🚀 AI 플랫폼 엔지니어링 핸드북
DevOps → AI를 위한 Python → MLOps → Platform Engineering → GenAI → RAG → Agentic AI → MCP → LLMOps → AI Security → AI Infrastructure → Fine-Tuning → Multimodal AI → AI Product Engineering → Forward Deployed Engineering → Enterprise AI System Design에 이르기까지 진행되는 포괄적인 104일간의 AI 플랫폼 엔지니어링 핸드북입니다. 이 과정은 현대 AI 플랫폼 및 GenAI 엔지니어링 역할에서 기대하는 기술 스택과 밀접하게 일치합니다.
📋 강좌 개요
✅ 1주차 – 고급 DevOps
✅ 2주차 – AI를 위한 Python & AI 엔지니어링
✅ 3주차 – MLOps 엔지니어링
✅ 4주차 – 플랫폼 엔지니어링
✅ 5주차 – AI 플랫폼 통합
✅ 6주차 – 생성형 AI(Generative AI) 기본 지식
✅ 7주차 – 검색 증강 생성 (RAG: Retrieval Augmented Generation)
✅ 8주차 – AI 에이전트 및 Agentic AI
✅ 9주차 – 에이전트 메모리, 도구 및 MCP
✅ 10주차 – AI 엔지니어링 & LLMOps
✅ 11주차 – 기업용 에이전트 시스템
✅ 12주차 – AI 보안 및 AI 레드팀(Red Teaming)
✅ 13주차 – AI 인프라 엔지니어링
✅ 14주차 – Fine-Tuning 및 LLM 커스터마이징
✅ 15주차 – 멀티모달 AI 엔지니어링
✅ 16주차 – AI 제품 엔지니어링 & 실제 프로젝트
✅ 17주차 – Forward Deployed Engineering
✅ 18주차 – 기업용 AI 사례 연구 및 시스템 설계
📅 1주차 – 고급 DevOps 엔지니어링
🎯 중점 학습 내용: 프로덕션 등급의 DevOps 시스템
🗓 1~2일차: 고급 Git 및 CI/CD 엔지니어링
📘 고급 Git 엔지니어링
- Git 내부 구조(Internals) 및 객체 모델(Object Model)
- 브랜칭 전략 (Git Flow, Trunk-Based, GitHub Flow)
- Rebase 대 Merge (고급 사용법)
- 인터랙티브 리베이스(Interactive Rebase) 및 히스토리 재작성
- Cherry-Pick, Revert 및 Reset 전략
- 디버깅을 위한 Git Bisect
- Git Hooks (클라이언트 및 서버 측)
- Git Submodules 및 Monorepo 전략
- 시맨틱 버전 관리(SemVer: Semantic Versioning)
- 태그 지정 및 릴리스 관리
- 보안 Git 워크플로우
🚀 고급 CI/CD 엔지니어링
- CI/CD 아키텍처 및 파이프라인 설계
- 코드로 구현하는 파이프라인 (Pipeline as Code)
- 다단계 파이프라인 설계
- 매트릭스 빌드 및 병렬 실행
- 재사용 가능한 워크플로우 및 복합 액션 (Composite Actions)
- 환경 기반 배포 (개발/스테이징/운영)
- CI/CD에서의 비밀 관리 (Secrets Management)
- 종속성 캐싱 전략
- 아티팩트 관리
- Docker 빌드 및 푸시 자동화
- 인프라 배포 자동화 (IaC)
- 자동 버전 관리 및 릴리스 파이프라인
- 블루/그린 및 카나리(Canary) 배포 자동화
- 롤백 전략
- CI/CD 보안 모범 사례
- CI/CD에서의 관측 가능성 (Observability)
🗓 3~4일차: Docker 및 컨테이너 보안 엔지니어링
- 컨테이너화 기본 원리
- Dockerfile 모범 사례
- 다단계 빌드 (Multi-Stage Builds)
- 이미지 레이어 최적화
- Distroless 및 최소 기반 이미지
- 비루트(Non-Root) 컨테이너
- 컨테이너에서의 상태 확인 (Health Checks)
- 컨테이너 네트워킹 기본
- 다중 서비스 애플리케이션을 위한 Docker Compose
- 컨테이너 이미지 스캐닝
- 소프트웨어 구성 명세서 (SBOM)
- 이미지 서명 및 검증
- 안전한 레지스트리 관리 모범 사례
- 런타임 컨테이너 보안
🗓 5~6일차: 쿠버네티스 프로덕션 개념
- 쿠버네티스 아키텍처 개요
- 제어 평면 구성 요소 (Control Plane Components)
- 워커 노드 구성 요소 (Worker Node Components)
- 파드(Pod) 생명 주기
- 배포(Deployment) 및 레플리카셋(ReplicaSet)
- 서비스(Service) 및 서비스 유형
- ConfigMap 및 Secret
- 리소스 요청 및 제한 (Requests & Limits)
- 생존성 및 준비 상태 확인 (Liveness & Readiness Probes)
- 수평 파드 자동 스케일러 (HPA)
- 롤링 업데이트 및 롤백
- 네임스페이스 및 멀티테넌시
