[PS] 그로들 자소서 개정 - 지원동기 및 소개

in Blog on Story

한화계열 스타트업, 그로들에 제출하기 위한 자소서를 작성 중이다. 이커머스 시장에서 생산성을 높일 수 있는 AI 솔루션을 개발하는 기업이다.

그로들의 요구사항을 정리하면 다음과 같다. “경제/산업 뉴스를 크롤링하여 요약할 수 있는 자연어처리/멀티모달 딥러닝 모델 개발” 만약 정규직으로 전환된다면, LLM과 Vision 쪽의 업무가 배정될 것이다. LLM은 summary, translation, document intelligence 등, vision은 문자인식, 객체인식, text/image-to-video 등이겠지. 모델 최적화나 분산학습 경험과 fine-tuning 경험자, 모델 개선 경험자도 찾고 있다. NLP에 필요한 데이터 수집 및 모델링도 경험한다면 우대사항이다. 상용 AI API와 tensorflow/pytorch와 같은 프레임워크에 대한 경험이 있다면 좋겠지. 또한, Linux/Unix와 Docker 환경을 주로 사용할 것이고, 협업(git, 코드리뷰)을 중요시하는 것으로 보인다.

자, 위의 내용 중 초안에 들어가지 않은 것은? 1) fine-tuning 경험 2) 분산학습 경험 3) tensorflow/pytorch 자세히 쓸 것 4) 모델 개선 과정에서 겪은 어려움을 쓸 것 5) AI API 쓰면서 어려움은 없었나? 6) linux 서버에서 내가 무슨 일을 했지? 7) git 쓰면서 무얼 배웠지?

또한, 뭐가 부족하지? 8) 전반적으로 사실의 나열이지, 어떻게 왜 했는지 내용이 비어있다. 9) 동기가 부족하다 10) 입사 후 계획이 곧 떠날 사람처럼 느껴진다. 11) 경제학 입문 - 문장이 그냥 맘에 안든다. 필히 고칠 것.

이제, 1차 개정 시작!

먼저, 지원동기 및 자기소개부터 건드려보겠다. 자기 소개가 부실하다. 뒤의 모든 내용이 이 두 문단안에 담겨야한다. 동시에 가독성을 챙기고, 호기심을 일으키도록 하자.

  1. 지원동기 및 소개 정보가 흘러 넘치는 현대 사회에서 의사결정을 위해 AI를 사용하는 것은 더 이상 먼 미래의 일이 아닙니다. 저는 뉴스를 포함한 정보들을 유용하게 소비하기 위해서는 딥러닝 기술이 필수적이 될 것이라고 생각합니다. 기존의 단순한 뉴스 크롤링 기술을 넘어, 텍스트뿐만 아니라 이미지나 비디오 같은 다양한 데이터 소스를 활용하여 맥락을 이해하고 요약한다면 비즈니스 솔루션을 선도할 수 있을 것 같습니다. AI를 활용한 이미지 번역, 자동 영상 제작, 자동 회의록 작성, 추천시스템 등 다양한 서비스를 개발한 선배 전문가들과 소통하며, 크롤링한 뉴스를 요약하는 멀티모달 분석 기반 딥러닝 모델 개발에 기여하겠습니다. 지원하는 직무인 멀티모달 분석 기반 딥러닝 모델 개발을 위해 다음의 역량을 키웠습니다. 첫째, 프로그래밍 언어와 AI에 대해 자기주도적인 학습을 진행했습니다. Python, Java의 다양한 이슈에 대처해보고자 자발적으로 TA(Teaching Assistant) 활동을 했습니다. 학생들의 코드를 리뷰하며 다양한 에러들이 발생하는 원인과 해결책을 파악할 수 있었고, 인터페이스와 예외처리 클래스와 같은 객체지향 개념을 설명하면서 강의를 수강할 때보다도 프로젝트 설계에 대한 이해를 높일 수 있었습니다. 또한, AI와 관련된 모든 학부 강의를 수강하며 YOLO를 활용한 실시간 수화 통역 서버스, LSTM을 활용한 주식예측도구, 협업 필터링을 활용한 옷 추천 서비스 등을 구현해보았습니다. 추가적으로 대학원 강의를 찾아가 TensorFlow, PyTorch를 활용하여 머신러닝 알고리즘과 딥러닝 모델들을 직접 구현해보았고, 모델들을 수학적으로 이해하는 연습을 할 수 있었습니다. 둘째, 대규모 언어모델인 BERT를 자바 바이트코드에서 보안 취약점을 발견할 수 있도록 개선하고, pre-training을 수행했습니다. 이를 위해 웹 크롤링을 통해 취약한 프로젝트를 라벨링 한 자바 바이트코드 데이터셋을 생성하였습니다. 부족한 GPU 자원으로 인해 pre-training 과정에 어려움이 있었지만, 최적화 알고리즘을 바꾸고 4개의 GPU를 모두 사용하도록 DDP(Distributed Data Parallel)를 적용하여 해결할 수 있었습니다.

뒷심이 부족하고, 여전히 동기가 애매하긴 한데.. 1차 개정은 일단 여기까지!