출처 안내 — 이 글은 DeepLearning.AI 창립자이자 스탠퍼드대 컴퓨터과학 겸임교수인 앤드류 응(Andrew Ng, X @AndrewYNg)이 2026년 8~9월 X(옛 트위터)에 연재한 'AI Engineering Skills Map' 아티클 가운데 개요, 소프트웨어 엔지니어링 기초, 코딩 에이전트 활용 3편을 한국어로 요약·정리한 것입니다. 원문 링크는 글 끝의 '출처'에 모아 두었습니다. 원문의 저작권은 저자에게 있으며, 이 글의 해석과 정리는 필자의 것입니다.
들어가며: 왜 '스킬 맵'인가
앤드류 응은 2022년과 비교해 AI 덕분에 소프트웨어를 만드는 방식이 완전히 달라졌고, 이 변화를 활용할 역량을 가진 사람에게는 수많은 프로젝트와 채용 기회가 열려 있다고 말합니다. 문제는 AI를 둘러싼 정보 환경이 워낙 시끄럽고 과장이 많아서, 정작 "무엇을 배워야 하는가"를 판단하기 어렵다는 점입니다.
그래서 그의 팀은 다음 자료를 종합해 AI 엔지니어링 스킬 맵을 만들었습니다.
- 1만 건 이상의 채용 공고 분석
- AI 전문가, 채용 담당자, 리크루터 수십 명과의 구조화 인터뷰
- 설문 조사 데이터
- 기타 온라인 자료 종합
그는 이 과정을 "방대한 채용 공고와 전문가 인터뷰 데이터셋에 클러스터링을 돌려, 지금뿐 아니라 가까운 미래에도 중요한 스킬을 찾아낸 것"에 비유합니다. 목적은 두 가지입니다. (1) 개발자가 무엇을 먼저 배울지 우선순위를 정하도록 돕고, (2) 기업이 역량 있는 개발자를 채용하도록 돕는 것입니다.
용어에 대한 메모: 'AI 엔지니어'가 아니라 'AI 엔지니어링 스킬'
응 교수는 의도적으로 'AI 엔지니어'라는 직무가 아니라 'AI 엔지니어링 스킬'이라는 표현을 씁니다. 오늘날 모든 개발자가 클라우드를 다룰 줄 알아야 하지만 '클라우드 엔지니어'라는 직함을 가진 사람은 소수인 것처럼, 풀스택·데이터·DevOps·머신러닝 엔지니어를 포함한 모든 개발자에게 AI 엔지니어링 스킬이 필요하다는 뜻입니다.
1편. AI 엔지니어링 4대 핵심 역량
스킬 맵의 최상위에는 네 가지 역량이 있습니다.
- AI 애플리케이션 구축과 배포 (Building and deploying AI applications)
- 소프트웨어 엔지니어링 기초 (Software engineering fundamentals)
- 코딩 에이전트 활용 (Using coding agents)
- 빌드 방향 설정 (Shaping the build)
① AI 애플리케이션 구축과 배포
AI 애플리케이션과 일반 소프트웨어의 결정적 차이는 출력의 예측 불가능성입니다. LLM에 프롬프트를 넣으면 무엇이 나올지 미리 알 수 없고, 딥러닝 모델을 학습시켜도 새 데이터에 어떤 예측을 할지 알 수 없습니다. 반면 전통적인 소프트웨어는 훨씬 예측 가능하게 동작합니다.
그래서 이 역량의 핵심은 LLM, 컨텍스트 엔지니어링, RAG, 에이전틱 워크플로, 머신러닝·딥러닝 같은 구성 요소를 이해하는 것 위에, 통계적 기법으로 AI 시스템을 측정하고, 조향하고, 통제해서 더 예측 가능하게 만드는 능력입니다. 응 교수는 특히 규율 있는 평가(evals)와 오류 분석(error analysis) 루프를 돌리는 능력을 핵심으로 꼽습니다.
② 소프트웨어 엔지니어링 기초
소프트웨어 엔지니어링은 비용·확장성·신뢰성·속도 사이의 트레이드오프를 결정하는 일이고, 여기에 보안과 프라이버시가 복잡성을 더합니다. 기초를 이해하면 "어떤 트레이드오프가 존재하는지" 자체를 인식할 수 있고, 그 결과 스택 선택, 시스템 아키텍처, 데이터 저장소 설계, 테스트 같은 결정이 좋아집니다.
