AI & ML 가이드

AI & ML 영역은 인공지능(Artificial Intelligence)과 머신러닝(Machine Learning) 모델을 만들고, 서비스에 통합하고, 운영하는 기술을 다룹니다. 모델 자체를 연구·훈련하는 경로와, 이미 학습된 거대 언어 모델(Large Language Model; LLM)을 도구로 활용해 에이전트(Agent)나 애플리케이션을 만드는 경로가 함께 존재합니다.

학습 순서

모델을 직접 다루는 경로는 머신러닝(Machine Learning) 기초 개념과 통계, 데이터 처리로 시작해 지도·비지도·강화 학습 알고리즘을 배우고, 이를 서비스로 운영하기 위한 MLOps로 이어집니다. LLM을 도구로 활용하는 경로는 백엔드 개발 기초와 REST API 지식, Git 사용법 같은 선수 지식을 다진 뒤 LLM 기초(토큰화, 컨텍스트 윈도우)와 프롬프트 엔지니어링(Prompt Engineering)을 익히는 데서 시작합니다.

프롬프트 엔지니어링을 익힌 뒤에는 도구 호출(Tool Calling)과 에이전트 메모리, 에이전트 아키텍처(ReAct, RAG 등) 패턴을 배우고 실제로 에이전트를 구현하는 단계로 나아갑니다. 구현한 에이전트는 평가·테스트, 디버깅·모니터링을 거쳐 보안·윤리 기준까지 갖춰야 실서비스에 투입할 수 있습니다. 코딩 작업 자체를 AI 에이전트에게 맡기는 실무 흐름은 클로드 코드(Claude Code)와 바이브 코딩(Vibe Coding) 강좌에서 다루며, 이러한 에이전트를 공격·방어 관점에서 점검하는 방법은 AI 레드티밍(AI Red Teaming) 강좌에서 다룹니다.

지금까지 설명한 흐름을 한눈에 정리하면 [그림 1]과 같습니다.

[그림 1] AI & ML 학습 로드맵 구성도

머신러닝을 직접 다루는 경로와 LLM을 도구로 쓰는 경로는 그림에서 각 단계마다 위·아래 두 행으로 나란히 배치했습니다. 두 경로 모두 에이전트 구현 단계에서 실제로 동작하는 결과물을 만들어내므로, 이 지점을 강조 표시했습니다.

소속 강좌

강좌	다루는 내용
AI 에이전트	LLM 기반 에이전트 설계와 구현
AI 데이터 과학자	데이터 기반 모델링과 통계 분석
AI 엔지니어	LLM 응용 서비스 설계와 구축
AI 레드팀	AI 시스템의 취약점 점검과 방어
머신러닝	지도·비지도·강화 학습 알고리즘 기초
MLOps	머신러닝 모델의 배포·운영 자동화
프롬프트 엔지니어링	LLM으로부터 원하는 출력을 끌어내는 기법
Claude Code	AI 코딩 에이전트를 활용한 개발 워크플로
바이브 코딩	AI와 대화하며 코드를 완성하는 개발 방식

다른 영역과의 연결

에이전트가 다룰 백엔드 API를 먼저 익히고 싶다면 백엔드 가이드를, 데이터 파이프라인 구축이 필요하다면 데이터 & 분석 가이드를 함께 참고할 수 있습니다.