Upload views/career.py with huggingface_hub

views/career.py

@@ -0,0 +1,281 @@
+"""Career page: AI Researcher vs Engineer analysis."""
+import streamlit as st
+import plotly.graph_objects as go
+import plotly.express as px
+import pandas as pd
+
+
+def show():
+    st.title("AI 직무 분석")
+    st.markdown("AI Researcher와 AI Engineer, 두 커리어 경로를 비교하고 자신에게 맞는 방향을 찾아보세요.")
+
+    # ── 핵심 비교 테이블 ──
+    st.subheader("핵심 역할 비교")
+    compare_data = {
+        "구분": ["한 줄 정의", "주요 산출물", "시간 지평", "성과 측정", "실패 허용도", "학력 요건", "진입 난이도"],
+        "AI Researcher": [
+            "새로운 지식을 창출한다",
+            "논문, 특허, 새 알고리즘",
+            "6개월~수 년 (장기 연구)",
+            "논문 인용 수, SOTA 달성",
+            "높음 (연구적 탐색)",
+            "박사 거의 필수",
+            "★★★★★",
+        ],
+        "AI Engineer": [
+            "AI를 제품에 녹여낸다",
+            "서비스, API, 파이프라인",
+            "수 주~수 개월 (제품 중심)",
+            "지연시간, 처리량, 사용자 지표",
+            "낮음 (프로덕션 안정성)",
+            "학부 졸업 후 진입 가능",
+            "★★★☆☆",
+        ],
+    }
+    df_compare = pd.DataFrame(compare_data).set_index("구분")
+    st.dataframe(df_compare, use_container_width=True)
+
+    st.markdown("---")
+
+    # ── 탭별 상세 ──
+    tab_r, tab_e, tab_jd, tab_choice = st.tabs(
+        ["Researcher 상세", "Engineer 상세", "JD 변화 (2014→2024)", "선택 기준"]
+    )
+
+    with tab_r:
+        st.subheader("AI Researcher")
+
+        col1, col2 = st.columns(2)
+        with col1:
+            st.markdown("#### 핵심 역할")
+            roles = [
+                "문헌 조사 — arXiv, NeurIPS, ICML, ICLR 지속 추적",
+                "가설 설정 & 실험 설계",
+                "새로운 아키텍처 / 학습 기법 연구",
+                "논문 작성 & 국제 학회 발표",
+                "재현성 검증 (통계적 유의성)",
+            ]
+            for r in roles:
+                st.markdown(f"- {r}")
+
+        with col2:
+            st.markdown("#### 요구 역량 수준")
+            skills = {
+                "수학 (선형대수/확률/미적분)": 5,
+                "ML 이론": 5,
+                "딥러닝 아키텍처": 5,
+                "Python/PyTorch": 4,
+                "논문 읽기 (영어)": 5,
+                "실험 관리": 3,
+                "MLOps/클라우드": 2,
+            }
+            fig = go.Figure(go.Bar(
+                x=list(skills.values()),
+                y=list(skills.keys()),
+                orientation='h',
+                marker_color='#3498db',
+                text=[f"{'★' * v}{'☆' * (5-v)}" for v in skills.values()],
+                textposition='outside',
+            ))
+            fig.update_layout(xaxis=dict(range=[0, 6], showticklabels=False),
+                               height=280, margin=dict(t=10, b=10))
+            st.plotly_chart(fig, use_container_width=True)
+
+        st.markdown("#### 커리어 패스")
+        st.markdown("""
+```
+학부 연구생 (인턴)
+    ↓
+석사 과정 / 석사 인턴십
+    ↓
+박사 과정 (일반적으로 필수)
+    ↓
+포닥 or 리서치 인턴 (Google DeepMind, OpenAI, Anthropic 등)
+    ↓
+Research Scientist
+    ↓
+Senior Research Scientist
+    ↓
+Principal Researcher / Research Director
+```
+""")
+        st.warning("상위 AI 연구소(OpenAI, Google DeepMind, Anthropic)는 대부분 **박사 학위** 요구.")