반대로 기초 없이 바이브 코딩(vibe coding)하는 초보 개발자는 코딩 에이전트가 어떤 트레이드오프를 하고 있는지 모르고, 어떤 컨텍스트를 줘야 하는지도 모르기 때문에 나쁜 선택을 그대로 떠안게 됩니다. 기초가 있으면 소프트웨어 엔지니어링의 정확한 언어로 에이전트를 조향해 좋은 트레이드오프를 만들 수 있습니다.
③ 코딩 에이전트 활용
이제 모든 개발자에게 필수인 스킬입니다. 에이전트가 어떻게 동작하는지에 대한 좋은 멘탈 모델을 갖고, 한계를 알고 우회하며, 언제 개입하고 언제 맡길지를 판단해 시간과 토큰을 낭비하지 않고 견고한 소프트웨어를 만드는 능력입니다.
구체적으로는 에이전트의 컨텍스트 관리, 계획과 실행의 균형, 검증기(verifier)나 평가(evals)를 제공해 에이전트가 스스로 루프를 닫게 하기, 명확한 스펙으로 작업하기(그리고 굳이 그럴 필요가 없는 때를 아는 것), 여러 에이전트의 오케스트레이션, 에이전트가 프로덕션 데이터베이스를 망가뜨리는 것 같은 위험의 회피가 포함됩니다. 이 분야는 빠르게 변하므로, 최신 사례를 아는 것뿐 아니라 새 도구를 계속 시도하고 워크플로를 갱신하는 루틴 자체가 스킬의 일부입니다.
④ 빌드 방향 설정 (Shaping the build)
명확한 스펙만 주어지면 코딩 에이전트는 점점 더 잘 구현해 냅니다. 따라서 엔지니어의 일은 "스펙에 무엇을 담을지 결정하는 것"으로 옮겨가고 있습니다. 더 이상 픽셀 단위 디자인을 받아 구현만 하는 역할을 기대해서는 안 되며, 제품 감각(product sense)과 비즈니스 맥락, 고객 목표를 이해해 빌드를 함께 설계하고 이끌어야 합니다.
AI는 더 큰 오너십과 주도권을 가질 기회도 줍니다. 흥미로운 문제와 기회를 찾아내고 책임 있게 실행하는 것, 예컨대 언제 MVP를 빨리 만들어 사용자 테스트에 내놓고, 언제 속도를 늦춰 더 신중하게 만들지 아는 것이 여기에 포함됩니다.
모든 역량의 바탕: 지속 학습
네 가지 역량 아래에는 계속 배우는 마인드셋이 깔려 있습니다. AI는 계속 빠르게 변하므로, 새로 등장하는 모범 사례를 받아들이며 스킬을 갱신해야 합니다. 응 교수는 DeepLearning.AI의 핵심 목표가 개발자들이 이 AI 엔지니어링 스킬을 갖추도록 돕는 것이라고 밝히며, 네 가지 역량 각각을 후속 글에서 상세히 다루겠다고 예고했습니다. 아래 2편과 3편이 그 후속 글입니다.
2편. 소프트웨어 엔지니어링 기초: 에이전트 시대에도 왜 여전히 중요한가
두 번째 아티클은 4대 역량 중 '소프트웨어 엔지니어링 기초'를 다섯 가지 하위 역량으로 풀어냅니다. 핵심 질문은 "에이전틱 코딩 시대에 소프트웨어 기초는 어떻게 달라졌는가"입니다.
응 교수의 답은 명확합니다. 코드를 전부 에이전트가 쓰더라도, 원하는 트레이드오프를 하도록 에이전트를 조향하려면, 아니 어떤 트레이드오프가 존재하는지 알기 위해서라도 기초가 필요합니다. 또한 AI 애플리케이션의 AI 코어는 대개 더 넓은 소프트웨어 애플리케이션 안에서 표현되므로, 그 애플리케이션을 만들거나 방향을 잡는 데도 기초가 쓰입니다.
기초 없는 바이브 코딩은 간단한 앱은 만들 수 있지만, 지연 시간·가용성·일관성·신뢰성·유지보수성·단순성·비용에서 나쁜 선택이 쌓입니다. 개발자는 그런 트레이드오프가 있다는 사실조차 몰랐기 때문에 에이전트를 바로잡지 못한 것입니다.
