2027년에 AI 엔지니어가 되어 실제로 취업하고 싶나요?
기업이 돈을 지불할 만한 것을 만들기 시작하세요.
제가 ZERO에서 JOB-READY까지 따를 로드맵입니다. 👇
STAGE 1: 강력한 Python 개발자 되기
학습 내용:
- 파이썬 기초(Python fundamentals)
- 객체 지향 프로그래밍(Object-Oriented Programming)
- API 및 HTTP 요청(APIs and HTTP requests)
- Git 및 GitHub
- SQL 및 데이터베이스(SQL and databases)
- 가상 환경 및 테스트(Virtual environments and testing)
🎯 목표 프로젝트: 외부 API에 연결하고, 데이터를 처리하며, 결과를 PostgreSQL에 저장하는 파이썬 애플리케이션을 구축합니다.
STAGE 2: AI 작동 원리 이해하기
학습 내용:
- 머신러닝 기초(Machine Learning fundamentals)
- 지도 학습 대 비지도 학습(Supervised vs. unsupervised learning)
- 신경망(Neural networks)
- 트랜스포머와 임베딩(Transformers and embeddings)
- 토큰화 및 컨텍스트 창(Tokenization and context windows)
- 모델 평가(Model evaluation)
🎯 목표 프로젝트: Hugging Face 모델을 사용하여 텍스트 분류 애플리케이션을 구축합니다.
STAGE 3: LLM으로 빌드하는 법 배우기
학습 내용:
- OpenAI 및 Anthropic API
- 프롬프트 엔지니어링(Prompt engineering)
- 구조화된 출력(Structured outputs)
- 함수 호출(Function calling)
- 스트리밍 응답(Streaming responses)
- 토큰 사용량 및 비용 최적화(Token usage and cost optimization)
🎯 목표 프로젝트: 문서를 처리하고, 정보를 추출하며, 구조화된 JSON을 반환하는 AI 비서 어시스턴트를 구축합니다.
STAGE 4: RAG 시스템 마스터하기
학습 내용:
- 검색 증강 생성(Retrieval-Augmented Generation, RAG)
- 벡터 데이터베이스(Vector databases)
- 임베딩 및 시맨틱 검색(Embeddings and semantic search)
- 청킹 전략(Chunking strategies)
- 하이브리드 검색 및 재순위 지정(Hybrid search and reranking)
- 검색 평가(Retrieval evaluation)
🎯 목표 프로젝트: 회사 문서를 사용하여 질문에 답하고, 검증 가능한 출처 인용을 제공하는 챗봇을 구축합니다.
STAGE 5: AI 에이전트 구축하기
학습 내용:
- 도구 호출(Tool calling)
- 에이전트 워크플로우(Agent workflows)
- LangGraph
- 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)
- 상태 및 메모리 관리(State and memory management)
- 인간 승인 워크플로우(Human approval workflows)
- 에이전트 보안(Agent security)
🎯 목표 프로젝트: 지원 티켓을 읽고, 분류하며, 문서를 검색하고, 인간의 승인을 위해 응답 초안을 작성하는 AI 에이전트를 구축합니다.
STAGE 6: 프로덕션 AI 엔지니어링 학습하기
여기서부터 차별화되기 시작합니다.
학습 내용:
- FastAPI
- Docker
- 클라우드 배포(Cloud deployment)
- CI/CD 파이프라인(CI/CD pipelines)
- Redis 및 백그라운드 작업(Redis and background jobs)
- 인증 및 권한 부여(Authentication and Authorization)
- 로깅 및 모니터링(Logging and monitoring)
STAGE 7: AI 평가 및 신뢰성
학습할 내용:
- LLM 평가(LLM evaluations)
- 환각 탐지(Hallucination detection)
- 프롬프트 주입 방어(Prompt injection defenses)
- 지연 시간 최적화(Latency optimization)
- 비용 추적(Cost tracking)
- 회귀 테스트(Regression testing)
- 관측 가능성(Observability)
🎯 목표: 다양한 모델에 걸쳐 응답 품질, 지연 시간, 실패율 및 비용을 추적하는 대시보드를 구축합니다.
STAGE 8: 기술을 증명하는 포트폴리오 구축
3가지 프로젝트를 만드세요:
-
AI 고객 지원 에이전트: RAG(검색 증강 생성), 도구 호출(tool calling), 티켓 관리, 인간 승인.
-
AI 문서 플랫폼: PDF 처리, 구조화된 추출(structured extraction), 검색, 평가 기능.
-
AI 비서 GitHub 통합: 코드베이스 검색, 이슈 분석, 자동 테스트 제안.
모든 프로젝트에는 다음 내용이 포함되어야 합니다:
- 공개 GitHub 저장소
- 라이브 데모
- 아키텍처 다이어그램
- 명확한 README 파일
- 자동화된 테스트(Automated tests)
- 배포 지침서(Deployment instructions)
- 성능 및 비용 측정치
STAGE 9: AI 엔지니어링 면접 준비
다음 내용을 설명하는 연습을 하세요:
- RAG 대 파인튜닝(RAG vs. fine-tuning)
- 임베딩 작동 방식(How embeddings work)
- 환각 현상을 줄이는 방법
- AI 에이전트를 안전하게 보호하는 방법
- LLM 출력을 평가하는 방법
- 추론 비용을 절감하는 방법
- AI 애플리케이션을 확장하는 방법
- 실패한 AI 워크플로우를 디버깅하는 방법
STAGE 10: 지원 시작하기
다음과 같은 역할을 검색하세요:
- 주니어 AI 엔지니어(Junior AI Engineer)
- LLM 애플리케이션 엔지니어(LLM Application Engineer)
- AI 소프트웨어 엔지니어(AI Software Engineer)
- 응용 AI 엔지니어(Applied AI Engineer)
- 파이썬 개발자 (AI 제품)(Python Developer (AI Products))
- AI 자동화 엔지니어(AI Automation Engineer)
모든 지원 시:
→ 포트폴리오를 직무 설명서에 맞추세요.
→ 인증서가 아닌, 작동하는 프로젝트를 보여주세요.
→ 어떤 기술적 결정을 내렸는지 설명하세요.
→ 작업을 어떻게 테스트하고 배포했는지 입증하세요.
→ 관련 프로젝트로 엔지니어 및 채용 관리자에게 연락하세요.
당신의 GitHub는 '무엇을 만들 수 있는지'를 보여주어야 합니다. 당신의 이력서는 '어떤 문제를 해결했는지'를 설명해야 합니다. 그리고 면접은 당신이 이 두 가지 모두를 이해하고 있음을 증명해야 합니다.