2026-01-29
1일 1아티클
요즘IT
AI PM 로드맵
PM의 역량
- PM이 AI 전환 과정에서 간과하는 지점 : 제품 라이프사이클이 동일하다고 가정
- 전통 SW에서 버튼의 미동작 = 버그 → 코드 수정 시 100% 정상 작동
- AI 기반에서의 문제 = 출력이 확률에 기반 (100% AI가 정상 답변을 내놓지 못할 수 있음)
- AI PM은 이러한 AI의 불확실성 관리하는 것이 중요
- AI Flywheel
- 사용자의 증가가 곧 제품의 지능 상승으로 연결되어야 함을 의미
- 데이터 수집을 위한 사용자 상호작용의 적절한 설계 방식, 데이터가 모델로 피드백되어 미래 상호작용을 개선하도록 하는 프로세스 이해 필요
- AI 제품 아키텍처 & 데이터 파이프라인
- 데이터의 출처, 정제 여부, 편향 여부에 대한 이해 필요
- 데이터 수집 프로세스 이해 필요
데이터 사이언스 언어
- 다변수, 미적분 등의 깊이 있는 이해는 필수 아님
- 선형 회귀, 로지스틱 회귀 차이, 지표, R-Square, 오버피팅, 피처 등에 대한 이해 필요
생성형 AI
- 현 상황 : 많은 제품이 AI를 무분별하게 적용, 특히 LLM API 위에 간단하게 붙인 형태에 불과
- LLM 내부의 작동 구조 (모델 아키텍처) 에 대한 이해 필요 → 모델 실패 원인의 정확한 파악 가능
- ex. AI 챗봇이 훈련 데이터나 근거에 기반하지 않은 정보 생성 시, “프롬프트 설계”가 원인인지 “temperature 설정”이 원인인지 등을 구분 가능해야 함
- 프롬프트 기법, 고급 프롬프트 설계 → 안정적이고 신뢰 높게 동작하도록 복잡한 프롬프트 구조 설계
프로토타이핑 & 바이브 코딩
- AI 세계에서의 key : 속도
- 새로운 AI 기능 아이디어 발생 → 반나절 정도의 시간으로 직접 프로토타입 개발 가능해야 함
- 엔지니어링 팀의 방해 전에, 빠르게 API 연결 및 파라미터 조정과 아이디어 실현 가능 여부 판단
- 지저분한 지라 티켓이 아닌, 작동하는 프로토타입을 엔지니어에게 보여줄 것
RAG & 에이전트
- RAG
- 기성 LLM의 문제 : 회사의 비공개 데이터는 모름
- 해결책으로써의 RAG : 사용자 질의 → 사내 비공개 DB에서 정보 검색 → 정보를 AI에게 제공해 정확한 답변 제공
- 실제 엔터프라이즈 AI 애플리케이션은 대부분 RAG 시스템
- RAG 구성요소에 대한 이해 필요 (벡터 DB, 검색 과정의 chunking 작동 원리)
- 평가 (AI Evals)
- RAG 시스템을 다른 AI 모델로 채점하는 영역
- 현 엔터프라이즈 AI 배포 과정에서의 가장 큰 병목
- 에이전트형 workflow
- 에이전트 : 계획을 세우고, 여러 단계 실행, 도구 사용으로 직접 목표 달성하는 AI 시스템
- 에이전트 관리를 위해, 사용자 경험 및 안전 가드 측면의 접근 필요
AI PM으로 나아가기 위해 고민해야 하는 부분
- 기성 PM처럼 단순 사용자 페르소나만 생각하면 안됨
- 비정형 데이터를 다루고, 확률적인 결과를 처리하는 시스템 설계 역량 필요
오늘 배운 것
- 프론트 연결 작업 디버깅
- 연결 과정에서 발생하는 오류 해결
- 피그마 레이어 이름 수정
- 약간의 노가다 도와주기
- 리팩토링 관련 백엔드 팀과의 소통
내일 할 일
- 기타 업무
- PPT 작성 시작
- 내용 흐름 구성
- 기획 배경