1) 풀스택 애플리케이션 구축
에이전틱 코딩 덕분에 프런트엔드나 모바일처럼 특화된 역할을 하던 개발자도 풀스택 역할을 할 수 있게 되었습니다. 익숙하지 않은 부분은 코딩 에이전트가 도와줍니다. 그러나 스택 전체가 실제로 어떻게 동작하는지는 알아야 합니다. 숙련된 개발자는 UI 컴포넌트, 캐싱, 페이지 렌더링, API 선택과 설계, 인증, 상태·세션 관리, 비동기 처리, 데이터 영속성, 테스트, 보안, 접근성 같은 프런트엔드·백엔드의 핵심 요소와 개념을 이해합니다.
2) 데이터 관리
데이터는 소프트웨어가 그 위에 세워지는 토대이면서 바꾸기 어렵기 때문에(에이전트가 마이그레이션을 도와주더라도) 특별히 주목해야 합니다. 접근 패턴을 따져 무엇을 얼마나 오래 저장할지 정하고, 적절한 데이터 모델과 저장소 유형(관계형 테이블, 문서, 키-값, 그래프)과 인프라를 고르는 능력, 트랜잭션과 동시성, 데이터의 정합성·일관성·신선도, 프라이버시·거버넌스·컴플라이언스, 데이터 생애주기 관리가 포함됩니다.
특히 인상적인 지적은 이것입니다. AI 시스템은 데이터 소스에서 자신의 입력 컨텍스트를 얻기 때문에, 데이터 아키텍처가 잘못 잡히면 AI는 "자기가 모른다는 사실조차 모르게" 됩니다. 이를 바로잡는 것은 맥락을 가진 사람, 즉 여러분의 몫입니다. 사람이나 전통적 소프트웨어가 아닌 에이전트를 위한 데이터 인프라 설계는 아직 빠르게 진화 중인 영역이므로, 모범 사례를 계속 조정해야 합니다.
3) 시스템 아키텍처 설계
풀스택과 데이터 구성 요소를 이해하면 조각을 어떻게 맞출지 결정할 수 있습니다. 사용자 수, 지연 시간과 비용의 중요도 같은 요구를 바탕으로 애플리케이션 플랫폼, 프런트엔드·백엔드 경계, 시스템 분해, 애플리케이션 상태 배치, 아키텍처 세분화(모놀리스 vs 마이크로서비스)를 선택하고, 언어·런타임·프레임워크·데이터 기술 스택을 (때로는 실험을 돌려 비교한 뒤) 고릅니다.
또한 올바른 아키텍처는 프로젝트 단계에 따라 움직이는 표적입니다. 빠른 프로토타입에 맞는 단순한 구조가 첫 프로덕션 버전에는 맞지 않을 수 있고, 규모가 커지면 다시 바뀝니다. 이런 결정에는 소프트웨어 구성 요소와 애플리케이션 맥락 양쪽에 대한 깊은 기술 지식이 필요합니다.
4) 시스템의 보안과 신뢰성 확보
단위 테스트와 통합 테스트의 조합, 사용할 프레임워크, 커버리지 수준 같은 테스트 전략을 세우고, API 요청 한도(rate limit) 초과 같은 실패에 대비한 설계, 우아한 성능 저하(graceful degradation), 장애 영향 범위 최소화를 할 줄 알아야 합니다. 보안은 소프트웨어를 다 만든 뒤 붙이는 것이 아니라 생애주기 초반으로 옮기는 '시프트 레프트(shift left)' 흐름이 강조됩니다. 모든 개발자가 풀스택이 되어가듯, 이제는 부분적으로 보안 엔지니어이기도 합니다. AI 도구로 코드 취약점 스캔, 의존성 공급망 점검, 클라우드 설정의 공격 표면 검토를 할 수 있지만, 이를 잘하려면 여전히 보안 지식이 필요합니다.
5) 프로덕션 운영과 확장
실제 사용자에게 서비스하려면 배포 환경 구성, 릴리스 전략, 배포 자동화(CI/CD), IaaS 이해 등 구축과 테스트 이후의 소프트웨어 개발 생애주기(SDLC)를 실행할 줄 알아야 합니다. 운영에는 관측 가능성(observability) 도구, 알림, 인시던트 관리가 필요하고, 확장에는 실제 부하 이해, 서버 확장과 로드밸런싱, 샤딩·인덱싱·복제 같은 데이터 인프라 조정이나 아키텍처 변경이 필요합니다. 버전 관리, 코드 리뷰, 의존성 유지보수, 기술 부채 관리 같은 코딩 모범 사례도 시스템을 오래 발전시키는 데 필수입니다.
