백엔드 개발자의 이직 커리어 준비 연구

Introduce

백엔드 개발자로 생존한지 1년차… 이제는 AI가 등장하면서 개발자의 위치는 지속적인 블러핑의 대상(?) 이 되어버렸다.

생각해보면 AI 덕에 엄청 편해졌지만, 그게 결국 오히려 ‘들킨’ 게 되어 버린걸까. 성장하지 않고 발전하지 않는 개발자들의 종말이라는 듯이.. 수 많은 회사들은 필요하지 않은 개발자들을 배제하기 시작했다.

끔찍하지만, 그래도 뭐 별수 있나. 이러한 일들이 수 차례 있어왔고 저항한다고 돈, 재화, 분배의 기준은 결국 기원 전이나 기원 후나 동일하다. 약육강식이 아니길 바라는 것은 사람의 본성일지 몰라도, 약육강식 아닌 방식이 완벽하게 정착할 수 없는 건 어쩌면 자연계가 정한 물리적 환경인데.

오히려 기술을 배우고 조금이라도 할 수 있게 된 내가 될수 있었단 점은 감사하다. 심지어 무언가를 만들 수 있다는 점은, 무언가를 다시 배우거나 생산해 낼 수 있다는 것이므로, 그것이 주는 안도감은 부정할 수 없다.

그런 점에서 이제 신입이지만… 필요한건 결국 길이다. 재직 중인 회사에서 백엔드는 나 혼자이고, 그러한 점은 내가 해야 할 일들과, 그러는 와중에 성장하기 위해 무얼 해야할지 알려주지도 가르쳐주지도 않는다. 뿐만 아니라 누군가가 말해주지 않아도 전문가가 되기 위해서는 단순한 것들은 최대한 AI에게 맡기고, 내가 할 일은 계속해서 더 어렵고, 더 복잡한 것들을 더 빠르게 해낼 수 있게 되는 것이다.

그러기 위해서 필요한 것은 길이다. 방향성이다. 트렌드를 읽고, 내 부족한 전문 지식을 채우는 것이다. 그렇기에 AI를 활용해 분석한 글을 그냥 올리는게 아니라 읽고, 소화하고, 해석해서, 내것으로 만든다. 이 글의 목적은 그것이다.

백앤드 개발자 1 ~ 3년차 요구사항 분석 내용

조사 기반

국내 개발자 채용시장의 인지도, 공고 수 등을 기반으로 높은 플랫폼을 선정하고, 이를 AI에게 크롤링을 맡겼다. 그리하여 선정한 플랫폼은 아래와 같다.

원티드 : 너무나 잘 아는, IT 스타트업 채용 공고가 꽤 많이 올라옴.
프로그래머스 : 코드 중심의 개발자 채용 지향. 당연히 코테로도 유명하고, 플랫폼을 제공해주므로 주시해야 하는 사이트.
점핏 : 사람인에서 만든 개발자 중심의 채용 플랫폼
로켓펀치 : 스타트업 정보 공유 및 채용 플랫폼.
잡코리아 / 사람인 : 이젠 레거시라고 불러도 될만한, 전형적인 구인구직 플랫폼
랠릿 : 인프런이 만든 구인구짓 플랫폼

각 플랫폼 검색에서 키워드들을 조합해서 경력 요건을 필터링하여 공고 수집을 요청했고 2.5 Gemini Pro 기반으로 수행되었다.

전반적인 시장 동향

예상은 했지만, 1 ~ 3년차 백엔드 개발자 채용 공고는 역시나 AI 키워드가 눈에 띌 정도로 증가 했다. AI 기능은 기계적, 코딩으로 해결하지 못하는 것들을 해결하기 시작했고, 특히나 AI 기반 새로운 서비스는 정말 초고속으로 증가되는 만큼, 백엔드 인프라 구축의 필요성을 인지하고 있다고 AI 는 분석했다.

단, 여기서 AI 역량이라는 키워드가 주로 등장했다. 이는 AI 서비스에 대한 수요에 맞춰 백엔드 개발이 필요하지만, 그에 대한 이해도가 있진 않기에 이에 대한 이해, 활용 경험, 서빙 경험 등의 전반적인 경험치가 있으면 이를 중요시 하지만, 이에 비해 확립된 기술체계가 아직 정돈이 안되어 있다는 것을 보여주는 대목이라고 느꼈다.

당연히, 그러는 와중에도 비교적 AI 에 대해 자세하고 세세하게 언급하는 케이스들도 있다는 점에서 그냥 어떤 AI 든 Okay 이런 느낌은 아니니 주의가 필요해 보인다.

