코드를 거의 작성하지 않고 3주 만에 DL 모델 만들기

AI 에이전트를 활용하면 학습 코드, 평가 코드, 데이터 생성 스크립트를 직접 타이핑하지 않고도 검색용 DL 모델을 개발할 수 있다. 개발자는 에이전트가 만든 명령을 검토한 뒤 직접 실행하고, 서버 로그 원문을 다시 전달해 원인 분석과 수정안을 받는 방식으로 작업했다.

서버 접근 권한은 사람에게만 두고, 반복 작업은 스크립트로 고정했다. 세션과 학습을 분리하고 체크포인트, 메모리 감시견, 본 실행 전 20스텝 리허설을 적용해 GPU 서버 한 대에서 3시간씩 걸리는 학습을 안정적으로 반복했다.

성능을 막은 핵심 원인은 모델 구조가 아니라 데이터였다. 같은 항목이 정답과 오답으로 동시에 표시된 모순을 제거했고, 실제 로그에 부족했던 검색 유형은 LLM 합성 데이터로 보완했다.

• 유형 정의 → 대량 생성 → 검수 → 필터링·재생성
• 학습 중에는 논문을 읽고 손실 함수와 수식을 에이전트로 보충 학습
• Paper2Code와 academic-research-skills 같은 도구로 논문 조사와 구현을 자동화

개발자가 맡은 일은 무엇을 만들지 정하고, 이상한 결과를 의심하며, 재현성을 해칠 수 있는 코드 변경을 제한하는 것이었다. 새 모델이나 도구를 도입할 때는 기준 수치를 고정한 회귀 테스트를 먼저 실행해 실험 변화와 도구 변화의 영향을 구분했다.

마크다운 문서는 에이전트가 위키에 바로 올리도록 자동화했다. 핵심은 코드를 덜 쓰는 것 자체가 아니라, 환경 설정부터 검증과 문서화까지 실험 루프를 빠르게 반복하고 자신이 모르는 부분을 AI와 함께 메우는 데 있다.