2편의 결론
코딩 에이전트는 AI 요소가 전혀 없는 소프트웨어를 만드는 방식까지 바꿨습니다. 문법 암기 같은 지식은 쓸모가 없어지고 있지만, 소프트웨어가 어떻게 동작하는지 깊이 이해하는 개발자는 이해 없이 바이브 코딩하는 사람을 압도적으로 앞섭니다. 기초는 소프트웨어가 무엇을 할 수 있고 없는지를 알려주므로, 코딩 에이전트 활용과 빌드 방향 설정에도 중요한 맥락이 됩니다.
3편. 코딩 에이전트 활용: 워크플로와 다섯 가지 하위 역량
세 번째 아티클은 코딩 에이전트를 코드 작성뿐 아니라 데이터 분석, 시스템 운영 같은 비코드 작업에도 활용해 훨씬 많은 일을 해내는 역량을 다룹니다. Claude Code, Codex, Cursor 같은 상용 에이전트와 OpenCode, Pi 같은 오픈 에이전트가 하네스와 모델 양쪽의 개선으로 성큼성큼 발전하고 있어, 이 스킬은 다른 최상위 역량보다도 빠르게 변합니다. 따라서 실험·구축·학습을 계속하는 과정이 필수입니다.
코딩 에이전트로 소프트웨어를 만드는 3단계 워크플로
최상위 AI 엔지니어 수십 명을 인터뷰하고 팀의 경험을 돌아본 결과, 일관된 고수준 워크플로가 발견되었습니다.
- 계획(Planning): (i) 리서치, 실험, 기존 코드베이스 이해를 포함한 브레인스토밍, (ii) 요구사항·기술 설계·아키텍처를 담은 스펙 작성과 실행 계획 생성. 핵심 가정을 따져 묻고 보안, 과잉 설계, 기타 누락을 점검하는 계획 리뷰도 포함됩니다.
- 실행(Execution): 에이전트 자율성과 사람의 감독 사이에서 균형을 잡아 (i) 보정된 자율성 수준으로 에이전트가 소프트웨어를 만들게 하고, (ii) 자동화된 검사 또는 사람의 검사로 결과를 검증합니다.
- 배포와 모니터링(Deployment and monitoring): (i) CI/CD 파이프라인이나 추가적인 사람의 승인 게이트를 거쳐 배포하고, (ii) 에이전트로 로그를 감시하고 문제를 드러내며 개선을 제안·실행합니다.
이 워크플로 자체는 에이전트 이전과 비슷합니다. 달라진 점은 코드에 쏟는 관심이 크게 줄고, 무엇을 만들지 결정하고, 아키텍처를 설계하고, 스펙을 쓰고, 결과를 검증하는 데 집중한다는 것입니다.
단계별 소요 시간은 프로젝트마다 크게 다르고, 단계가 생략될 수도 있습니다. 그린필드(처음부터 만드는) 프로토타입의 스펙은 프롬프트 하나로 느슨하게 적을 수 있지만, 사용자가 많은 브라운필드(기존) 프로젝트의 스펙은 쓰고 검증하는 데 훨씬 많은 노력이 듭니다. 또한 워크플로는 매우 반복적이어서, 검증에 실패하면 에이전트를 조향해 다시 만들고 오류를 고치며, 모니터링에서 문제가 드러나면 에이전트로 시스템을 갱신해 재배포하는 식으로 앞 단계로 돌아갈 줄 알아야 합니다.
1) 워크플로 지휘 (Directing the workflow)
위 워크플로의 각 단계를 어떻게 통과할지 아는 능력입니다. 각 단계에 사람과 에이전트의 노력을 얼마나 쓸지, 언제 앞 단계로 돌아가 반복할지 결정합니다. 속도·비용·기술적 위험·사람의 노력 사이의 트레이드오프를 깊이 이해해야, 사전 리서치와 계획의 양, 사람이 오너십을 유지할 핵심 작업, 아키텍처 선택, 스펙 같은 계획 산출물의 상세도, 검증 가능한 단계로의 작업 분해를 정할 수 있습니다.