+
+    with tab_e:
+        st.subheader("AI Engineer")
+
+        col1, col2 = st.columns(2)
+        with col1:
+            st.markdown("#### 핵심 역할")
+            roles = [
+                "모델 선택 및 파인튜닝",
+                "MLOps 파이프라인 구축",
+                "모델 최적화 (양자화, ONNX)",
+                "서빙 인프라 (REST API, gRPC)",
+                "모니터링 — 성능 드리프트 감지",
+            ]
+            for r in roles:
+                st.markdown(f"- {r}")
+
+        with col2:
+            st.markdown("#### 요구 역량 수준")
+            skills = {
+                "Python (프로덕션 수준)": 5,
+                "ML/DL 이해 (사용 수준)": 3,
+                "MLOps (Airflow, Kubeflow)": 4,
+                "클라우드 (AWS/GCP)": 4,
+                "Docker/Kubernetes": 4,
+                "API 개발 (FastAPI)": 4,
+                "수학": 2,
+            }
+            fig = go.Figure(go.Bar(
+                x=list(skills.values()),
+                y=list(skills.keys()),
+                orientation='h',
+                marker_color='#2ecc71',
+                text=[f"{'★' * v}{'☆' * (5-v)}" for v in skills.values()],
+                textposition='outside',
+            ))
+            fig.update_layout(xaxis=dict(range=[0, 6], showticklabels=False),
+                               height=280, margin=dict(t=10, b=10))
+            st.plotly_chart(fig, use_container_width=True)
+
+        st.markdown("#### 커리어 패스")
+        st.markdown("""
+```
+소프트웨어 엔지니어 (Python/백엔드)
+  또는 데이터 분석가/사이언티스트
+    ↓
+ML Engineer (주니어)
+    ↓
+ML Engineer (시니어)
+    ↓
+Staff ML Engineer / ML Platform Engineer
+    ↓
+Principal Engineer / ML Architect / Director of ML
+```
+""")
+        st.success("**학부 졸업 후 진입 가능!** 부트캠프 + 포트폴리오로 1~2년 내 취업 사례 다수.")
+
+    with tab_jd:
+        st.subheader("JD 변화: 2014 → 2024")
+
+        # Researcher JD
+        st.markdown("#### AI Researcher")
+        jd_r = pd.DataFrame({
+            "요구사항": ["학력", "주력 기술", "프레임워크", "논문 기대량", "GPU 경험", "LLM 관련"],
+            "2014년": ["박사 필수", "SVM, Random Forest, 베이즈", "Theano, Caffe, Matlab",
+                      "1~2편 이상", "우대", "언급 없음"],
+            "2024년": ["박사 거의 필수 (석사+실적 인정 일부)", "Transformer, LLM, Diffusion, RLHF",
+                      "PyTorch (표준), JAX", "3편 이상 (1저자 우대)",
+                      "수천 GPU 학습 경험 필수", "RLHF, RAG, Alignment 이해"],
+        })
+        st.dataframe(jd_r.set_index("요구사항"), use_container_width=True)
+
+        st.markdown("#### AI Engineer")
+        jd_e = pd.DataFrame({
+            "요구사항": ["직무 명칭", "주력 업무", "데이터", "배포", "모니터링", "LLM"],
+            "2014년": ["Data Scientist, ML Scientist", "모델 학습, 피처 엔지니어링",
+                      "Hadoop, Hive, MapReduce", "수동 배포, 스크립트",
+                      "거의 없음", "언급 없음"],
+            "2024년": ["ML Engineer, AI Engineer, MLOps Engineer",
+                      "LLM 파인튜닝, RAG 파이프라인, 모델 서빙",
+                      "Spark, dbt, 데이터 레이크하우스", "CI/CD, Kubernetes, GitOps",
+                      "MLflow, Grafana, 피처 스토어 필수",
+                      "OpenAI/Anthropic API, HuggingFace 활용"],
+        })
+        st.dataframe(jd_e.set_index("요구사항"), use_container_width=True)
+
+        # Skill change visualization
+        st.markdown("#### 2024년 새로 생긴 필수 스킬")
+        new_skills = {
+            "LLM 파인튜닝 (LoRA/QLoRA)": 95,
+            "Vector Database": 88,
+            "RAG 구현": 90,
+            "LLM 평가/벤치마킹": 75,
+            "AI 안전성/Alignment": 70,
+            "에이전트 프레임워크": 80,
+            "프롬프트 최적화": 85,
+        }
+        fig = px.bar(
+            x=list(new_skills.values()),
+            y=list(new_skills.keys()),
+            orientation='h',
+            labels={'x': '수요 지수 (2024)', 'y': '스킬'},
+            title='2024년 신규 요구 역량 수요 지수',
+            color=list(new_skills.values()),
+            color_continuous_scale='YlOrRd',
+        )
+        fig.update_layout(coloraxis_showscale=False)
+        st.plotly_chart(fig, use_container_width=True)
+
+        st.markdown("#### 사라진 스킬")
+        gone = ["Hadoop MapReduce / Hive", "R 언어", "MATLAB", "전통 NLP (TF-IDF, n-gram)", "HMM"]
+        for g in gone:
+            st.markdown(f"- ~~{g}~~")
+
+    with tab_choice:
+        st.subheader("나는 어떤 트랙이 맞을까?")
