한눈에 보는 과정 요약 (초/중급자 가이드)
⚙️
AI 엔진 조립하기
챗GPT의 심장인 '트랜스포머'를 라이브러리 없이 직접 코딩하며 AI의 작동 원리를 밑바닥부터 파헤칩니다.
⚖️
AI 다이어트 시키기
거대한 AI 모델을 성능은 유지하면서 크기만 줄여, 아주 가볍고 빠르게 작동하도록 최적화(경량화)합니다.
🏭
AI 자동화 공장 세우기
AI가 늘 최상의 실력을 유지하게 자동으로 재학습시키고 배포하는 MLOps 공정을 구축합니다.
훈련 목표
Transformer 모델을 라이브러리 최소화 기반으로 직접 구현(Scratch Build)하고, PEFT 기반 모델 최적화 역량을 확보합니다.
단순 모델링을 넘어 데이터 파이프라인부터 MLOps 인프라(Triton, MLflow)까지 전 과정을 직접 설계하고 구현하는 실전 풀스택 코어 인재를 육성하는 것이 본 과정의 핵심입니다.
🔥 핵심 역량 (Core Tech)
- • Transformer 구조 수학적 원리 분석
- • Triton Inference Server 고성능 서빙
- • LoRA/QLoRA 모델 경량화 전략
- • GitHub Actions 기반 MLOps CI/CD
상세 교육 커리큘럼 (정규 교과 196h)
| 교육 모듈 | 주요 학습 내용 및 기술 스택 | 시간 |
|---|---|---|
| 인프라 & 백엔드 |
Docker FastAPI
ETL 프로세스 설계, FastAPI 기반 비동기 API 서버 및 DB 연동 아키텍처 구축
|
28h |
| 모델 서빙 & 관제 |
Triton Redis React
Triton Inference Server 고성능 서빙 및 실시간 추론 시각화 UI 설계
|
48h |
| MLOps 자동화 |
MLflow GitHub Actions
모델 재학습 루프 설계, 데이터 드리프트 감지 및 CI/CD 자동화 파이프라인
|
24h |
| 모델 최적화 전략 |
LoRA BitsAndBytes
PEFT(LoRA/QLoRA) 미세 조정 및 모델 경량화(Quantization) 전략
|
24h |
| Transformer Core |
PyTorch Scratch Build
Self-Attention 수학적 원리 분석, Transformer 직접 구현 및 산업 데이터 적용
|
48h |
| 분석 및 검증 |
SHAP LIME
XAI 활용 모델 설명력 확보 및 PoC 기술 검증 설계
|
24h |
실전 프로젝트 로드맵 (162h)
산업 문제 분석
도메인별 페인 포인트 발굴 및 데이터 스키마 설계
01
02
대용량 파이프라인 가동
데이터 전처리 자동화 및 모델 학습 최적화(Transfer Learning)
모델 경량화 & 통합
Quantization 배포 및 FE-BE-AI 통합 응용 시스템 완성
03
04
기술 백서 & 데모데이
현업 전문가 피드백 기반 검증 및 포트폴리오 완성