고하고 연결하는 개발자의 시대 
• 핵심 키워드 : 노코드 AI

3. 흥미로운 점/새롭게 알게 된 점

읽으면서 가장 흥미로웠던 부분 :

• 업계내부안에서도 AI의 기능 범위가 논쟁거리가 된다 
  • 주니어나 미드레벨 개발자까지 커버할것이다 vs AI는 보조역할에 그칠것이다 
• 노코드 개발환경에서 쓸만한 애플리케이션을 구축할수있다 
• Make 를 활용하여 시각적 인터페이스로 AI에이전트 구축가능 

• 노코드 AI 에이전트 개발
  • 드래그앤 드롭 형식의 워크플로우빌더, 이미 작성된 템플릿, 간단한 설정패널등 직관적인 도구가 기본
  • 개발 경험이 없는 사용자도 손쉽게 AI에이전트 제작 가능
  • 코딩지식이 거의 필요하지않다. 
  • 자동화/자율성 으로 사용자의 개입없이 에이전트가 자율적으로 동작하도록 설계할수있다
• Dify (디파이)
  • 오픈소스 플랫폼으로 증강검색생성 방식으로 주목을 받고있다 
  • 자체호스팅지원으로 보안이 중요한 기업에서도 도입이 가능함.
• n8n
  • 워크플로 자동화에 특화된 오픈소스 플랫폼
  • 다양한 SaaS와 API연동 기능으로 업무 자동화 지원
  • 다른 오픈소스 기반 AI서비스와의 통합기능으로 효과적인 워크플로 설계 
  • 커뮤니티가 활성화되어있어서 다양한 플러그인과 예제 템플릿이 풍부함

MCP : MCP는 Anthropic에서 발표한 프로토콜로 LLM 모델이 외부 애플리케이션과 연동할 수 있도록 해주는 스펙으로, 예를 들어 클로드 모델이 학습된 결과로 답변만할 수 있는데 비해서 MCP를 이용하여 외부 애플리케이션과 연동하게 되면, 구글 검색 결과를 통해서 최신 정보를 가지고 답변을 하거나, Spotify를 이용해서 음악을 플레이하도록 할 수 있다. 
(출처 : https://bcho.tistory.com/1470)

• Make (메이크)
  • 가장 널리 알려진 노코드 자동화 플랫폼
  • 블로그 게시물 자동올리기, 메일 요약해 자동회신하기등 작업을 간편하게 구현할수있음
• 개발자의 역할은? 
  • 코더에서 설계자로 
  • 구현하는 사람에서 시스템을 설계하는 사람으로 
  • 어떤 도구를 활용할지 전략적으로 판단하는 역량 대두
  • 비개발자와의 협업역량 : 비개발자들도 개발과정에 적극참여가능하다 

 

이전에는 알지 못했거나 새롭게 배운 내용 :