2) 에이전트 자율성 부여 (Enabling agent autonomy)
지켜보며 대화식으로 주고받을지, 큰 덩어리를 위임할지, 명확한 목표를 주고 성공할 때까지 루프를 돌릴지 등 자율성 수준을 선택합니다. 에이전트의 컨텍스트를 세심하게 관리해, 빌드 단계마다 핵심 학습 내용, 사용자 피드백, (도중에 바뀐 것을 포함한) 가정이 이후 단계에서 쓰이도록 기록합니다. 작업을 분해해 여러 에이전트를 병렬로 돌리고(사람이나 상위 에이전트가 오케스트레이션), 동시에 돌아가는 에이전트 세션 사이에서 사람의 주의를 배분하는 것도 여기에 포함됩니다. 권한과 게이팅을 적절히 설정해 개발 속도를 유지하면서 유출·데이터 손실·기타 피해 위험을 제한하는 안전한 실행도 필수입니다.
3) 결과물 검토 (Reviewing the work)
코딩 에이전트의 출력은 불확실합니다. 어떤 좋은 아이디어를 낼지, 어떤 버그를 만들지 미리 알 수 없습니다. 원하는 결과를 얻고 있는지 확인하고 아니면 에이전트를 되돌리기 위해 검토와 검증이 핵심입니다. 작업에 맞는 테스트와 검증(행동적·기능적 검증)을 설계하고, 사용자 흐름을 테스트하며(에이전트가 스크린샷과 성공·실패 증거를 제시하게 하는 방식 포함), 정성적·행동적 평가에는 LLM-as-a-judge를 활용한 평가 세트를 쓸 수 있습니다.
얼마나 자동화할지도 결정해야 합니다. 어떤 워크플로는 AI 테스트·검증을 완전 자동화해 에이전트가 스스로 완료 여부를 판단하게 하는데, 그 테스트가 정말 목표와 일치하는지는 사람이 평가하고 감독해야 합니다. 에이전틱 코드 리뷰와 AI 기반 보안·아키텍처 감사를 활용하고, AI 리뷰로 부족할 때는 코드의 동작(드물게는 코드 자체)에 대한 사람의 리뷰를 신중히 끼워 넣으며 추가 자동화 방법을 탐색합니다. 배포 검증과 모니터링·인시던트 관리를 에이전트로 운영화하는 것도 포함됩니다.
4) 에이전트와 환경 커스터마이징 (Customizing the agent and its environment)
에이전트와 그 작업 환경을 갱신해 에이전트가 필요한 컨텍스트와 도구를 효율적으로 얻고 올바르게 빌드하게 만드는 능력입니다. 에이전트 스킬, 플러그인, MCP 서버를 통합하고, 새 모델이 옛 스킬을 불필요하게 만들면 때때로 정리합니다. 훅(hook)으로 자동 코드 리뷰나 CI/CD 파이프라인 트리거 같은 반복 작업을 자동화하고, AGENTS.md나 CLAUDE.md 같은 상시 컨텍스트에 코드베이스 정보, 핵심 아키텍처 가정, 코드 스타일, 데이터 접근 패턴을 유지합니다. 여러 세션과 병렬 에이전트 사이에서 상태를 보존하고, 실행 후 회고로 무엇이 통했고 안 통했는지 학습을 축적하며, 에이전트가 코드베이스를 잘 탐색하도록 일관된 관례와 구조를 갖추고, 에이전트가 만든 데이터를 가끔 정리합니다. 팀에서 일할 때는 개발자들의 에이전트 간 컨텍스트 조율도 고려합니다.
5) 코딩 에이전트 기초 지식 (Coding agent foundations)
좋은 결정을 내리려면 코딩 에이전트가 어떻게 동작하는지 알아야 합니다. 코드베이스 검색·검색 증강(retrieval) 방식, 컨텍스트 윈도 관리, 툴 호출이나 MCP 서버 추가 같은 작업이 컨텍스트에 미치는 영향, 에이전트와 서브에이전트의 상호작용, LLM에 하네스를 감싸 에이전트를 만드는 구조 등입니다. 이를 알면 에이전트가 블랙박스가 아니게 되어, 단순한 문제의 과잉 설계, 명시적 검증 과정 부재로 인한 엄밀함 상실, 목표 이탈, 파일이나 프로덕션 데이터를 파괴할 수 있는 행동 같은 실패 양상을 알아차릴 수 있습니다. 에이전트의 상태를 추론해 올바른 지시와 컨텍스트로 조향하고, 실행을 모니터링하며 궤도를 벗어나 개입이 필요한 순간을 더 잘 포착할 수 있게 됩니다.