그러나 어쨌든 AI 의 분석 왈, 백엔드 개발 능력 위에 AI 라는 키워드가 추가적으로 요구되며, 이에 대해 정확히 파악하고 어떤 전략으로 구체적으로 AI를 어떻게 활용하였는가 라는 점을 중점적으로 생각할 필요가 있음을 보여주었다.

필수 자격 요건

AI 가 분석한 핵심 백엔드 개발자들의 평균적인 필수 자격 요건은 다음 정도로 정리했다.

핵심 프로그래밍 언어 및 프레임워크:
- NestJS 스택: Node.js, TypeScript에 대한 이해를 바탕으로 NestJS 프레임워크를 활용한 실무 개발 경험이 필수적으로 요구됩니다.
- Java 스택: Java 언어와 Spring Boot, Spring Framework(MVC 등)에 대한 깊이 있는 이해 및 이를 활용한 실무 개발 경험이 중요합니다.
- 일부 공고에서는 NestJS와 Java/Spring 기술 스택을 함께 언급하며, 둘 중 하나에 대한 능숙한 활용 능력 또는 양쪽 모두에 대한 경험을 요구하기도 합니다.
데이터베이스 기술:
- RDBMS (MySQL, PostgreSQL 등) 사용 경험과 SQL 작성 능력은 기본적인 요구사항입니다.
- NoSQL (MongoDB, Redis 등) 데이터베이스 사용 경험 또한 많은 공고에서 찾아볼 수 있으며, 특히 Redis는 캐싱, 비동기 처리 등 다양한 목적으로 활용될 수 있음을 명시하는 경우가 있습니다.
API 설계 및 개발:
- RESTful API 설계 원칙에 대한 이해와 실제 개발 경험은 대부분의 백엔드 개발자에게 필수적으로 요구됩니다.
- API 문서화 도구(e.g., Swagger/OpenAPI) 사용 경험을 명시하는 공고도 있습니다.
버전 관리 시스템:
- Git 및 Github (또는 유사 플랫폼) 사용 경험은 협업을 위한 기본적인 역량으로 간주됩니다.
기본적인 AI/ML 이해도:
- AI/ML 관련 주요 용어 및 기본 개념에 대한 이해가 요구될 수 있습니다. 이는 명시적으로 자주 언급되지는 않으나, AI 역량을 요구하는 공고에서는 암묵적으로 포함되는 경우가 많습니다.
- AI 관련 프로젝트 경험이 없더라도, AI 기술에 대한 학습 의지나 높은 관심을 표명하는 것이 긍정적으로 작용할 수 있습니다.

분석한 내용에서 분명하게 드러나는 것은 다음과 같다.

1) 탄탄한 백엔드적 기술 능력은 필수 중에 필수. 언어나 프레임워크의 중요도는 당연히 Java 중심. 그러나 Node, NestJS 가 안되는 건 아님 2) AI 와 관련된 언급은 필수적으로 등장하지만, 이는 우대적으로 언급됨. 3) 결론적으로 AI 역량을 더하더라도 NestJS, Java 등의 백엔드 기술 숙련도는 절대 놓치지 말아야 할 영역이다.

평균 권장 / 우대 자격 요건

필수에서는 빠졌으나, 상당히 많이 요구된 것으로 정리된 키워드들이다.

