AI 기초 가이드

AI 기초 영역은 인공지능(Artificial Intelligence)과 머신러닝(Machine Learning) 모델을 만들고, 서비스에 통합하고, 운영하는 기술을 다룹니다. 모델이 무엇을 학습하는지 이해하고 그 결과를 실서비스에서 유지하는 데까지 이르는 경로입니다. 학습된 모델을 도구로 삼아 자율적으로 판단하는 시스템을 만드는 경로는 AI 에이전트 가이드에서 따로 다룹니다.

학습 순서

머신러닝 기초 개념과 통계, 데이터 처리에서 시작합니다. 데이터를 정제하고 특징을 만드는 일이 모델 선택보다 결과를 크게 좌우하므로, 이 단계에 충분히 시간을 씁니다. 이어서 지도·비지도·강화 학습 알고리즘을 배우고 평가 지표로 모델을 비교하는 방법을 익힙니다.

모델을 만들 수 있게 되면 이를 서비스로 옮기는 단계로 넘어갑니다. 학습된 모델을 API로 감싸고, 추론 성능과 비용을 관리하며, 데이터 분포가 변할 때 재학습하는 흐름을 MLOps에서 다룹니다. 거대 언어 모델(Large Language Model; LLM)을 직접 훈련하는 대신 도구로 활용하는 경로는 LLM 기초(토큰화, 컨텍스트 윈도우)와 프롬프트 엔지니어링(Prompt Engineering)에서 출발합니다.

지금까지 설명한 흐름을 한눈에 정리하면 [그림 1]과 같습니다.

[그림 1] AI 기초 학습 로드맵 구성도

데이터와 통계에서 시작해 알고리즘, 서비스 통합, 운영으로 이어지는 흐름입니다. 모델을 실제로 배포하는 지점을 전환점으로 강조했습니다. 여기서부터는 모델의 정확도뿐 아니라 지연 시간과 비용, 재학습 주기가 함께 문제가 됩니다.

학습 주제

학습 주제	다루는 내용
머신러닝	지도·비지도·강화 학습 알고리즘 기초
AI 데이터 과학자	데이터 기반 모델링과 통계 분석
AI 엔지니어	LLM 응용 서비스 설계와 구축
MLOps	머신러닝 모델의 배포·운영 자동화
프롬프트 엔지니어링	LLM으로부터 원하는 출력을 끌어내는 기법

다른 영역과의 연결

모델을 자율적으로 판단하는 시스템에 얹으려면 AI 에이전트 가이드로 이어집니다. 모델을 물리 세계의 로봇에 올리는 경로는 피지컬 AI 가이드에서 다룹니다. 모델을 감쌀 백엔드 API를 먼저 익히고 싶다면 백엔드 가이드를 참고하세요.