+        st.markdown("아래 질문에 솔직하게 답해보세요.")
+
+        score = 0
+
+        q1 = st.radio(
+            "1. 새로운 알고리즘을 *왜* 작동하는지 파고드는 것이 좋다.",
+            ["매우 그렇다 (+2)", "그렇다 (+1)", "모르겠다 (0)", "아니다 (-1)", "전혀 아니다 (-2)"],
+        )
+        score += {"매우 그렇다 (+2)": 2, "그렇다 (+1)": 1, "모르겠다 (0)": 0,
+                  "아니다 (-1)": -1, "전혀 아니다 (-2)": -2}[q1]
+
+        q2 = st.radio(
+            "2. 실제 서비스에 AI를 올려 사람들이 쓰는 것을 보는 것이 좋다.",
+            ["매우 그렇다 (-2)", "그렇다 (-1)", "모르겠다 (0)", "아니다 (+1)", "전혀 아니다 (+2)"],
+        )
+        score += {"매우 그렇다 (-2)": -2, "그렇다 (-1)": -1, "모르겠다 (0)": 0,
+                  "아니다 (+1)": 1, "전혀 아니다 (+2)": 2}[q2]
+
+        q3 = st.radio(
+            "3. 박사 과정(4~6년)을 감수할 의향이 있다.",
+            ["그렇다 (+3)", "고려 중 (+1)", "아니다 (-2)"],
+        )
+        score += {"그렇다 (+3)": 3, "고려 중 (+1)": 1, "아니다 (-2)": -2}[q3]
+
+        q4 = st.radio(
+            "4. 빠른 성과(1~2년 내 취업)를 원한다.",
+            ["그렇다 (-2)", "보통 (0)", "아니다 (+1)"],
+        )
+        score += {"그렇다 (-2)": -2, "보통 (0)": 0, "아니다 (+1)": 1}[q4]
+
+        q5 = st.radio(
+            "5. 수학(미적분, 선형대수, 통계)이 재미있��.",
+            ["매우 재밌다 (+2)", "그런 편 (+1)", "보통 (0)", "어렵고 싫다 (-2)"],
+        )
+        score += {"매우 재밌다 (+2)": 2, "그런 편 (+1)": 1, "보통 (0)": 0, "어렵고 싫다 (-2)": -2}[q5]
+
+        st.markdown("---")
+        if st.button("결과 보기", use_container_width=True):
+            if score >= 4:
+                st.success(f"""
+**점수: {score}점 → AI Researcher 지향**
+
+수학과 이론에 대한 깊은 관심, 장기 연구에 대한 각오가 있습니다.
+대학원 진학을 목표로 기초 수학과 논문 읽기를 지금 시작하세요.
+""")
+            elif score <= -2:
+                st.info(f"""
+**점수: {score}점 → AI Engineer 지향**
+
+빠른 성과와 실용적인 제품 개발에 더 맞는 성향입니다.
+포트폴리오 프로젝트를 쌓으며 MLOps 스킬을 익히세요.
+""")
+            else:
+                st.warning(f"""
+**점수: {score}점 → 아직 탐색 중**
+
+Engineer 트랙으로 먼저 시작하는 것을 권장합니다.
+실제 프로젝트를 통해 흥미를 확인한 뒤 방향을 결정하세요.
+""")
+
+            st.markdown("> **입문자 조언**: 처음에는 **Engineer 트랙**으로 시작하세요. "
+                        "취업까지 기간이 짧고, 학위 장벽이 낮습니다. "
+                        "Researcher로의 전환은 현장 경험 후에도 가능합니다.")