- RBAC(역할 기반 접근 제어) 및 접근 제어
- 영구 볼륨 및 스토리지 클래스
- StatefulSet 대 Deployment
- 쿠버네티스 네트워킹 기본
🗓 7일차: 관측 가능성 및 모니터링
- 관측 가능성 원칙 (Observability)
- 메트릭, 로그, 트레이스 비교
- 골든 시그널 (Golden Signals)
- Prometheus 아키텍처
- 메트릭 계측 (Instrumentation)
- Grafana 대시보드
- 중앙 집중식 로깅
- 로그 집계 개념
- 분산 추적(Distributed Tracing) 기본
- OpenTelemetry 기본 원리
- 경고 및 인시던트 대응 (Incident Response)
- 쿠버네티스 워크로드 모니터링
- SLOs, SLAs 및 SLIs
📅 주차 2 – AI를 위한 Python 및 AI 엔지니어링
🎯 초점: AI 및 ML 개발을 위한 Python 기초
🗓️ Day 8–9: Python 프로그래밍 기본 지식
- Python 문법 (Syntax) 및 데이터 타입 (Data Types)
- 리스트 (Lists), 튜플 (Tuples), 세트 (Sets) 및 딕셔너리 (Dictionaries)
- 조건문 (Conditions) 및 반복문 (Loops)
- 함수 (Functions)
- 모듈 (Modules) 및 패키지 (Packages)
- 예외 처리 (Exception Handling)
- 리스트 및 딕셔너리 컴프리헨션 (List & Dictionary Comprehensions)
- 가상 환경 (Virtual Environments) 및 pip
- 타입 힌트 (Type Hints)
🗓️ Day 10–11: AI를 위한 고급 Python
- 객체 지향 프로그래밍 (Object-Oriented Programming, OOP)
- 데이터 클래스 (Dataclasses)
- 이터레이터 (Iterators) 및 제너레이터 (Generators)
- 데코레이터 (Decorators)
- 컨텍스트 매니저 (Context Managers)
- 비동기 Python (Async Python, asyncio)
- async / await
- Pydantic 및 데이터 유효성 검사 (Data Validation)
🗓️ Day 12–13: 데이터 및 ML을 위한 Python
- NumPy 기본 지식 (NumPy Fundamentals)
- 배열 (Arrays) 및 벡터화 (Vectorization)
- Pandas DataFrame
- 데이터 클리닝 및 변환 (Data Cleaning & Transformation)
- Scikit-learn 기본 지식 (Scikit-learn Fundamentals)
- ML 데이터 파이프라인 (ML Data Pipelines)
- 모델 훈련 및 평가 (Model Training & Evaluation)
🗓️ Day 14: 생성형 AI (GenAI) 애플리케이션을 위한 Python
- FastAPI
- REST API 통합 (REST API Integration)
- JSON 및 API 처리 (JSON & API Handling)
- LLM API 통합 (LLM API Integration)
- 구조화된 출력 (Structured Outputs)
- 임베딩 및 벡터 데이터베이스 통합 (Embeddings & Vector Database Integration)
- 비동기 LLM 애플리케이션 (Async LLM Applications)
- pytest를 사용한 테스트 (Testing with pytest)
주차 3 – MLOps 엔지니어링
🎯 초점: 프로덕션 ML 라이프사이클 및 자동화
🗓️ Day 15–16: ML 라이프사이클 및 실험 추적 (Experiment Tracking)
- 머신러닝 라이프사이클 개요 (Machine Learning Lifecycle Overview)
- 문제 정의 및 비즈니스 이해 (Problem Framing & Business Understanding)
- 데이터 수집 및 데이터 버전 관리 (Data Collection & Data Versioning)
- 데이터 전처리 파이프라인 (Data Preprocessing Pipelines)
- 특성 공학 기본 지식 (Feature Engineering Fundamentals)
- 훈련 및 검증 전략 (Training & Validation Strategies)
- 모델 평가 지표 (Model Evaluation Metrics)
- 과적합 및 부족적합 개념 (Overfitting & Underfitting Concepts)
- 실험 추적 개념 (Experiment Tracking Concepts)
- ML에서의 재현성 (Reproducibility in ML)
- 모델 아티팩트 관리 (Model Artifact Management)
- ML 메타데이터 관리 (ML Metadata Management)
