초보자 → AI 응용 엔지니어

ZERO TO JOB-READY LEARNING PATH

🎯 목표: 3~5개월 내 AI 응용 개발 직무 역량 확보
PHASE 01 Python 프로그래밍 입문 → ⏱ 2~3주

완벽하게 마스터할 필요 없습니다. 간단한 스크립트를 작성하고 에러 메시지를 읽을 수 있으면 됩니다.

1
기초 문법
변수, 데이터 타입, if/for/while, 함수 정의, 리스트/딕셔너리 조작
3~5일
2
파일과 모듈
파일 읽기/쓰기(open/with), 모듈 가져오기(import), pip 패키지 설치, 가상환경 기초
2~3일
3
실용 라이브러리
json(데이터 포맷), requests(HTTP 요청), os/pathlib(경로 조작)
requests json 3~4일
4
디버깅 능력
Traceback 에러 메시지 읽기, print 디버깅, Google/GPT로 해결책 검색
항상 연습
✦
🏋️ 실습 프로젝트
스크립트 작성: 로컬 CSV 읽기 → 데이터 필터링 → 결과를 새 파일로 출력
실습 프로젝트
PHASE 02 데이터 처리 능력 → ⏱ 2~3주

AI 업무의 80%는 데이터 처리입니다. 이 단계가 업무 효율을 결정합니다.

1
Pandas 핵심 조작
DataFrame 생성, CSV/Excel 읽기, 필터링(loc/iloc), 그룹 집계(groupby), 결측값 처리
Pandas 7~10일
2
SQL 기초 쿼리
SELECT / WHERE / JOIN / GROUP BY, 데이터베이스 기본 쿼리 수행
SQL 3~5일
3
JSON 데이터 처리
중첩 JSON 파싱, API 응답값 추출, JSON ↔ DataFrame 변환 (AI 인터페이스는 전부 JSON)
2~3일
✦
🏋️ 실습 프로젝트
Pandas로 실제 데이터셋(예: Kaggle) 정제 후 통계 요약 생성
실습 프로젝트
🏁
기초 역량 달성 — AI 실전에 돌입할 준비 완료
여기까지 약 1~1.5개월, 스크립트 작성과 데이터 처리가 가능합니다
PHASE 03 대형 모델 API & Prompt 엔지니어링 → ⏱ 2~3주

현재 AI 응용 개발의 핵심 진입점, 이 단계를 마치면 실제 가치를 만들 수 있습니다.

1
대형 모델 API 호출
OpenAI / Claude API Key 등록, Python으로 첫 요청 전송, token·temperature 등 핵심 파라미터 이해
OpenAI API Claude API 2~3일
2
Prompt Engineering
System Prompt 설계, Few-shot 예시, 사고 체인(CoT), 출력 형식 제어(JSON mode)
5~7일
3
Function Calling / Tool Use
대형 모델이 정의한 함수를 호출하여 "모델 + 도구" 조합 능력 구현
3~4일
✦
🏋️ 실습 프로젝트
AI 고객 상담 봇 만들기: 사용자 질문 수신 → API 호출 → 구조화된 답변 반환
실습 프로젝트
PHASE 04 RAG 검색 증강 생성 → ⏱ 2~3주

기업이 가장 필요로 하는 시나리오 — 대형 모델이 사내 데이터를 이해하게 합니다. RAG를 배우면 기업 수요의 70%를 해결할 수 있습니다.

1
Embedding과 벡터화
텍스트 벡터화 원리 이해, Embedding API를 호출하여 문서를 벡터로 변환
2~3일
2
벡터 데이터베이스
하나만 배우면 됩니다: Chroma(가장 간단) 또는 Milvus / Pinecone, 저장·검색·유사도 검색 마스터
Chroma Milvus 3~4일
3
문서 처리 파이프라인
PDF/Word/웹페이지 텍스트 추출, 문서 분할(Chunking 전략), 메타데이터 관리
3~4일
4
RAG 전체 프로세스
사용자 질문 → 벡터 검색 → Prompt 조합 → 대형 모델 답변 생성 → 인용 추적
3~5일
✦
🏋️ 실습 프로젝트
"기업 지식 베이스 Q&A 시스템" 구축: PDF 업로드 → 자동 인덱싱 → 지능형 질의응답
실습 프로젝트이력서 하이라이트
🎉
핵심 역량 달성 — AI 응용 개발 직무 역량 확보
여기까지 약 3개월, 이력서 제출을 시작할 수 있습니다!
PHASE 05 Agent 프레임워크와 엔지니어링 → ⏱ 2~4주 (일하면서 학습 가능)

고급 역량, "사용 가능"에서 "잘 사용"으로 전환하여 경쟁력을 크게 높입니다.

1
AI Agent 개발
Agent 루프 이해(Plan → Act → Observe), 다단계 추론, 도구 편성
LangChain LlamaIndex
2
응용 프레임워크 실전
Streamlit / Gradio로 빠르게 Web UI 구축, AI 응용을 데모 가능하게 만들기
Streamlit Gradio
3
기본 엔지니어링 실무
Git 버전 관리, Docker 기초, API 서비스 배포(FastAPI), 로그 및 에러 처리
Git Docker FastAPI
4
평가와 최적화
AI 출력 품질 평가, Prompt 반복 최적화, 비용 제어(모델 선택, 캐시 전략)
지속적 발전
✦
🏋️ 졸업 프로젝트
완전한 AI Agent 만들기: 웹 검색 + 문서 읽기 + 도구 호출 + 보고서 생성, Web 서비스로 배포
포트폴리오 핵심 프로젝트
🚀
전체 프로세스 완료 — 독립적으로 AI 프로젝트를 수행할 수 있는 역량
총 약 3~5개월 · AI 응용 개발 엔지니어 / LLM 엔지니어 직무 수행 가능

💡 초보자를 위한 4가지 조언

① 프로젝트 중심 학습: 각 단계마다 실습 프로젝트가 있습니다. 튜토리얼만 보지 말고 반드시 직접 만드세요. 결과물이 이력서와 포트폴리오가 됩니다.

② "다 배우고 시작"하지 마세요: Python 70% 배웠으면 Pandas로 넘어가고, Pandas 70%면 API를 호출하세요. 실전에서 모르는 것을 보충하는 게 가장 효율적입니다.

③ AI를 활용한 학습: 에러가 나면 바로 ChatGPT / Claude에 물어보세요. 이 자체가 "AI와 협업"하는 능력을 키우는 것이며, 미래 업무의 일상입니다.

④ 넓게 먼저, 깊게 나중에: 전체 흐름을 먼저 돌리고(API 호출 → RAG → UI 구축), 그 후에 특정 부분을 깊이 파세요. T자형 성장입니다.