• 큰일났다 두번째 문단부터 죄다 모르는 내용이다
• 파이썬기반의 트랜스포머 
  자연어 처리에서 혁신적인 변화를 준 모델로, "Attention is All you need"라는 논문에 소개된 딥러닝 구조
  번역, 요약, 문장 생성 등 다양한 태스크에서 굉장히 뛰어난 성능을 보였으며, 이를 활용해서 이미지처리 분야에서는 Vision Transformer라는 모델이 나와 기존의 CNN구조의 모델들의 성능을 압도할 정도로 중요한 역할
  특히, 트랜스포머는 Multi-head self attention을 활용해서 기존 RNN 기반의 순차적인 데이터 처리에서 벗어나 전체 문장을 한꺼번에 처리할 수 있는 모델을 구현
  파이토치(PyTorch)
  딥 러닝과 기계 학습을 위한 오픈 소스 프레임워크
  Python 기반의 과학 계산 패키지인 토치(Torch)를 기반으로 개발
  텐서 연산과 자동 미분을 위한 기능을 제공하여 신경망 모델의 구성, 학습, 추론을 쉽게 구현
  Hugging Face(허깅 페이스) 트랜스포머
  다양한 트랜스포머 모델과 학습 스크립트를 제공하는 모듈이다.
  허깅 페이스를 이용해서 다양한 트랜스포머 모델을 손쉽게 이용이 가능하다.
  다양한 트랜스포머 모델을 통일된 인터페이스로 사용할 수 있도록 지원하는 오픈소스 라이브러리
  허깅페이스가 없다면 새로운 트랜스포머 모델이 공개될 때마다 어떤 인터페이스를 사용하며, 어떤 함수를 써야 하는지 일일이 다 찾아봐야 할 것
  허깅페이스를 통해 우리는 사용하고자 하는 트랜스포머 모델을 불러오고, 학습시키고, 이를 통해 추론하기만 하면 된다.
  파인튜닝
  파인튜닝은 특정 작업이나 도메인에 높은 적합성을 확보하기 위해, 이미 훈련된 대규모 언어 모델에 특정 데이터셋을 사용하여 추가적인 학습을 수행하는 작업을 말합니다.
  파인튜닝의 핵심 아이디어는 머신러닝 모델이 초기 학습에서 사용된 데이터의 논리와 이해력만을 반영할 수 있다는 점에서 비롯됩니다. 이에 따라 모델은 초기 학습 단계에서 다루지 않은 새로운 데이터 샘플을 이해하는 데 어려움을 겪을 수 있으며, 이는 특정 시나리오에서 정확한 답을 생성하는 대규모 모델에서 두드러집니다.
  예를 들어, 범용 LLM은 다양한 언어 정보를 포함하고 유창한 대화에 참여할 수 있습니다. 그러나 의료 분야에서는 환자의 질문에 효과적으로 응답할 수 있는 애플리케이션을 구축하기 위해 대규모 언어 모델을 새로운 의료 데이터에 노출시켜야 합니다. 이를테면 “해열제를 감기약과 함께 복용할 수 있나요?”와 같은 의료 질문에 정확한 답을 제공하려면 모델을 파인튜닝하여 해당 도메인의 특정 내용에 적응시켜야 합니다
  

  •  
  • * 텐서(tensor)
    • 기본 데이터 구조
    • 임의의 차원 개수를 가지는 행렬의 일반화된 모습
    • 차원(dimension) = 축(axis)
    • 텐서 차원의 개수를 랭크(rank)라고 부르기도 함

4. 나의 한 문장 요약

• 이 아티클을 한 문장으로 요약하면?
  • 개발자도 AI에 밀려 기획력 위주로 능력을 펼치면 비개발자 기획자는 어떻게 살아남지............

