Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
AI 지원 시스템 엔지니어링 교육을 위한 프로젝트 기반 석사 과정의 설계와 구현을 다룬 연구입니다. 학생들이 모델 개발을 넘어 아키텍처 설계, 배포, 모니터링 등 시스템 통합 과정에서 겪는 어려움과 학습 결과를 분석했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기AI 지원 (AI-enabled) 시스템을 위한 소프트웨어 엔지니어링 (Software Engineering) 교육은 현실적인 제약 조건 하에서 전체 규모의 소프트웨어 아키텍처 (software architectures) 내에 AI 구성 요소를 통합하는 문제를 다루어야 합니다. 머신러닝 (machine learning) 과정이 모델 개발을 강조하는 반면, 학생들은 AI 지원 시스템의 아키텍처 설계 (architectural design), 배포 (deployment) 및 모니터링 (monitoring)에 대한 경험이 부족한 경우가 많습니다. 이러한 시스템 중심의 AI 과정에 대한 실증적 평가는 여전히 제한적입니다. 본 논문은 브레멘 대학교 (University of Bremen)에서 진행된 'AI 알고리즘: 이론과 엔지니어링 (AI Algorithms: Theory and Engineering)'이라는 제목의 프로젝트 기반 석사 과정의 설계 및 구현에 대해 고찰합니다. 이 과정에서 학생들은 확장성 (scalability), 배포 (deployment) 및 진화하는 요구사항 (evolving requirements)과 관련된 과제를 해결하기 위해 아키텍처 설계 결정을 내리며 영화 추천 시스템을 개발했습니다. 우리는 통합 과제, 학습 결과 및 개선 기회를 조사하기 위해 학생들의 제출물 분석과 설문 조사 응답을 결합한 혼합 방법론 (mixed-methods) 연구를 수행했습니다. 연구 결과, 머신러닝 (ML)과 소프트웨어 엔지니어링 (software engineering) 전문 지식의 불균형으로 인해 초기 아키텍처 결정, 이질적인 ML 통합, 진화하는 요구사항 및 데이터 관리 측면에서 지속적인 어려움이 나타났습니다. 교육자의 관점에서 이 과정은 시스템 수준의 추론 (system-level reasoning)을 촉진하고 AI 지원 시스템에서의 데이터 중심 (data-centric) ML 관행에 대한 인식을 강화했습니다.