- MLflow 추적 및 레지스트리 (MLflow Tracking & Registry)
- 데이터 버전 관리를 위한 DVC (DVC for Data Version Control)
- 모델 버전 관리 전략 (Model Versioning Strategies)
🗓️ Day 17–18: 모델 패키징 및 서빙
모델 직렬화 기법(Model Serialization Techniques)
모델 패키징 전략(Model Packaging Strategies)
ML 추론을 위한 REST API
배치(Batch) 대 실시간 추론(Real-Time Inference)
동기식(Synchronous) 대 비동기식(Asynchronous) 서빙
모델 서빙을 위한 FastAPI
BentoML 기본 개념
모델 레지스트리 개념(Model Registry Concepts)
ML 모델 컨테이너화(Containerizing ML Models)
모델용 상태 확인 및 준비 엔드포인트(Health & Readiness Endpoints for Models)
버전별 모델 배포(Versioned Model Deployment)
API 성능 최적화
GPU 대 CPU 서빙 고려 사항
ML 추론 서비스 확장(Scaling ML Inference Services)
🗓 Day 19–20: 머신러닝을 위한 CI/CD
- ML 파이프라인 아키텍처
- 학습 파이프라인 자동화
- 지속적 학습(Continuous Training, CT)
- ML을 위한 지속적 통합(Continuous Integration for ML)
- ML 모델을 위한 지속적 배포(Continuous Deployment for ML Models)
- 모델 테스트 전략
- 파이프라인 내 데이터 유효성 검사
- 자동화된 모델 평가
- 모델 승진 전략 (Staging → Production)
- 특징 파이프라인 자동화
- 트리거 기반 재학습(Trigger-Based Retraining)
- 모델 드리프트 감지 개념(Model Drift Detection Concepts)
- 자동화된 모델 롤백
- ML 배포를 위한 GitOps
🗓 Day 21: 데이터 유효성 검사 및 모니터링
- 데이터 품질 유효성 검사 개념(Data Quality Validation Concepts)
- 스키마 유효성 검사
- 데이터 드리프트 감지
- 개념 드리프트 기본 원리(Concept Drift Fundamentals)
- Great Expectations 프레임워크
- 특징 저장소 기본 개념(Feature Store Fundamentals)
- 온라인 대 오프라인 특징 저장소
- 운영 환경에서의 모델 성능 모니터링
- ML 예측 로깅
- 모델 설명 가능성 기초(Model Explainability Basics)
- 책임감 있는 AI 개념(Responsible AI Concepts)
- ML 저하에 대한 경고 시스템 구축
- ML 시스템의 피드백 루프
📅 Week 4 – 플랫폼 엔지니어링
코드형 인프라(IaC) 원칙
선언적(Declarative) 대 명령형(Imperative) 인프라
Terraform 아키텍처 개요
프로바이더 및 리소스(Providers & Resources)
Terraform 상태 관리(State Management)
원격 백엔드 및 상태 잠금(Remote Backends & State Locking)
Terraform 모듈 및 재사용성(Modules & Reusability)
변수 및 출력 관리(Variable & Output Management)
환경 격리를 위한 워크스페이스(Workspaces for Environment Isolation)
Terraform에서의 종속성 관리(Dependency Management in Terraform)
DRY 인프라 패턴
프로비저너(Provisioners) 및 사용을 피해야 할 경우
Terraform Plan 및 Apply 워크플로우
인프라 버전 관리 전략(Infrastructure Versioning Strategy)
다중 환경 인프라 관리(Managing Multi-Environment Infrastructure)
Terraform 보안 모범 사례(Security Best Practices)
🗓 Day 24–25: GitOps 및 지속적인 배포 (Continuous Delivery)
- 깃옵스 원칙(GitOps Principles)
- 선언적 인프라 및 배포(Declarative Infrastructure & Deployments)
- ArgoCD 아키텍처
- Helm 차트 기본 지식(Helm Chart Fundamentals)
- Helm 템플릿팅 및 값 관리(Templating & Values Management)
- Kustomize 기초
- 깃옵스를 통한 애플리케이션 배포
- 자동 동기화 및 자체 복구(Automated Sync & Self-Healing)
- 깃옵스 리포지토리 구조 설계