5. 튜터님 피드백

• [아티클 총평 및 실무 피드백: 개발자가 완전히 사라질까?]
  • 유지보수를 위한 엔지니어는 필수: 기획자가 AI로 목업(Mock-up)이나 프로토타입을 빠르게 그릴 수는 있지만, 엔터프라이즈급 서비스의 상용화와 유지보수를 위해서는 개발자의 지식이 반드시 필요하므로 엔지니어의 역할이 완전히 사라지지는 않습니다.
  • PM의 새로운 무기, 데이터 논리 구조 파악 (ERD): PM은 데이터가 어디서 들어와서, 어떤 로직으로 처리되어, 어떤 결과값을 내는지 그 구조를 이해해야 합니다.
    • 💡 ERD(Entity Relationship Diagram) 이해하기: 데이터베이스라는 '창고' 안에 회원 정보, 상품 정보, 주문 정보 등의 '선반(Table)'들이 서로 어떻게 연결되어 있는지 그리는 지도 같은 문서입니다. 기획 단계에서 ERD를 고려하여 설계하면 개발자와 훨씬 구체적이고 원활하게 소통할 수 있습니다. (예: "A 데이터와 B API를 연결해 C 워크플로우를 만듭시다.")
  • 결국 본질은 '문제 해결력': 기술은 수단일 뿐입니다. 문제의 본질을 파악하고 해결책(인사이트)을 떠올리는 것은 인간의 직관이 개입하는 영역입니다. 개발자가 기획을 침범할까 두려워하기보다, '나는 이 AI 도구를 어떻게 잘 활용하여 문제를 해결할 것인가'에 집중해야 합니다.
  [Q&A 1. 현업에서 PM이 노코드 AI 에이전트를 직접 사용할 일이 있나요?]
  • A (튜터님): 무조건 사용하게 됩니다. 회사가 시켜서가 아니라, PM 스스로 업무 효율화를 위해 쓰게 됩니다.
    • 사내 업무 자동화(예: 10시간 걸리던 업무를 n8n 등을 통해 2시간으로 단축)를 직접 구축해 내는 것 자체가 PM의 큰 성과이자 회사에 대한 기여가 됩니다.
    • 주의점: AI가 요약한 보고서나 대시보드 결과값을 C레벨이나 타 팀에 그대로 공유하면 안 됩니다. 반드시 1~2주간 테스트하며 할루시네이션(거짓말)이나 왜곡이 없는지 인간(PM)이 직접 검토하고 워싱(Washing)하는 과정을 거쳐야 합니다.
  [Q&A 2. 비전공/비개발자가 AI를 어떻게 공부하면 좋을까요?]
  • A (튜터님): 이론, 알고리즘, 개발 지식을 먼저 공부하려 하지 마세요. 일단 직접 툴(GPTs 등)을 써보면서 부딪히는 것이 가장 빠릅니다.
    • 직접 프롬프트를 짜보고 원하는 결과가 안 나올 때, 그걸 해결하기 위해 구글링하고 고민하는 과정에서 관련 기술이 자연스럽게 학습됩니다.
    • 📌 포트폴리오 팁: 기획서만 보여주는 것을 넘어, 노코드 툴로 실제 서비스를 구축해 보고 사용자 반응(UT)까지 받아본 결과를 포트폴리오에 담으면 엄청난 강점이 됩니다.
  [Q&A 3. 비전공자가 기술적 난이도가 높은 '검색 도메인' PM에 바로 도전해도 될까요?] 
  • A (튜터님): 솔직하고 현실적으로, 신입이 '검색 도메인' 하나만 목표로 취업을 준비하면 문이 너무 좁아집니다.
    • 검색 도메인(색인, 크롤링, 랭킹 알고리즘, RAG 등)은 IT 서비스 중에서도 기술 난이도가 최상급이라 회사에서는 커뮤니케이션 비용이 적게 드는 경력직/시니어를 선호합니다.
    • 처음부터 길을 좁히지 말고, 커머스나 금융 등 관심 있는 '산업(Industry)' 분야로 먼저 입사한 뒤, 그 안에서 검색 피처(Feature)를 담당하며 경험을 쌓아가는 우회 전략을 추천합니다.
  [Q&A 4. 반대로 관심 있는 도메인이 명확하지 않은데, 어떻게 좁혀가야 할까요?] 
  • A (튜터님): 두 가지 기준을 통해 연결고리를 찾아보세요.
    1. 나의 일상 데이터: 스마트폰 앱 사용 시간 등을 확인하여, 내가 평소에 유저로서 가장 많이 쓰고 관심을 가지는 서비스가 무엇인지 파악해 보세요.
    2. 나의 백그라운드(이력): 학부 전공, 동아리, 과거 진행했던 프로젝트 주제 등 나의 과거 이력과 연결되는 산업을 찾아보세요. (예: 광고 전공 → 광고 대행사 → 광고 도메인 PM). 채용자 입장에서는 관련 배경지식이 있는 지원자를 뽑는 것이 리스크가 적기 때문에 합격 확률이 훨씬 높아집니다.

---