프로그래밍 언어 (AI 관련):
- Python: AI 및 머신러닝 분야의 사실상 표준 언어입니다. NestJS 또는 Java 개발자 채용 공고에서도 Python 사용 경험이나 학습 의지를 우대 조건으로 명시하는 경우가 많습니다.
AI/ML 프레임워크 및 도구:
- TensorFlow, PyTorch, Scikit-learn 등 주요 머신러닝 라이브러리 및 프레임워크 사용 경험. (직접적인 언급 빈도는 낮으나, AI 프로젝트 경험을 우대하는 경우 관련 기술 포함 가능성 높음)
- Langchain, OpenAI API 등 LLM(거대 언어 모델) 관련 기술 활용 경험.
클라우드 플랫폼 경험:
- AWS, GCP, Azure 등 주요 클라우드 서비스 사용 경험은 매우 빈번하게 요구됩니다. 특히 AI/ML 관련 서비스(e.g., AWS SageMaker, Google Vertex AI, Azure Machine Learning) 사용 경험은 큰 장점으로 작용합니다.
컨테이너화 및 오케스트레이션:
- Docker, Kubernetes 사용 경험은 애플리케이션 배포 및 확장성 확보에 중요하게 고려됩니다.
메시지 큐 시스템:
- Kafka, RabbitMQ 등 메시지 큐 시스템 사용 경험. 이는 대용량 데이터 처리 및 비동기 통신 아키텍처 구현에 중요합니다.
CI/CD 경험:
- Jenkins, GitLab CI, GitHub Actions 등 CI/CD 파이프라인 구축 및 운영 경험은 개발 생산성 및 안정성 향상에 기여합니다.
대용량 트래픽/데이터 처리 경험:
- 대규모 사용자 요청을 효율적으로 처리하거나, 대용량 데이터를 분석하고 처리하는 시스템 개발 경험을 우대합니다.
AI 관련 프로젝트 수행 경험:
- 실제 AI 모델을 활용한 서비스 개발 프로젝트 또는 AI 관련 기능을 구현한 프로젝트 참여 경험은 직접적인 역량 증명으로 이어집니다.
- MLOps(Machine Learning Operations) 관련 경험 또는 이에 대한 높은 관심도 긍정적으로 평가될 수 있습니다. (단, 해당 공고는 4년 이상 경력 대상)
기타:
- MSA (Microservices Architecture) 설계 및 개발 경험.
- 테스트 코드 작성 능력 및 TDD(Test-Driven Development) 경험.

내용을 종합해보자면 여전히 백엔드라는 기둥에 AI 라는 장식이라는 구성에 가깝다. 내용적으로는 마치 DevOps 적 특성이 강하게 묻어나오는데, 이러한 특성은 내용을 생각해보면 짐작해볼 수 있을 것이다.

AI 서비스는 강력한 컴퓨팅 성능이 필요하다. 여전히 그 능력은 고성능 모델에 촛점이 맞춰져 있고, 최적화나, 가격 경쟁을 하기엔 여전히 실험적인 영역이 있다는 점은 부정할 수 없다. 그리고 이러한 점에서 서버에서 처리해 내는 것들은 당연히 필요하고, 온디바이스 컴퓨팅, 엣지 컴퓨팅은 아직은 갈길이 멀다. 이러한 점에서 클라우드 플랫폼 위에서 제공되는 다양한 기술을 서빙할 수 있어야하고, 그걸 위해서 알아야하는 백엔드 기술들은 자연스럽게 키워드에 녹아들어 있다.

비동기 IO 처리, 메시지 큐, 데이터베이스, 컨테이너, MSA 등 많은 요소들이 결국 클라우드 상에서 개발과 운영의 통합, 서비스의 전체적인 라이프사이클의 통합 및 체계화를 말하게 된다. 즉, DevOps 역량이 매우매우 중요하다는 것이다.

데이터를 기반으로 정리해보면

AI 의 대두는 기존에 웹 프로바이저닝을 해주던 업체, 플랫폼들의 방향에 나름의 파문을 일으켰다. 기존에 클라우드 플랫폼들은 서버리스, RDB서비스 등을 통해 백엔드라는 절차를 신경쓰지 않아도 되게 만든다던가, 다양한 서비스를 제공하여 결론적으로 백엔드 개발의 범위를 좁히고, 더 줄이는 역할을 하려는 서비스들 쪽으로 귀결되고 있었다.

하지만 AI는 발전되는 과정에서 하드웨어에 대한 성능 요구값을 매우 크게 끌어올렸고, 특히나 GPU 리소스의 필요를 끌어올리는 등을 포함하여 기존 클라우드 플랫폼의 노선에 부담을 주었다는 생각이 든다. 즉, 자원이 다시 한정적이게 만들었고, 그 만큼 백엔드 개발이나, 성능의 분배, 대용량 처리라는 전통적인 영역에 대한 더 큰 수요를 불러낸것 같다는 것이다.

그 결과 DevOps 의 중요성은 더욱 키워가는 게 아닌가 싶고, 그 과정에서 개발이 필요한 업체들은 자연스럽게 DevOps 기능을 포함한 클라우드 플랫폼 역량, 그리고 거기에 AI를 얹은 역량치를 요구하게 자연스럽게 흘러가고 있는게 보인다.

넓게 보면 오히려 AI가 백엔드의 가치나, 기회를 늘린 것이기도 하다는 생각도 ? 할 수 있는게 아닐까.

