2026년에 2023년처럼 AI/ML 프로젝트를 만들지 마세요.

대신 이렇게 하세요.

1. Classic ML (전통적 머신러닝):

• 주가 예측 (Stock forecasting):
  주가 예측을 위해 Yahoo Finance API를 사용하세요. 이동 평균 (moving averages), 계절성 (seasonality) 및 기타 특징들을 학습하세요. 통계학, 특징 공학 (feature engineering), 그리고 모델 학습 (model training)을 적용하세요.

전이 학습 (transfer learning)을 사용하세요 (index를 부모 모델로, stock을 자식 모델로 설정). 금융 분야의 ML 기술을 연구하고 이를 구현하세요.

Docker, CI/CD, 그리고 드리프트 탐지 (drift detection)를 사용하여 모델 버전 관리 (model versioning), 실험 (experimentation), 그리고 MLOps 라이프사이클을 수행하세요.

• 이미지/비디오 분류 (Image/Video classification):
  Kaggle에서 정적 데이터를 선택하세요. 데이터 어노테이션 (data annotation), 증강 (augmentation), 그리고 클래스 불균형 (class imbalance) 처리를 수행하세요. 신경망 (neural networks)을 학습시키고 다양한 기술을 탐구하세요.

양자화 (quantization)와 NVIDIA Triton Inference에서의 추론 (inference)을 이해하세요. 더 나은 지연 시간 (latency)을 위해 모바일 기기에 경량화된 모델을 배포하세요.

개선된 모델 버전으로 전환하고 성능 및 GPU 사용량을 모니터링하는 파이프라인을 구축하세요.

---

2. 완전한 VLM/LLM 파이프라인:

• LLM을 위한 API 설계:
  Unsloth에서 제공하는 어떤 모델이든 가져오세요. 미세 조정 (fine-tuning) 단계, 데이터 정제 (data cleaning), 그리고 채팅 템플릿 (chat templates)을 이해하세요.

PEFT를 사용하여 멀티 GPU 설정에서 미세 조정을 실행하세요. 양자화된 버전을 Hugging Face에 저장하세요. vLLM 추론에서 모델을 로드하고 완전한 FastAPI 백엔드를 구축하세요.

두 개의 모델(하나는 텍스트 생성용, 하나는 추론용)을 미세 조정하세요. KV-cache와 속도 제한 (rate limiting)을 사용하여 사용자 쿼리를 라우팅하세요.

AWS/GCP에서 인증 기능을 갖춘 API를 배포하세요. 백엔드, 토큰, 그리고 GPU 사용량을 모니터링하세요. 아키텍처에 대한 스트레스 테스트를 수행하고 문제를 해결하세요.
훌륭한 프로젝트입니다.

---

3. Multi-Agent System (멀티 에이전트 시스템)

• Ops를 포함한 에이전트 하네스 (Agent Harness, 현재 구축 중):
  격리되어 작동하는 멀티 서브 에이전트 (multi-subagent) 시스템을 설계하세요. 대화를 위한 메모리 레이어를 추가하세요.

프롬프트 캐싱 (prompt caching) 대 의미론적 캐싱 (semantic caching)의 트레이드오프를 학습하세요. LLM을 고갈시키지 않고 요청을 처리할 수 있도록 Celery 워커를 사용한 백엔드를 구축하세요. 프롬프트 버전 관리 (prompt versioning)를 통해 에이전트 오케스트레이션 (agent orchestration)을 평가하세요.

Docker, 관측성 (observability), 그리고 Kubernetes를 사용하여 오케스트레이션 백엔드를 배포하세요.

어떤 프로젝트를 진행하든 다음 사항을 명심하세요:

• 아키텍처 설계 (architecture design)와 흐름 (flow)을 학습하세요.
• 매번 속도 제한 (rate limiting), 캐싱 (caching), 그리고 Docker를 사용하세요.
• LLM 프로젝트의 경우, 토큰 사용량 (token usage)을 추적하고 세션 제한 (session limits)을 설계하세요.
• AWS 또는 GCP 프리 티어 (free tier)를 통한 배포는 필수입니다.
• 중간 관리자 및 시니어 (mid-to-senior) 역할을 목표로 한다면, 데이터나 프로젝트 제목보다는 Kubernetes, 부하 분산 (load balancing), 멀티 GPU 학습 (multi-GPU training), 그리고 추론 레이어 (inference layers)에 집중하세요.

자격증에 100달러를 낭비하는 대신, 실무적인 엔드 투 엔드 (end-to-end) 설계를 위한 클라우드 크레딧 (cloud credits)과 API 키 (API keys)에 투자하세요.

마지막으로, 프로젝트 설계와 시스템에 대한 이해는 화려한 제목이나 LLM 제공업체보다 더 중요합니다.

동료 코딩 (peer coding)과 설계를 위해 항상 Claude와 ChatGPT에게 물어보세요. 더 깊은 이해를 위해 질의응답 (QnA) 세션을 시뮬레이션하세요.

계속 학습하세요 ;)