데이터사이언스란 데이터를 공부하여 실생활에 적용하는 학문을 의미한다. 이렇게 설명하면 이해하기 어려울 수 있다. 아래 그림은 Shelly Palmer가 만든 벤다이어그림이다. 2015년에 만든 그림이지만, 데이터사이언스를 명확하게 설명하고 있다. 데이터사이언스는 도메인 지식(DOMAIN EXPERTISE: 각 분야의 전문 지식), 컴퓨터과학(COMPUTER SCIENCE)과 수학(MATHEMATICS)이 함께 어우러져 만든 영역을 의미한다. 특정 분야에 전문성을 가지고 있어야 하고, 수학/통계도 잘해야 되고, 컴퓨터도 잘해야 된다. 너무 완벽한 인간이어야 한다. 그런데 이것은 거꾸로, 전문적 지식도 어설프게 알고 있고, 수학도 어설프고, 컴퓨터도 어설픈 사람이 될 수도 있다.
최근에는 Shelly Palmer의 그림에 커뮤니케이션스킬이 중요한 요소로 추가된다. 데이터사이언스는 모든 도메인(산업) 영역에 적용되고 있으나 데이터사이언티스들이 모든 분야에 대해 알 수가 없다. 데이터사이언티스트들은 각 분야의 전문가들과 의사소통을 잘 할 수 있는 사람이 되어야 한다.
다양한 산업과 실생활에 데이터사이언스를 잘 적용하기 위해서는 업이 대한 이해가 반드시 필요하다. 어쩌면 데이터사이언스의 컴퓨터 관련 기술보다 업에 대한 이해가 더 중요할 수 있다. 각 업에 대해 잘 이해하여 필요를 정확히 도출할 때, 이에 적합한 기술을 잘 적용할 수 있다. 데이터사이언티스트들이 다양한 분야의 지식을 가지고 있으면 좋지만, 사실상 현실적으로 불가능하다. 이런 점에서 데이터사이언스 분야는 모호한 분야이기도 하고, 또 한편으로는 진짜 모든 것을 갖춘 사람이 할 수 있는 분야라고 생각할 수 있다. 그러나 분명한 것은 우리는 모든 것을 갖출 수 없기에 협업 스킬과 유연한 사고가 반드시 필요하다.
그렇다면, 어떻게 교육을 해야 할까?
우리는 최신 기술로 꽉 짜여진 교육과정이 좋은 교육이라고 생각하기 쉽다. 그러나 현실은 다른 경우가 많다. 모두에게 똑같이 일괄적으로 교육을 제공하는 것보다 인터렉션과 피드백을 통해서 맞춤 교육을 할 때 더 좋은 효과가 나타난다. 사람마다 시작 지점과 환경이 다르기 때문이다. 사전 지식와 해당 교육의 필요성이 다르기 때문이다.
목표와 상황에 따라 유동적으로 커리큘럼을 만들고 이를 긴밀하게 연결하면서 학습하는 것이 필요하다. 즉 유연한 접근에 기반한 경험적 학습이 필요한 시대이다. 최신 기술 및 데이터사이언스의 이론들을 모두 배우는 것보다 상황과 필요에 따라 해당 교육을 심도있게 학습할 때 효과가 더 좋다. 섬세하면서도 유연한 교육이 필요하다.
전통적인 교육은 무엇가를 일괄적으로 배우고 그것을 기반으로 결과를 도출한다. 과정마다 학습자의 고민이 깊이 있게 반영되기 보다는 주어진 트랙을 열심히 달리기만 하면 되었고, 기술적 스택을 모두 익히면서 교육이 끝나 버리곤 했다. 그러나 우리가 가장 많이 성장할 때는 언제인지 생각해 보면, ”무엇을 만들까? 어떻게 하면 해당 문제를 풀 수 있을까?“ 스스로 고민하면서 방법을 찾고 그것을 풀어낼 때이다.
데이터사이언스 교육도 마찬가지이다. 디지털 시대가 되면서 다양한 목적을 가지고 실시간으로 많은 데이터가 생성되고 있다. 문제에 따라 다른 해법이 필요하고, 다른 데이터가 이용된다. 하나의 정답이 주어지는 시대가 아니다. 정답이 없는 문제나 현상에 대해 스스로 고민하고 동료들과 그 고민을 나누고 그것에 대해서 피드백을 받고, 피드백을 통해 문제를 해결해가는 교육법이 필요한 시대이다. 명강사의 강의나 특강 한 번 보다 스스로 생각하는 사고력을 기르는 교육이 필요하다. 이런 유연한 사고를 기반으로 문제 해결능력을 기르는 교육을 통해 기술적 인풋을 실제 활용도 높은 가치있는 아웃풋으로 만들어 낼 수 있을 것으로 기대한다.