NestJs 백엔드 개발자에 대한 AI 역량 심층 분석

이 부분은 제미나이의 분석 과정에서 나온 내용인데, 학습의 키워드가 될 수 있으리라 생각되어 간단히 정리해보면 다음과 같다.

A. NestJS 백엔드 개발자의 기본 역량
- TypeScript 및 Node.js 생태계에 대한 깊은 이해: NestJS는 TypeScript를 기반으로 하며 Node.js 런타임 환경에서 동작함. 따라서 TypeScript의 타입 시스템, 비동기 처리 방식, Node.js의 이벤트 루프, 모듈 시스템 등에 대한 충분한 이해가 필요.
- NestJS 프레임워크의 핵심 개념 숙달: 모듈(Modules), 컨트롤러(Controllers), 서비스(Services), 프로바이더(Providers), 의존성 주입(Dependency Injection), 미들웨어(Middleware), 파이프(Pipes), 가드(Guards), 인터셉터(Interceptors) 등 NestJS의 핵심 아키텍처 구성 요소에 대한 명확한 이해와 활용 능력이 요구.
- 비동기 프로그래밍 및 이벤트 기반 아키텍처 이해: Node.js의 특성상 비동기 프로그래밍(Promise, async/await)에 능숙해야 하며, 이벤트 기반 아키텍처에 대한 이해는 실시간 서비스나 복잡한 데이터 흐름을 다룰 때 중요.
- Express.js 또는 Fastify 경험: NestJS는 내부적으로 Express.js (기본값) 또는 Fastify를 HTTP 서버 프레임워크로 사용함. 이들 프레임워크에 대한 기본적인 이해나 사용 경험은 NestJS를 더 깊이 있게 활용하는 데 도움이 된다.
B. NestJS 와 AI의 접점. 어떤 업무를 연관지어 해봐야 할까?
- AI 모델 서빙 API 개발: Python 등 다른 언어로 개발된 AI 모델의 예측 기능을 외부 또는 내부 시스템에서 사용할 수 있도록 RESTful API 또는 GraphQL API 형태로 노출하는 역할을 담당.
- 외부 AI 서비스 연동: OpenAI API(ChatGPT, DALL-E 등), Google AI Platform API, AWS AI 서비스 API 등 이미 상용화된 외부 AI 서비스를 호출하고, 그 응답을 가공하여 애플리케이션의 특정 기능에 통합하는 작업을 해봐야 한다.
- 데이터 전처리/후처리 API 개발: AI 모델에 입력될 데이터를 정제하거나 특정 형식으로 변환하는 전처리 과정, 또는 AI 모델로부터 나온 결과값을 사용자에게 보여주기 적합한 형태로 가공하는 후처리 과정을 담당하는 API를 개발해본다.
- 실시간 AI 서비스 백엔드 개발: WebSocket 등을 활용하여 실시간으로 사용자 입력에 따라 AI 모델과 상호작용하는 서비스(예: AI 챗봇, 실시간 개인화 추천)의 백엔드 로직을 NestJS로 구현해본다.
- AI 애플리케이션을 위한 인프라 지원: AI 모델의 학습 데이터 수집, 학습된 모델 관리, 모델 버전 관리, 배포 파이프라인과의 연동 등을 지원하는 백엔드 시스템 및 API를 구축하는 역할도 포함될 수 있습니다.