- 환경 승격 전략(Environment Promotion Strategy)
- 드리프트 감지 및 조정(Drift Detection & Reconciliation)
- 깃옵스에서의 비밀 관리(Secret Management in GitOps)
- 깃옵스에서의 롤백 전략(Rollback Strategies in GitOps)
- 다중 클러스터 배포 패턴
- 깃옵스 워크플로우의 관측 가능성(Observability in GitOps Workflows)
- 플랫폼 엔지니어링 기본 지식(Platform Engineering Fundamentals)
- 데브옵스 대 플랫폼 엔지니어링(DevOps vs Platform Engineering)
- 내부 개발자 플랫폼(IDP) 개념
- 골든 패스 전략(Golden Path Strategy)
- 셀프 서비스 인프라
- 개발자 경험(Developer Experience, DevEx) 원칙
- Backstage 아키텍처 개요
- 서비스 템플릿 및 스캐폴딩(Service Templates & Scaffolding)
- CI/CD 템플릿 자동화
- 인프라 템플릿 자동화
- 쿠버네티스 리소스 템플릿
- 코드로서의 정책 개념(Policy as Code Concepts)
- 표준화 및 거버넌스
- 플랫폼 API 설계 개념
- IDP를 통한 엔지니어링 팀 확장
- 플랫폼 성공 측정 지표(Platform Success Metrics) 측정
📅 Week 5 – AI 플랫폼 통합 및 프로덕션 아키텍처
🎯 초점: 엔드투엔드 AI 인프라, 보안 및 프로덕션 준비 상태
🗓 Day 28–30: 엔드투엔드 AI 플랫폼 아키텍처
- 클라우드 네이티브 AI 시스템 아키텍처
- ML 시스템을 위한 마이크로서비스 아키텍처
- ML 학습(Training) → 검증(Validation) → 배포(Deployment) 흐름
- ML 파이프라인을 위한 이벤트 기반 아키텍처 (EDA)
- API 게이트웨이 및 트래픽 관리
- 서비스 메시 기본 원리 (Service Mesh Fundamentals)
- 확장 가능한 추론(Inference) 아키텍처
- 배치(Batch) 대 실시간 ML 아키텍처
- 모델 레지스트리 통합 패턴
- 데이터 파이프라인 통합
- CI/CD와 MLOps 통합 아키텍처
- GitOps 기반 ML 배포
- 인프라스트럭처 및 애플리케이션 계층 통합
- 다중 환경 아키텍처 설계
- 고가용성(HA) 및 장애 허용성(Fault Tolerance) 설계
- 성능 최적화 전략
🗓 Day 31–32: 고급 배포 전략 (Advanced Deployment Strategies)
- 블루/그린 배포 전략 (Blue-Green Deployment Strategy)
- 카나리 배포 전략 (Canary Deployment Strategy)
- 점진적 배포 개념 (Progressive Delivery Concepts)
- 트래픽 분할 기법 (Traffic Splitting Techniques)
- ML 시스템을 위한 기능 플래그(Feature Flags)
- 모델 A/B 테스트 전략
- 섀도우 배포 (Shadow Deployment)
- 자동 롤백 메커니즘 (Automated Rollback Mechanisms)
- 무중단 배포 설계 (Zero-Downtime Deployment Design)
- 확장 전략 (수평적 및 수직적 Scaling)
- 부하 테스트 개념 (Load Testing Concepts)
- 카오스 엔지니어링 기본 원리 (Chaos Engineering Basics)
- 배포 관측 가능성 (Deployment Observability)
🗓 Day 33–34: 보안 및 거버넌스 (Security & Governance)
- DevSecOps 원칙
- 안전한 CI/CD 파이프라인
- 컨테이너 보안 강화 (Hardening)
- 쿠버네티스(Kubernetes) 보안 모범 사례
- RBAC 설계 패턴 (Role-Based Access Control)
- 네트워크 정책
- 비밀 관리 전략 (Secret Management)
- Vault 개념
- 코드형 정책 (Policy as Code, OPA 개념)
- 이미지 스캐닝 및 취약점 관리 (Vulnerability Management)
- 공급망 보안 (Supply Chain Security)
- 프로덕션 시스템의 SBOM (Software Bill of Materials)
- 규정 준수 및 감사 로깅 (Compliance & Audit Logging)
- 접근 제어 및 신원 관리 (Identity Management)
- 제로 트러스트 아키텍처 개념 (Zero Trust Architecture)
🗓 Day 35: 문서화 및 아키텍처 설계 (Documentation & Architecture Design)
⚠️ [IMG:N] 형식 토큰은 이미지 placeholder 입니다. 번역하지 말고 원래 위치에 그대로 유지하세요.
