|
|
|
|
|
 |
E1의 AI 엔지니어 AX 직무에 지원한 이유는 무엇입니까
E1에서 AI를 활용해 가장 먼저 개선하고 싶은 업무는 무엇입니까
이 전 회사에서 AI 프로젝트를 실제 운영 단계까지 연결한 경험이 있습니까
현업이 원하지 않는 AI를 만들지 않기 위해 어떤 방식으로 일 하십니까
저는 데이터 품질이 나쁜 환경일수록 AI 엔지니어가 더 사업적으로 사고해야 한다고 봅니다.
저는 이런 회사에서 AI 엔지니어가 기술만 알아서는 안 된다고 생각합니다.
저는 데이터를 업무 변화로 연결하는 AI 엔지니어입니다.
E1은 데이터 기반의사결정, 업무 자동화, 스마트플랜트, AI·RPA·BI 결합을 통해 디지털 전환을 가속하고 있는 회사라고 이해하고 있습니다.
|
|
|
 |
E1의 AI 엔지니어 AX 직무에 지원한 이유는 무엇입니까
실패했던 AI 프로젝트 경험과 그 경험에서 배운 점은 무엇입니까
우리 회사가 꼭 지원자여야 하는 이유는 무엇입니까
이 전 회사에서도 다하지 못한 일을 E1에서 할 수 있다고 보는 이유는 무엇입니까
저는 경력 동안 예측 모델을 만드는 것보다 그 모델이 현장의사결정에 반영되도록 만드는 일을 더 중요하게 생각해왔고, E1의 스마트플랜트와 업무혁신 방향은 제 경험을 가장 실용적으로 투입할 수 있는 환경이라고 봤습니다.
그래서 저는 E1의 AI 엔지니어 AX 직무를 '모델 개발자'가 아니라 '업무체계를 바꾸는 엔지니어'의 역할로 이해하고 지원했습니다.
제가 가장 먼저 보고 싶은 영역은 설비 운영과 현업의사결정이 만나는 지점입니다.
당시에는 운영부서가 사용하는 설비 상태 데이터와 정비 이력이 여러 시스템에 흩어져 있었고, 초기에는 모델보다 데이터 정합성 이슈가 훨씬 더 컸습니다.
제가 가장 경계하는 것은 기술팀이 문제를 정의하고 현업에게 결과만 설명하는 방식입니다.
예를 들어 설비 데이터 누락이 많다면 "모델 정확도가 낮아진다"가 아니라 "정비 우선순위가 흔들려 현업이 모델을 사용하지 않게 된다"로 설명합니다.
저는 데이터 품질이 나쁜 환경일수록 AI 엔지니어가 더 사업적으로 사고해야 한다고 봅니다.
저는 생성형 AI와 예측형 AI를 경쟁 기술로 보지 않고, 서로 다른 문제를 담당하는 도구로 봅니다.
예측형 AI는 수치 데이터 기반으로 미래 상태를 추정하거나 분류하는데 강합니다.
이 구조에서는 예측형 AI와 생성형 AI를 나눠서 설계하는 것이 오히려 자연스럽습니다.
예측형 AI는 설비와 운영 데이터에서 이상 신호를 찾고, 생성형 AI는 그 결과를 현업이 이해하고 바로 활용할 수 있게 설명하고 연결하는 역할을 맡을 수 있습니다.
예를 들어 예측형 모델이 특정 설비의 고장 가능성을 높게 판단했다면, 생성형 AI는 과거 유사 사례, 점검이력, 매뉴얼, 정비 체크리스트를 종합해 "지금 무엇을 먼저 확인해야 하는지"를 자연어로 제시할 수 있습니다.
정확도보다 더 중요한 것은 업무 적용성입니다.
문제는 갈등이 감정으로 흐르느냐, 기준으로 정리되느냐입니다.
현업은 보통"실제로 도움이 안 될까봐"를 걱정하고, 개발은 "운영 리스크가 커질까봐"를 걱정합니다.
AI 도입 효과는 기술지표와 사업지표를 분리해서 봐야 합니다.
실무에서 전문성은 혼자 많이 아는 것이 아니라, 조직의 성과로 전환되는 지식을 만드는 능력이라고 생각하기 때문입니다.
스마트플랜트 관련 데이터와 사무자동화 과제를 동시에 살펴보되, 반드시 "6개월 안에 작은 성공을 만들 수 있는 과제"를 선별하겠습니 다.
예를 들어 반복 리포트 자동화나 사내 지식 검색고도화 같은 과제와, 설비 이상 탐지 보조나 정비추천 같은 과제를 병행하는 방식입니다.
저는 이런 회사에서 AI 엔지니어가 기술만 알아서는 안 된다고 생각합니다.
기술적 깊이는 기본이고, 에너지산업의 운영구조와 사업방향을 함께 이해해야 진짜 AX가 가능합니다.
이런 환경에서는 기술 데모를 잘하는 사람보다 현업 문제를 구조화하고, 데이터와 시스템을 연결하고, 작은 성공을 반복 가능한 체계로 바꾸는 사람이 필요하다고 생각합니다.
저는 이런 구조에서 AI가 오래 살아남는다고 봅니다.
그리고 협조가 부족하다는 것은 대개 세 가지 중 하나입니다.
제단점은 초기 단계에서 문제를 너무 구조적으로 보려는 경향이 있다는 점입니다.
경력직에게 중요한 것은 단점이 없다는 말이 아니라, 단점이 성과를 해치지 않도록 관리하고 있다는 점이라고 생각합니다. |
 |
ai, 데이터, 업, e, 만들다, 업무, 운영, 모델, 이다, 보다, 기술, 자동화, 정비, 설비, 의사결정, 예측, 기반, 더, 생각, 은 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2026.04.09
13페이지
