앤지의 나침반
AI포트폴리오프로젝트취업

AI 프로젝트 포트폴리오 만들기 - 채용 담당자가 보는 기준

6분 읽기

AI 공부를 열심히 했는데 포트폴리오가 없다면 취업은 어렵습니다. 자격증이나 수료증보다 실제 프로젝트가 훨씬 강력한 증명입니다. 어떤 프로젝트를 어떻게 만들어야 할까요?

좋은 포트폴리오의 조건

단순 튜토리얼 따라하기는 의미 없다 Kaggle Titanic을 그대로 따라한 프로젝트는 누구나 있습니다. 차별화가 안 됩니다.

채용 담당자가 보는 것은 '이 사람이 스스로 문제를 정의하고 해결할 수 있는가'입니다. 남의 코드를 복사한 것인지, 직접 고민한 것인지는 금방 티가 납니다.

완성도가 높아야 한다 반쯤 만들고 멈춘 프로젝트 10개보다, 제대로 완성한 프로젝트 3개가 낫습니다.

완성도란 README 문서, 코드 주석, 재현 가능한 실험, 결과 분석까지 포함됩니다. 코드만 덩그러니 있으면 안 됩니다.

실용성이 있어야 한다 MNIST 손글씨 인식은 학습용으로는 좋지만, 포트폴리오로는 약합니다. 실제 문제를 푸는 프로젝트여야 합니다.

예를 들어 '지역 부동산 가격 예측', '상품 리뷰 감성 분석', '교통 사고 위험 지역 예측' 같은 현실 데이터를 다루는 것이 좋습니다.

포트폴리오 프로젝트 아이디어

추천 시스템

  • 영화 추천 (MovieLens 데이터)
  • 음악 추천 (Spotify API)
  • 도서 추천 (Yes24 크롤링)

추천 시스템은 실무에서 많이 쓰입니다. 협업 필터링, 콘텐츠 기반 필터링을 모두 구현하고 성능을 비교하세요.

자연어 처리

  • 뉴스 기사 카테고리 분류
  • 가짜 뉴스 탐지
  • 챗봇 (FAQ 자동 응답)
  • 문서 요약

Hugging Face Transformers를 활용하면 최신 모델을 쉽게 적용할 수 있습니다. KoBERT나 KoGPT 같은 한국어 모델을 사용해보세요.

컴퓨터 비전

  • 의류 분류 (Fashion MNIST)
  • 얼굴 인식 출석 시스템
  • 불량품 검출 (제조업 데이터)
  • 교통 표지판 인식

YOLOv8이나 Detectron2를 사용한 Object Detection 프로젝트는 눈에 띕니다.

시계열 예측

  • 주식 가격 예측 (주의: 실제론 매우 어려움)
  • 날씨 예측
  • 수요 예측 (소매업)
  • 에너지 소비 예측

LSTM, GRU, Prophet, ARIMA 등 여러 방법을 비교하고, 왜 특정 모델이 더 좋은지 설명하세요.

MLOps / 배포

  • Flask/FastAPI로 모델 API 만들기
  • Docker로 컨테이너화
  • AWS/GCP에 배포
  • Streamlit으로 데모 웹앱

모델을 만들기만 하는 사람은 많습니다. 배포까지 할 수 있으면 큰 차별화 요소입니다.

깃허브 포트폴리오 구성

README.md 작성법 프로젝트 설명, 사용 기술, 설치 방법, 사용 예시, 결과를 담아야 합니다.