SNS의 과장에 대한 경고
응 교수는 소셜 미디어가 코딩 에이전트 사용법을 지나치게 단순화한다고 지적합니다. 에이전트를 몇 시간씩 자율 실행시키며 수백만에서 수천만 토큰을 태우는 것이 가끔 유용하긴 하지만, 현재 매우 긴 호라이즌 작업의 실용성은(특히 비용 대비) 실제보다 부풀려져 있다는 것입니다. 가장 효과적인 사용법은 복잡하고 매우 반복적인 과정이며, 높은 숙련도의 판단으로 개입할 수 있는 사람이 훨씬 좋은 결과를 얻습니다. 코딩 에이전트를 잘 쓰는 능력은 유능한 빌더가 되게 하고, 나아가 전체 빌드를 이끌 수 있는 위치에 서게 합니다.
한눈에 정리: AI 엔지니어링 스킬 맵
최상위 역량하위 역량 (원문에서 구체화된 항목)
| AI 애플리케이션 구축·배포 | LLM·컨텍스트 엔지니어링·RAG·에이전틱 워크플로·ML/DL 이해, 평가와 오류 분석 루프 (별도 아티클에서 상세화) |
| 소프트웨어 엔지니어링 기초 | 풀스택 구축 · 데이터 관리 · 시스템 아키텍처 설계 · 보안과 신뢰성 · 프로덕션 운영과 확장 |
| 코딩 에이전트 활용 | 워크플로 지휘 · 에이전트 자율성 부여 · 결과물 검토 · 에이전트와 환경 커스터마이징 · 코딩 에이전트 기초 지식 |
| 빌드 방향 설정 | 제품 감각, 비즈니스 맥락과 고객 목표 이해, 오너십과 주도권, MVP 속도 조절 (후속 아티클 예고) |
| 공통 기반 | 지속 학습 마인드셋 |
읽고 나서: 필자의 정리
- 세 편을 관통하는 구도는 '이해 없는 바이브 코딩'과 '이해에 기반한 조향'의 대비입니다. 에이전트가 코드를 쓰는 시대일수록 트레이드오프를 아는 사람이 더 유리해진다는 메시지가 반복됩니다.
- 3편의 항목들(AGENTS.md·CLAUDE.md 같은 상시 컨텍스트 유지, 훅, MCP 서버, 검증기 제공, 병렬 에이전트 오케스트레이션, 권한 게이팅, 실행 후 회고)은 지금 바로 개인 워크플로에 대입해 볼 수 있는 체크리스트입니다.
- 장시간 자율 실행에 대한 경고는 요즘 SNS 분위기와 대비되는 냉정한 조언입니다. "몇 시간 돌려 두면 알아서 다 해준다"보다 "짧게 반복하며 숙련된 판단으로 개입한다"가 현재의 현실적인 답이라는 것입니다.
- 시리즈는 계속 진행 중입니다. 'AI 애플리케이션 구축과 배포' 편은 이미 공개되었고, '빌드 방향 설정' 편이 예고되어 있습니다.
출처
- Andrew Ng, "The AI Engineering Skills Map", X, 2026-08-15(KST) — https://x.com/AndrewYNg/article/2088302050706686198
- Andrew Ng, "AI Engineering Skills Map: Software engineering fundamentals", X, 2026-08-29(KST) — https://x.com/AndrewYNg/article/2093388974194872781
- Andrew Ng, "AI Engineering Skills Map: Using coding agents", X, 2026-09-05(KST) — https://x.com/AndrewYNg/article/2095890279865721217
- 참고(같은 시리즈, 이 글에서는 다루지 않음): Andrew Ng, "AI Engineering Skills Map: Building and Deploying AI Applications", X, 2026-08-22(KST) — https://x.com/AndrewYNg/article/2090840747738374568
- 저자: Andrew Ng — DeepLearning.AI 공동창립자, 스탠퍼드대 CS 겸임교수, 전 Baidu AI 그룹·Google Brain 책임자 (X 프로필 기준)
댓글