AI 개발자 심화 과정
LLM 파인튜닝부터 RAG·API 배포까지, 5일 완성
5일 (40시간)
교육 기간
소프트웨어 개발자 · 데이터 사이언티스트
대상
오프라인 실습 (GPU 환경 제공)
운영 방식
Python 기초 필요
사전 요구 수준
Python 기반 ML 모델링부터 LLM 파인튜닝, 추론 최적화, RAG 파이프라인 구축, FastAPI 배포까지 — 실무 프로젝트 중심으로 한 단계씩 쌓아가는 집중 과정입니다.
📌 수강 전 확인사항
- Python 기본 문법 이해 (함수·클래스·반복문)
- Git 기본 사용 경험
- Linux 터미널 기본 조작 가능
Curriculum
상세 커리큘럼
모든 모듈은 이론과 실습을 결합해 바로 적용 가능한 역량을 전달합니다.
NumPy·Pandas·Matplotlib 핵심 정리
텐서 연산, 데이터프레임 처리, 시각화 — ML 필수 라이브러리 3종 완성
PyTorch 텐서·자동미분·모델 구현
Tensor 연산, autograd, nn.Module 구조, 학습 루프 직접 구현 실습
Transformer 구조와 Attention 메커니즘
Self-Attention·Multi-Head·Positional Encoding 수식 이해, GPT vs BERT 구조 비교
HuggingFace 모델 로드·추론·프롬프트 엔지니어링
transformers 라이브러리로 모델 다운로드·토크나이징·생성, 시스템 프롬프트 실험
PEFT 개념과 LoRA 수학적 이해
전체 파인튜닝 vs PEFT 비교, LoRA 행렬 분해 원리, rank·alpha 하이퍼파라미터 영향 분석
QLoRA 엔드-투-엔드 파인튜닝 실습
bitsandbytes 4bit 양자화 → LoRA 어댑터 학습 → 모델 병합 → 추론 성능 평가 전 과정
벡터DB와 임베딩 모델 이해
Chroma·Qdrant 구조, 코사인 유사도·HNSW 인덱스, BGE·E5 임베딩 모델 비교
LangChain 기반 RAG 시스템 구현
PDF 문서 청킹 → 임베딩 → 벡터 저장 → 검색 → LLM 답변 생성 풀 파이프라인 구현
FastAPI 기반 LLM API 서버 구현
비동기 엔드포인트, 스트리밍 응답, 인증 미들웨어, OpenAPI 문서 자동 생성
Docker 컨테이너화 & 클라우드 배포
Dockerfile 최적화, GPU 컨테이너 실행, Hugging Face Spaces / AWS EC2 배포 실습
미니 프로젝트 발표 & 코드 리뷰
개인별 5분 데모, 강사 코드 리뷰, 심화 학습 로드맵 가이드
Tools & Stack
활용 도구 & 기술 스택
Learning Outcomes
교육 후 할 수 있는 것
PyTorch로 딥러닝 모델을 구현하고 훈련할 수 있다
LoRA/QLoRA로 LLM을 도메인에 맞게 파인튜닝할 수 있다
RAG 파이프라인을 설계하고 기업 문서에 연동할 수 있다
FastAPI + Docker로 AI 서비스를 배포할 수 있다
Use Cases
실제 적용 사례
제조 품질 이상 탐지 모델 개발
사내 데이터로 분류 모델 학습·배포
사내 문서 기반 챗봇 구축
RAG + LLM으로 HR·법무 FAQ 자동 응답
계약서 자동 분석 API
LLM 파인튜닝으로 조항别 위험도 분류
코드 리뷰 자동화 도구
Copilot API 연동으로 PR 코드 자동 검토
