소프트웨어 엔지니어를 위한 ML 입문서 'There is No Spoon' — 마법이 아니라 수학이에요

머신러닝, 어렵다고 느끼는 건 당연해요

머신러닝(ML)이라는 단어를 들으면 어떤 느낌이 드시나요? "나는 백엔드 개발자니까 그건 데이터 사이언티스트 영역이지"라고 생각하시는 분들 꽤 많을 거예요. 사실 ML 분야는 용어부터가 벽처럼 느껴지거든요. 텐서, 그래디언트, 백프로파게이션, 손실 함수… 처음 접하면 마치 다른 세계의 언어 같죠.

그런데 최근 GitHub에 공개된 'There is No Spoon'이라는 프로젝트가 바로 이 벽을 허물겠다는 목표로 등장했어요. 제목은 영화 매트릭스에서 따온 건데요, "숟가락은 없다"는 유명한 대사처럼 ML의 "마법" 같은 부분도 실은 마법이 아니라는 메시지를 담고 있어요. 소프트웨어 엔지니어가 이미 알고 있는 개념들 — 함수, 루프, 최적화 — 로 ML의 핵심 원리를 설명해주는 입문서라고 보시면 돼요.

기존 ML 교육의 문제점

기존에 ML을 배우려면 보통 두 가지 경로가 있었어요. 하나는 앤드류 응 교수님의 코세라 강의처럼 수학적 기초부터 차근차근 올라가는 학술적 접근이고, 다른 하나는 "TensorFlow로 고양이 분류기 만들기" 같은 실습 위주 접근이에요.

문제는 첫 번째 방식은 선형대수와 미적분에서 많은 분들이 포기하게 되고, 두 번째 방식은 코드를 따라 치긴 했는데 "왜 이렇게 하는 건지" 이해가 안 되는 경우가 많다는 거예요. 특히 소프트웨어 엔지니어들은 프레임워크 사용법은 금방 익히지만, 내부에서 무슨 일이 벌어지는지 감이 안 잡히면 불안해하는 경향이 있거든요. 디버깅을 하려면 결국 원리를 알아야 하니까요.

'There is No Spoon'은 바로 이 간극을 노리고 있어요. 수학을 완전히 빼는 게 아니라, 소프트웨어 엔지니어가 익숙한 사고방식으로 수학적 개념을 재설명해주는 방식이에요.

어떤 내용을 다루나요

이 프로젝트는 ML의 기초 개념들을 소프트웨어 엔지니어링 용어로 풀어서 설명해요. 예를 들어, 뉴럴 네트워크를 설명할 때 "뉴런이 시냅스로 연결되어 있다"는 생물학적 비유 대신, "입력을 받아서 가중치를 곱하고 편향을 더한 뒤 활성화 함수를 통과시키는 함수 체인"이라고 설명하는 식이에요. 프로그래밍에서 함수 합성(function composition)을 이해하고 있다면 이게 훨씬 직관적으로 와닿거든요.

그래디언트 디센트(경사 하강법)도 마찬가지예요. 이게 뭐냐면, 산 꼭대기에서 눈을 감고 가장 가파른 방향으로 한 발씩 내려가는 것과 비슷해요. ML 모델이 학습한다는 건 결국 "오차를 줄이는 방향으로 파라미터를 조금씩 조정한다"는 뜻인데, 이 과정을 코드로 직접 구현해보면서 이해할 수 있도록 구성되어 있어요.

특히 인상적인 부분은 라이브러리 없이 순수하게 기본적인 뉴럴 네트워크를 구현해보는 과정이에요. PyTorch나 TensorFlow 같은 프레임워크가 내부에서 해주는 일들을 직접 코드로 작성해보면, "아, 이게 이런 거였구나" 하는 순간이 오거든요. 마치 웹 프레임워크를 쓰기 전에 HTTP 소켓을 직접 다뤄보는 것과 같은 효과라고 할 수 있어요.

비슷한 리소스들과 비교하면

ML 입문 자료는 이미 넘쳐나는데, 이 프로젝트가 차별화되는 지점이 있어요. 제레미 하워드의 fast.ai는 "탑다운" 방식으로 유명한데, 일단 모델을 돌려보고 나중에 원리를 배우는 접근이에요. 반면 'There is No Spoon'은 원리를 먼저 이해하되, 수학이 아니라 코드로 이해하자는 "엔지니어 퍼스트" 접근이에요.

안드레이 카르파시의 'Neural Networks: Zero to Hero' 유튜브 시리즈도 비슷한 철학을 가지고 있는데요, 카르파시 역시 밑바닥부터 구현하면서 설명하는 스타일이에요. 다만 영상 기반이라 자기 페이스로 학습하기엔 텍스트 기반인 'There is No Spoon'이 더 편할 수 있어요. 코드를 보면서 직접 수정하고 실험해볼 수 있으니까요.

3Blue1Brown의 뉴럴 네트워크 시각화 영상은 직관을 잡기에 탁월하지만, 실제로 코드를 작성하는 단계까지 연결이 안 되는 한계가 있어요. 이 프로젝트는 시각적 직관보다는 "직접 만들어보면서 체득하기"에 초점을 맞추고 있어서, 두 리소스를 병행하면 시너지가 좋을 것 같아요.

한국 개발자에게 주는 시사점

요즘 한국 IT 업계에서도 ML은 선택이 아니라 필수 교양이 되어가고 있어요. 백엔드 개발자도 추천 시스템의 기본 원리를 알아야 API 설계가 수월하고, 프론트엔드 개발자도 on-device ML이 점점 보편화되면서 기초 지식이 필요해지고 있거든요.

특히 LLM(대규모 언어 모델) 시대에 접어들면서 "ML을 쓰는 것"과 "ML을 이해하는 것"의 격차가 점점 벌어지고 있어요. API 호출만으로도 많은 걸 할 수 있지만, 파인튜닝이나 프롬프트 엔지니어링을 제대로 하려면 모델이 내부적으로 어떻게 동작하는지 감이 있어야 해요.

이 프로젝트는 영어로 되어 있지만, 코드 중심이라 언어 장벽이 비교적 낮은 편이에요. 주말에 커피 한 잔 놓고 따라가기에 딱 좋은 분량이고, 결과적으로 "ML은 마법이 아니라 최적화 문제"라는 핵심 통찰을 얻을 수 있어요.