영화2011
머니볼
베넷 밀러(감독); 마이클 루이스의 2003년 저서 원작오클랜드 애슬레틱스의 빌리 빈과 애널리스트 폴 디포데스타가 빌 제임스의 세이버메트릭스를 바탕으로 통계 분석을 활용해, 야구계에서 가장 적은 예산으로 경쟁력 있는 팀을 꾸리는 과정을 그린다.
대중문화는 통계학자를 건너뛰고 곧장 더 극적인 인물 — 퀀트나 알고리즘 — 로 향했다. 데이터 과학자의 대중적 이미지는 실제 데이터 과학자가 매일 하는 일보다 머니볼의 야구 분석가나 빅 쇼트의 위기 예측 퀀트에서 훨씬 더 많은 영향을 받았다.
업계 내부의 문화는 경쟁적인 공개 벤치마크, 태연한 통계 유머, 그리고 '모델의 한계에 솔직하라'는 원칙을 일상적 업무 습관으로 바꿔놓은 문서 양식 — 모델 카드 — 을 중심으로 돌아간다.
역사 속 사회적 위상
시대별로 이 직업이 지녔던 위상을 0–100 척도로 나타냈다.
1660년대~1899년1900년대~1930년대1950년대~1980년대2001~2011년2012년~현재
1660년대~1899년
초기 통계 작업은 대부분 사무원, 아마추어 개혁가, 나이팅게일 같은 독학 외부인들이 수행했다. 유용했고 때로는 영향력도 있었지만, 그 자체로는 좀처럼 권위 있는 일로 여겨지지 않았다.
1900년대~1930년대
피어슨, 피셔, 고셋은 통계학을 자체 학술지와 대학 학과를 갖춘 학문 분야로 전문화시켰고, 학계에서는 존중받았지만 대중에게는 여전히 거의 알려지지 않았다.
1950년대~1980년대
메인프레임 컴퓨팅이 확산되면서 '데이터 처리' 직원과 통계학자는 필수적이지만 화려하지 않은 기업 후방 지원 인력으로 여겨졌고, 경영진 의사결정에는 거의 등장하지 않았다.
2001~2011년
클리블랜드의 2001년 학술적 제안은 대중의 주목을 거의 받지 못했지만, 넷플릭스의 2006~2009년 백만 달러 추천 알고리즘 대회와 2008년 링크드인·페이스북에서의 '데이터 과학자' 명명은 기술 업계 내부에서 관심을 끌기 시작했다.
2012년~현재
2012년 10월 하버드 비즈니스 리뷰의 '가장 섹시한 직업' 프레이밍은 채용과 위상의 붐을 촉발했다. 2020년대에 이르러 이 직함은 더 전문화된 역할들로 쪼개지며 예전의 독보적 광채를 다소 잃었지만, 보수와 수요는 여전히 강하다.
영화·책·예술 속 모습
영화2015
빅 쇼트
애덤 매케이(감독); 마이클 루이스의 저서 원작모기지 시장 데이터를 깊이 파고들어 거의 누구도 믿지 않던 시점에 2008년 금융위기를 예측한 소수의 분석가들을 다룬다.
TV 시리즈2005~2010
넘버스
니콜라스 팔라치, 셰릴 휴턴(제작)수학자가 FBI 요원인 형제를 도와 통계 분석과 패턴 인식으로 범죄를 해결하며, 미국 주류 TV 시청자들에게 응용 수학을 수사 도구로 소개했다.
TV 시리즈2011~현재
블랙 미러
찰리 브루커(제작)이 영국 옴니버스 시리즈는 데이터 프로파일링과 예측 점수 매기기가 불안한 극단으로 치닫는 모습을 반복해서 그리며, 2016년 에피소드 '급강하'에서 가장 직접적으로 드러나 알고리즘에 의한 사람 등급화에 대한 대중적 불안을 형성했다.