기술 면접 준비 방향

A. 분석된 자격 요건 기반의 핵심 기술면접 주제 리스팅
- NestJS/NodeJS 또는 Java/Spring 핵심 개념
  - NestJS: 모듈(Module), 컨트롤러(Controller), 서비스(Service), 프로바이더(Provider), 의존성 주입(DI), 데코레이터(Decorator), 파이프(Pipe), 가드(Guard), 인터셉터(Interceptor), 미들웨어(Middleware) 등 프레임워크의 핵심 구성 요소와 작동 원리에 대한 질문, TypeScript 및 Node.js 비동기 처리 방식에 대한 이해도
  - Java/Spring: JVM(메모리 구조, GC), OOP(SOLID 원칙), 컬렉션 프레임워크, 동시성(멀티스레딩, Thread-safe), Spring Core(IoC 컨테이너, DI, Bean의 생명주기 및 스코프), Spring MVC(DispatcherServlet 동작 방식, 요청 처리 과정), Spring Boot(자동 설정, Actuator), JPA(영속성 컨텍스트, N+1 문제), Spring Data, AOP, Spring Security 기본 원리 등에 대한 질문
- 데이터베이스:
  - SQL 작성 능력(JOIN, 서브쿼리, 집계함수 등) 및 최적화.
  - 데이터베이스 Index의 원리와 효과적인 사용법.
  - Transaction의 개념과 ACID 원칙, 격리 수준(Isolation Level).
  - 정규화(Normalization)의 개념과 장단점.
  - Sharding과 Replication의 차이점 및 사용 사례.RDBMS와 NoSQL 데이터베이스의 차이점 및 각각의 적합한 사용 사례.
- API 설계:
  - RESTful API 설계 원칙 (자원 표현, HTTP Method 활용, 상태 코드의 적절한 사용).
  - API 보안 (인증/인가 방식: JWT, OAuth2 등).
  - API 버전 관리 전략.
- 네트워크 기초:
  - TCP/IP 프로토콜 스택 및 계층별 역할.
  - HTTP/HTTPS 프로토콜의 특징 및 차이점 (SSL/TLS 핸드셰이크 과정 포함).
  - CORS(Cross-Origin Resource Sharing)의 개념과 해결 방법.
- 운영체제 기초:
  - 프로세스(Process)와 스레드(Thread)의 차이점 및 컨텍스트 스위칭.
  - 동기(Synchronous)와 비동기(Asynchronous) 처리 방식의 차이.
  - 데드락(Deadlock) 발생 조건 및 해결 방법.
- 자료구조 및 알고리즘:
  - 주요 코딩 테스트 플랫폼(프로그래머스, 백준 등)의 Level 2~3 수준 문제 해결 능력.
  - 자주 출제되는 유형: 배열, 문자열 처리, 정렬, 탐색(이진 탐색, DFS, BFS), 그래프 이론 기초, 동적
  - 프로그래밍(DP), 구현 중심 문제.
- 클라우드 및 컨테이너:
  - AWS, GCP, Azure 등 주요 클라우드 플랫폼의 핵심 서비스(컴퓨팅, 스토리지, 데이터베이스, 네트워킹)에 대한 이해 및 사용 경험.
  - Docker 컨테이너의 기본 개념, 이미지 생성 및 관리, 컨테이너 실행 경험.
  - Kubernetes의 기본 개념 및 필요성에 대한 이해 (1~3년차에게는 심층적인 운영 경험보다는 개념 이해 수준을 묻는 경우가 많음).
B. AI 통합 역량에 관련된 예상 면접 질문 리스트
- “AI/ML 관련 프로젝트 경험이 있다면 자세히 설명해주세요. 어떤 역할을 하셨고, 어떤 기술을 사용했으며, 결과는 어떠했나요?”
- “AI 모델을 서빙하기 위한 API를 설계한다면 어떤 점들을 고려해야 할까요?”
- “대용량 데이터를 AI 모델 학습에 사용하기 위해 백엔드에서 어떤 처리를 할 수 있을까요? 혹은 어떤 지원을 할 수 있을까요?”
- “AI 모델을 실제 서비스에 배포하고 운영할 때 백엔드 개발자로서 겪을 수 있는 어려움은 무엇이라고 생각하며, 이를 어떻게 해결하거나 기여할 수 있을까요?”
- “최근 관심 있게 보고 있는 AI 기술이나 트렌드가 있나요? 이를 현재 담당하고 있거나 앞으로 개발하고 싶은 백엔드 시스템에 어떻게 적용해볼 수 있을지 아이디어를 제시해주세요.”
- “AI 개발 도구(예: ChatGPT, GitHub Copilot)를 실제 개발 업무에 활용해본 경험이 있다면, 어떤 방식으로 효과적으로 사용했고, 사용하면서 느낀 한계점은 무엇이었는지 설명해주세요.”
- “머신러닝의 기본적인 개념(예: 지도학습과 비지도학습의 차이, 회귀와 분류 문제의 정의, 주요 알고리즘 한두 가지 예시)에 대해 간략히 설명해주실 수 있나요?”
C. 포트폴리오 프로젝트의 중여성 및 AI 역량 어필 전략
- AI 관련 역량을 효과적으로 어필하기 위해서는 실제 프로젝트 경험을 포트폴리오에 잘 담아내는 것이 매우 중요할 것이다. 단순히 “AI 모델을 사용해봤다”는 수준을 넘어, 어떤 구체적인 문제를 해결하기 위해 AI 기술을 도입했고, 그 과정에서 백엔드 개발자로서 어떤 기술적 고민을 하고 어떤 노력을 통해 문제를 해결했는지를 명확하고 설득력 있게 전달해야 한다는 점은 면접의 기본 중의 기본이리라.
- GitHub 등을 통해 프로젝트 코드와 함께 README 파일을 체계적으로 관리하는 것이 좋다. README에는 프로젝트의 목표, 사용된 AI 기술 및 백엔드 기술 스택, 본인이 담당한 역할과 기여도, 그리고 프로젝트를 통해 얻은 정량적/정성적 성과를 명확히 명시해야 한다. 예를 들어, “AI 챗봇 응답 속도 개선을 위해 Redis 캐싱 전략을 도입하여 평균 응답 시간을 X% 단축” 또는 “사용자 이탈 방지를 위해 AI 기반 개인화 추천 API를 개발하고, A/B 테스트 결과 클릭률 Y% 증가”와 같이 구체적인 수치를 제시하면 더욱 효과적이다.
- AI 관련 기술 면접에서는 “왜 이 AI 기술을 선택했는가?” 그리고 “그 기술 도입을 통해 어떤 실질적인 가치를 창출했는가?” 에 대한 질문이 핵심적으로 나올 수 있다. 기업은 단순히 새로운 기술을 사용해 본 경험이 있는 개발자보다는, 기술을 통해 실제 문제를 해결하고 비즈니스 가치를 만들어낼 수 있는 인재를 선호하기 때문이다. 따라서 AI 기술 선택의 배경과 타당성, 그리고 그로 인해 얻어진 구체적인 효과를 명확하게 설명하는 것이 중요다.
- 또한, 코딩 테스트 외에 CS(Computer Science) 기본 지식에 대한 테스트가 포함될 수 있으며 , 1~3년차 개발자에게 AI 관련 질문은 주로 프로젝트 경험이나 기본 개념 이해 수준에서 출제될 가능성이 높다. AI 모델의 복잡한 수학적 원리나 알고리즘을 직접 구현하는 것을 요구하기보다는, AI 시스템을 구성하는 백엔드 요소(데이터 처리, API 설계, 인프라 구축)에 대한 이해도와 실제 적용 경험을 더 중요하게 평가할 것이다. 물론, CS 기본기는 모든 개발 분야의 바탕이 되므로 꾸준한 학습과 준비가 필요하다.
- 결론적으로, 기술 면접을 준비할 때는 자신이 참여했던 AI 관련 프로젝트의 전체 아키텍처, 데이터 흐름, 사용한 AI 기술의 구체적인 역할, 그리고 프로젝트 진행 과정에서 겪었던 트러블슈팅 경험과 해결 과정을 명확하게 설명할 수 있도록 철저히 준비해야 한다. 더불어 기본적인 머신러닝 용어와 개념, 그리고 자신이 주로 사용하는 백엔드 기술과의 연관성을 깊이 있게 숙지하는 것이 성공적인 면접의 핵심이 될 것이다.

