Poe (LLM) 를 활용한 커리어 점프

↗ 링크드인 원문

작년에 나는 6년간 일한 구글의 대규모 인프라팀을 떠나서 작은 회사의 ML 플랫폼 팀으로 이직했다. 이전 팀에서 C++ 코딩이나, 확장성 있는 추상화 설계, 장기 프로젝트 리딩 등을 해왔지만, 새 직책의 일상 업무는 너무나 달라서 다시 신입 사원이 된 기분이었다.

예를 들어, 이전 팀인 보그에서 쿠버네티스(k8s)가 시작됐지만, deployment나 namespace 같은 기본 개념조차 쉽게 이해되지 않았다. 마찬가지로, 파이썬 코드 정적 분석이나 two-tower와 같은 기본 기계학습 구조도 낯설었다. 동료들이 계속해서 도움을 주었지만, 생산성이 잘 나오지 않는 것은 답답한 경험이었다 (게다가 오늘날의 시장 상황에서는 잘릴 위험도 높다). 이러한 높은 전환 비용은 중견 개발자들이 큰 변화를 시도하는 것을 어렵게 하는 주요 장애물 중 하나로, 지역 최대치(local maximum)를 벗어나기 어렵게 한다.

최근 LLM의 놀라운 발전은 한 언덕에서 다른 언덕으로 빠르게 이동하는 것을 가능하게 한다. 예시:

• 이전에 언어 지식이 거의 없음에도 불구하고 파이썬에서 단순하지 않은 객체 간의 구조에 정적 분석을 빠르게 도입할 수 있었다.¹
• setup.py나 tox.ini와 같은 표준 패키지 구성에 대한 사전 지식 없이도 의존성 관리를 쉽게 처리할 수 있었다.²
• 위 이미지는 LLM이 제공해주는 코드를 거의 복사해서 그렸다. 봇이 나보다 훨씬 더 matplotlib를 잘 알고 있었기 때문이다.³

갖고 있던 직관과 기술력으로 해결 방향은 설정할 수 있었지만, 기존의 도구로는 정확한 해결책을 만드는데 10배의 시간은 걸렸을 것이다. 물론, LLM이 항상 완벽한 답변을 제공하지는 않기 때문에, 활용하는 인간의 판단력 또한 여전히 매우 중요하다. 커리어 점프를 통해, 나는 새로운 환경에서 나의 미미한 강점을 살려서 여전히 의미 있는 역할을 할 수 있었다.

내가 편견은 있겠지만, 쿼라에서 만든 Poe는 LLM과 상호 작용하는 데 굉장히 훌륭한 인터페이스를 제공해준다. 현재로서는 가장 진보된 OpenAI와 Anthropic의 봇들에 접근할 수 있는 것은 큰 강점이다 (질문에 따라 한 봇이 다른 봇보다 더 나은 대답을 제공한다고 느껴진다⁴). 게다가, 쿼라의 전문성으로 인해, 더 빠른 속도나 사용성이 돋보이는데, 봇들과 대화하는 것 같은 경험을 할 수 있다.

결론적으로, LLM은 엄청난 생산성 향상을 가져오며, 이는 클라우드보다도 더 대단할 수 있는 것 같다. 아직 Poe를 일상 업무에 다양하게 접목하는 중이지만 이미 나에게 효과는 명확하다. 많은 혁신이 그러하듯이 어떤 사람들은 신기술에 지나치게 낙관적이고, 다른 사람들은 매우 부정적이다. 나는 선입견 없이 LLM을 시도해보고, 스스로 판단해볼 가치가 있다고 생각한다. Poe에 대해 혹시 피드백이 있다면 더 환영이다. ∎

안내: 이 글은 개인 의견이며, 고용주와 무관하다. 회사의 글은 쿼라의 공식 블로그에서 볼 수 있다.

참조: 커리어 언덕의 비유는 cdixon의 2009년 글 climbing the wrong hill에서 가져왔다.