저는 AI 엔지니어로 약 2년 동안 일해 왔습니다.

만약 여러분이 AI 엔지니어링 분야에 진입하려고 한다면, 제가 가장 중요하게 생각하는 학습 주제들은 다음과 같습니다:

• RAG — Retrieval-Augmented Generation
• 임베딩(Embeddings) 및 벡터 데이터베이스(Vector Databases)
• 양자화(Quantization) — AWQ, GPTQ, GGUF, FP16, INT8, INT4
• RAG 평가 — RAGAS
• 모델 라우팅 및 폴백(Model Routing & Fallbacks)
• 관측 가능성(Observability) — 로그(logs), 메트릭스(metrics) 및 트레이스(traces)
• MCP — Model Context Protocol
• AI 에이전트 및 에이전틱 패턴(AI Agents & Agentic Patterns)
• 메모리 및 컨텍스트 관리(Memory & Context Management)
• 가드레일(Guardrails) 및 결정론적 입력/출력 검증(deterministic input/output validation)
• 추론 엔진(Inference Engines) — vLLM, TensorRT, SGLang
• 부하 분산 및 큐잉(Load Balancing & Queuing)
• 로컬 대 클라우드 추론(Local vs Cloud Inference)
• 백엔드 기본 지식 및 시스템 설계(Backend Fundamentals & System Design)

제가 보는 가장 큰 실수는 프롬프팅과 LLM API 호출에만 초점을 맞추는 것입니다.

AI 엔지니어링은 모델 주변에 신뢰할 수 있고 확장 가능한 시스템을 구축하는 것에 훨씬 더 가깝습니다.