결론

어우 할 것도 많다. 사실 이걸 다 완벽하게 채울 수 있을까? 그럴리가. 시간도 돈도, 능력도 부족한게 사람인데 말이다… 😂 아픈 몸, 해야할 일 들 사이에서 얼마나 죽지 않고 버틸 수 있냐, 그렇게 해서 내 위치를 잡아내냐… 거의 인생 줄타기라는 생각이 새삼 든다.

그럼에도 Docker로 컨테이너화 하여 모듈화 시켜서 완벽하게 동작하는 서버를 볼 때 기분이 좋고, 이런 서비스를 만들어 보면 어떨까? 할 때 내 나름의 두근거림이 있다는 점에서, 역시나 백엔드가 맞았구나 라는 생각을 종종 해왔는데, 정리한 내용을 보면 더더욱 그렇게 느껴지는 것 같다.

Cursor, ContinueAI 를 시작으로 HuggingFace 를 써보고 Ollama를 써보고, 내가 원하는 AI 서비스를 만들어 보고자 노력하고, 그 과정에서 틈틈히 MSA 구축이나, Docker, Jenkins 를 통한 파이프라인 구축의 과정은 다행이도 1년이란 시간, 헛되지 않았음을 보여주는 귀한 경험들이었구나 하는 생각이다

오히려 사수가 없으니, 내마음대로 할 수 있었다고 해야 하려나? ㅋㅋㅋ….

앞으로 더 노력해야지. 이제 현 프로젝트의 대망의 꽃 CICD 구축을 필두로하여 신규 플젝 마무리까지 달려보자.

참고자료

내가 본것 및 AI가 분석을 위해 자동으로 크롤링한 자료들이다