영화2016
히든 피겨스
시어도어 멜피(감독); 마곳 리 셰털리의 저서 원작전자식 컴퓨터가 그 일을 넘겨받기 전, 손 계산으로 1962년 머큐리 궤도 임무를 뒷받침한 흑인 여성 수학자 캐서린 존슨, 도로시 본, 메리 잭슨의 실화를 그린다.
다큐멘터리2020
코디드 바이어스
샬리니 칸타야(감독)MIT 연구원 조이 부올람위니가 안면인식 시스템이 피부색이 어두운 얼굴을 훨씬 더 자주 오인식한다는 사실을 발견하는 과정을 좇으며, 하나의 기술적 데이터 편향 발견을 알고리즘 공정성에 대한 광범위한 대중적 성찰로 확장시킨다.
속담과 관용구
의례, 상징, 복장
캐글 리더보드 대격변
2010년 출범한 캐글이 주최하는 공개 머신러닝 경진대회는 대회 기간 내내 참가자를 공개 리더보드에 순위 매기다가, 대회가 끝나면 숨겨진 테스트셋으로 최종 순위를 공개한다 — 참가자들이 '셰이크업'이라 부르는 이 순간, 공개 리더보드에 과적합한 팀은 하룻밤 새 수십 계단 떨어질 수 있다.
모델 카드 발행
2018년 구글의 마거릿 미첼과 동료들이 제안한 관행을 따라, 팀들은 모델이 출시되기 전 그 의도된 용도, 학습 데이터, 알려진 한계를 짧은 '모델 카드'로 문서화하는 일이 늘고 있다 — 선택 사항이라기보다 전문가로서의 의무로 여겨진다.
노트북 워크스루
다듬어진 슬라이드 대신 Jupyter 노트북의 셀과 차트를 실시간으로 스크롤하며 탐색 결과를 발표하는 방식이 여전히 데이터 과학자가 동료와 이해관계자에게 초기 결과를 공유하는 기본 방식이다.
이 어느 것도 이 분야의 가장 오래된 긴장 — '데이터 사이언스'가 진짜 새로운 학문인지, 아니면 더 잘 팔리는 이름을 입은 옛 통계·컴퓨팅 작업인지 — 을 해결해주지 않는다. 실무자들 자신도 같은 팀 안에서조차 이를 두고 논쟁한다.
1662년 그란트의 사망표 이래 변하지 않은 것은 기본 동작이다. 한 뭉치의 기록을 누군가 행동으로 옮길 수 있는 주장으로 바꾸고, 그 주장을 데이터가 실제로 얼마나 뒷받침하는지 정직하게 밝히는 것이다.
계속 탐색하기
과학·연구 분야의 다른 직업
⚛️
물리학자
물질과 에너지, 공간과 시간을 지배하는 수학 법칙을 이끌어내고 검증한다. 혼자 칠판 앞에 선 연구자에서 3,000명이 공동 저자로 이름을 올리는 입자가속기 논문까지 그 모습은 다양하다.
AI 내성 65 🧬생물학자
생명 그 자체를 연구하는 과학자. 린네가 손으로 종을 명명하던 시절부터 크리스퍼로 유전체를 편집하는 오늘날까지, 모든 아이디어를 살아있는 생물체에 비추어 검증한다.
AI 내성 64 🧪화학자
물질 그 자체를 만들고 측정하는 과학자 — 바빌로니아 타푸티의 증류기에서 오늘날 로봇 실험실에 이르기까지, 스펙트럼이 의미하는 바를 결정하는 것은 여전히 사람이다.
AI 내성 70 🔭천문학자
바빌로니아의 점토판에서 우주 망원경까지, 우주를 측정하는 과학자 — 데이터 속 어떤 깜빡임이 발견인지는 지금도 가려내는 중이다.
AI 내성 70 🧮수학자
바빌로니아 서기관에서 필즈상 수상자와 AI 보조 증명까지: 어려운 질문을 영구적 확실성으로 바꾸는 직업, 정리 하나하나마다.
AI 내성 70