Cursor·Claude Code·Copilot 3종을 LightGBM 사이클에 묶어 ETL 시간 3일→6시간 만든 인턴 경험
약 90초
도구 3종(4단계 매칭) → 기여(LightGBM 사이클 단축) → 문제 해결(컨벤션 컨텍스트) → 동향
인턴 4개월 동안 AI 모델 개발 라이프사이클에 코딩 에이전트 3종(Cursor·Claude Code·GitHub Copilot)을 함께 묶어 본 결이 있습니다.
코딩 에이전트 활용 경험 쪽으로는, 본인이 손에 익힌 결은 '데이터 전처리·모델 학습 코드·실험 추적·문서화' 4단계에 각각 다른 도구를 매칭하는 방식이었습니다. Cursor는 멀티파일 리팩터링·테스트 작성, Claude Code는 모델 학습 스크립트·하이퍼파라미터 튜닝, Copilot은 IDE 내부의 inline 자동완성에 강한 결이었습니다.
AI 모델 개발 기여 쪽으로는, 본인이 끌고 간 '알람 노이즈 분류 LightGBM 모델' 사이클에서 사용한 결을 풀면, '데이터 ETL 코드 작성 시간 3일 → 6시간·실험 코드 한 변형 만드는 데 평균 25분 → 5분·튜닝 사이클 7일 → 2일'로 줄었습니다.
문제 해결 쪽으로는, 가장 큰 도전은 '에이전트가 만든 코드의 결이 사내 컨벤션과 어긋난 자리'였습니다. 그 결을 해결한 방법은 '사내 컨벤션을 한 페이지 .cursorrules·CLAUDE.md로 정리해 에이전트에 사전 컨텍스트로 주는 결'이었습니다.
AI 최신 동향 쪽으로는, '코딩 에이전트의 결이 단발성 자동완성 → 멀티스텝 작업 자동화 → 자체 검증 결로 옮겨가는 결'이 가장 또렷한 자리라고 봅니다. 본 회사에서도 이 결을 모델 개발 호흡에 그대로 가져갈 수 있다고 봅니다.
이 결의 특징
AI 도구 3종을 직렬 파이프라인의 각 단계에 할당하고, 사내 컨벤션 페이지 하나로 도구의 산출물을 통일한 접근이 특징입니다. 생산성 수치로 구체화합니다.
이 결이 통하는 자리
AI·ML 팀이 신도구 도입의 효과 증명을 필요로 하는 조직에서 높이 평가됩니다. 기술 채택 초기 단계에서 팀의 일관성을 챙기는 엔지니어상을 선호하는 선발팀이 주목합니다.