데이터사이언스란 데이터를 공부하여 실생활에 적용하는 학문을 의미한다. 이렇게 설명하면 이해하기 어려울 수 있다. 아래 그림은 Shelly Palmer가 만든 벤다이어그림이다. 2015년에 만든 그림이지만, 데이터사이언스를 명확하게 설명하고 있다. 데이터사이언스는 도메인 지식(DOMAIN EXPERTISE: 각 분야의 전문 지식), 컴퓨터과학(COMPUTER SCIENCE)과 수학(MATHEMATICS)이 함께 어우러져 만든 영역을 의미한다. 특정 분야에 전문성을 가지고 있어야 하고, 수학/통계도 잘해야 되고, 컴퓨터도 잘해야 된다. 너무 완벽한 인간이어야 한다. 그런데 이것은 거꾸로, 전문적 지식도 어설프게 알고 있고, 수학도 어설프고, 컴퓨터도 어설픈 사람이 될 수도 있다.
최근에는 Shelly Palmer의 그림에 커뮤니케이션스킬이 중요한 요소로 추가된다. 데이터사이언스는 모든 도메인(산업) 영역에 적용되고 있으나 데이터사이언티스들이 모든 분야에 대해 알 수가 없다. 데이터사이언티스트들은 각 분야의 전문가들과 의사소통을 잘 할 수 있는 사람이 되어야 한다.
다양한 산업과 실생활에 데이터사이언스를 잘 적용하기 위해서는 업이 대한 이해가 반드시 필요하다. 어쩌면 데이터사이언스의 컴퓨터 관련 기술보다 업에 대한 이해가 더 중요할 수 있다. 각 업에 대해 잘 이해하여 필요를 정확히 도출할 때, 이에 적합한 기술을 잘 적용할 수 있다. 데이터사이언티스트들이 다양한 분야의 지식을 가지고 있으면 좋지만, 사실상 현실적으로 불가능하다. 이런 점에서 데이터사이언스 분야는 모호한 분야이기도 하고, 또 한편으로는 진짜 모든 것을 갖춘 사람이 할 수 있는 분야라고 생각할 수 있다. 그러나 분명한 것은 우리는 모든 것을 갖출 수 없기에 협업 스킬과 유연한 사고가 반드시 필요하다.
그렇다면, 어떻게 교육을 해야 할까?
우리는 최신 기술로 꽉 짜여진 교육과정이 좋은 교육이라고 생각하기 쉽다. 그러나 현실은 다른 경우가 많다. 모두에게 똑같이 일괄적으로 교육을 제공하는 것보다 인터렉션과 피드백을 통해서 맞춤 교육을 할 때 더 좋은 효과가 나타난다. 사람마다 시작 지점과 환경이 다르기 때문이다. 사전 지식와 해당 교육의 필요성이 다르기 때문이다.
목표와 상황에 따라 유동적으로 커리큘럼을 만들고 이를 긴밀하게 연결하면서 학습하는 것이 필요하다. 즉 유연한 접근에 기반한 경험적 학습이 필요한 시대이다. 최신 기술 및 데이터사이언스의 이론들을 모두 배우는 것보다 상황과 필요에 따라 해당 교육을 심도있게 학습할 때 효과가 더 좋다. 섬세하면서도 유연한 교육이 필요하다.
전통적인 교육은 무엇가를 일괄적으로 배우고 그것을 기반으로 결과를 도출한다. 과정마다 학습자의 고민이 깊이 있게 반영되기 보다는 주어진 트랙을 열심히 달리기만 하면 되었고, 기술적 스택을 모두 익히면서 교육이 끝나 버리곤 했다. 그러나 우리가 가장 많이 성장할 때는 언제인지 생각해 보면, ”무엇을 만들까? 어떻게 하면 해당 문제를 풀 수 있을까?“ 스스로 고민하면서 방법을 찾고 그것을 풀어낼 때이다.
데이터사이언스 교육도 마찬가지이다. 디지털 시대가 되면서 다양한 목적을 가지고 실시간으로 많은 데이터가 생성되고 있다. 문제에 따라 다른 해법이 필요하고, 다른 데이터가 이용된다. 하나의 정답이 주어지는 시대가 아니다. 정답이 없는 문제나 현상에 대해 스스로 고민하고 동료들과 그 고민을 나누고 그것에 대해서 피드백을 받고, 피드백을 통해 문제를 해결해가는 교육법이 필요한 시대이다. 명강사의 강의나 특강 한 번 보다 스스로 생각하는 사고력을 기르는 교육이 필요하다. 이런 유연한 사고를 기반으로 문제 해결능력을 기르는 교육을 통해 기술적 인풋을 실제 활용도 높은 가치있는 아웃풋으로 만들어 낼 수 있을 것으로 기대한다.