# 프로젝트 제목

## 개요
무엇을 해결하려 했는지, 왜 이 프로젝트를 했는지

## 기술 스택
- Python 3.9
- PyTorch 1.13
- Pandas, NumPy

## 데이터
어떤 데이터를 사용했는지, 전처리 과정

## 모델
어떤 모델을 사용했는지, 하이퍼파라미터

## 결과
Accuracy, F1-score 등 지표
어떤 인사이트를 얻었는지

## 사용법
```bash
pip install -r requirements.txt
python train.py

한계 및 개선 방향

무엇이 아쉬웠는지, 앞으로 어떻게 발전시킬 것인지

코드 구조화 모든 코드를 하나의 .py 파일에 때려넣지 마세요. 기능별로 분리하세요.

project/
├── data/
│   ├── raw/
│   └── processed/
├── notebooks/
│   └── EDA.ipynb
├── src/
│   ├── preprocessing.py
│   ├── model.py
│   ├── train.py
│   └── evaluate.py
├── requirements.txt
└── README.md

커밋 메시지 '수정', '업데이트' 같은 메시지는 피하세요. 무엇을 왜 수정했는지 명확히 쓰세요.

  • 나쁜 예: "update code"
  • 좋은 예: "Add data augmentation to improve model generalization"

이슈와 PR 혼자 하는 프로젝트라도 이슈를 만들고, 브랜치를 따서 PR을 올리는 연습을 하세요. 협업 능력을 보여줍니다.

Kaggle 활용 전략

대회 참여 순위권에 들지 못해도 괜찮습니다. 상위 50% 안에만 들어도 충분히 의미 있습니다.

대회 후기를 블로그에 쓰세요. 어떤 시도를 했고, 무엇이 효과 있었는지 정리하면 포트폴리오가 됩니다.

노트북 공유 EDA 노트북이나 베이스라인 모델을 공유하면 Upvote를 받습니다. 인지도를 쌓는 방법입니다.

티어 올리기 Expert, Master 티어는 이력서에 쓸 수 있는 객관적 지표입니다. 대회보다는 노트북 공유로 티어를 올리기가 쉽습니다.

블로그와 문서화

기술 블로그 운영 프로젝트를 하면서 배운 내용을 블로그에 정리하세요. Velog, Medium, GitHub Pages 모두 좋습니다.

'PyTorch에서 Custom Dataset 만들기', 'BERT Fine-tuning 실전 가이드' 같은 글은 포트폴리오 역할을 합니다.

문서화 습관 코드에 주석을 달고, Docstring을 작성하고, 변수명을 명확히 하세요.

나중에 면접에서 자기 코드를 설명할 때 도움이 됩니다. 6개월 전에 쓴 코드를 본인도 이해 못 하면 곤란합니다.

면접 대비

모든 프로젝트를 설명할 수 있어야 한다 README를 달달 외우라는 게 아니라, 왜 이 방법을 선택했는지, 다른 시도는 없었는지, 결과를 어떻게 해석했는지 설명할 수 있어야 합니다.

한계를 인정하고 개선 방향 제시 완벽한 프로젝트는 없습니다. 오히려 '이 부분이 아쉬웠고, 이렇게 개선하면 좋겠다'고 말하는 것이 더 좋은 인상을 줍니다.

코드 리뷰 준비 면접에서 코드를 함께 보며 질문하는 경우가 많습니다. 특정 함수가 왜 필요한지, 이 하이퍼파라미터를 왜 이렇게 설정했는지 답할 수 있어야 합니다.

실천 가이드

  1. 프로젝트 3개 목표: 각각 다른 영역 (NLP, CV, 테이블 데이터)을 다루세요.

  2. 한 프로젝트당 1-2개월: 빠르게 여러 개보다, 하나를 제대로 완성하세요.

  3. 데이터 직접 수집: 공개 데이터셋만 쓰지 말고, 크롤링이나 API로 데이터를 모으는 경험도 하세요.

  4. 배포까지: 모델 학습만이 아니라 웹앱이나 API로 만들어 실제 사용 가능하게 하세요.

  5. 정기적인 커밋: 매주 최소 2-3회 커밋하세요. 깃허브 잔디를 채우는 것도 포트폴리오입니다.

마무리

포트폴리오는 이력서보다 강력합니다. 학력이나 경력이 부족해도, 좋은 프로젝트가 있으면 면접 기회를 얻을 수 있습니다.

중요한 것은 양이 아니라 질입니다. 튜토리얼 100개보다 진짜 문제를 푼 프로젝트 3개가 낫습니다.

오늘부터 하나씩 시작하세요. 완벽하게 계획하느라 시작을 미루지 마세요.

함께 읽으면 좋은 글

함께 읽으면 좋은 글

목록으로 돌아가기