- 기술 문서화 표준 (Technical Documentation Standards)
- 아키텍처 결정 기록 (Architecture Decision Records, ADR)
- 시스템 설계 다이어그램 (System Design Diagrams)
- CI/CD 흐름 문서화 (CI/CD Flow Documentation)
- ML 파이프라인 문서화 (ML Pipeline Documentation)
- 인프라 아키텍처 다이어그램 (Infrastructure Architecture Diagrams)
- 배포 흐름 다이어그램 (Deployment Flow Diagrams)
- 보안 아키텍처 문서화 (Security Architecture Documentation)
- 모니터링 및 경고(Alerting) 문서화
- API 문서화 표준 (API Documentation Standards)
- 엔지니어링 프로젝트용 README 구조 (README Structure for Engineering Projects)
- 운영 런북 (Operational Runbooks)
🗓 Day 36: 커리어 포지셔닝 및 브랜딩
- AI 인프라 역할을 위한 이력서 구성 (Resume Structuring for AI Infrastructure Roles)
- DevOps + MLOps 경험 강조하기
- 플랫폼 엔지니어로서의 포지셔닝
- 아키텍처 프로젝트 전시하기
- 기술 프로젝트 요약 작성하기
- 탄탄한 GitHub 포트폴리오 구축하기
- LinkedIn 최적화 전략
- 영향 기반 프로젝트 설명 준비하기
- 연봉 협상 준비
🗓 Day 37: 인터뷰 준비 및 시스템 설계
- DevOps 시나리오 기반 질문 (DevOps Scenario-Based Questions)
- MLOps 아키텍처 인터뷰 질문 (MLOps Architecture Interview Questions)
- 플랫폼 엔지니어링 사례 연구 (Platform Engineering Case Studies)
- Kubernetes 심층 질문 (Kubernetes Deep-Dive Questions)
- CI/CD 문제 해결 시나리오 (CI/CD Troubleshooting Scenarios)
- ML 프로덕션 실패 시나리오 (ML Production Failure Scenarios)
- 확장 가능한 ML 플랫폼을 위한 시스템 설계 (System Design for Scalable ML Platform)
- 멀티테넌트(Multi-Tenant) 플랫폼 시스템 설계하기
- 인시던트 대응 시나리오 (Incident Response Scenarios)
- 아키텍처에서의 트레이드오프 분석 (Trade-Off Analysis in Architecture)
- 성능 병목 현상 디버깅 (Performance Bottleneck Debugging)
- 모의 인터뷰 시뮬레이션 주제 (Mock Interview Simulation Topics)
📅 Week 6 – 생성형 AI 기초
🎯 초점: 대규모 언어 모델(LLM) 이해하기
🗓 Day 38~39: 생성형 AI의 기초 (Foundations of Generative AI)
- AI → ML → 딥러닝(Deep Learning) → 생성형 AI의 진화
- 트랜스포머 아키텍처 (Transformer Architecture)
- 어텐션 메커니즘 (Attention Mechanism)
- 토큰 및 토큰화 (Tokens & Tokenization)
- 임베딩 (Embeddings)
- 위치 인코딩 (Positional Encoding)
- 컨텍스트 윈도우 (Context Window)
- 프롬프트 완성 (Prompt Completion)
- 텍스트 생성 과정
- 온도 (Temperature)
- Top-k 샘플링 (Top-k Sampling)
- Top-p 샘플링 (Top-p Sampling)
- 환각(Hallucination) 현상
- 추론(Inference) 대 학습(Training)
- 파운데이션 모델 (Foundation Model)
- 오픈 소스 대 클로즈드 소스 모델 (Open-source vs Closed-source Models)