1AI 조사 결과 검증 및 팩트체크: 확률(Probability) 기반 신뢰도 평가"• AI Math: AI는 ""다음 단어 예측"" 기계 (확률 기반 답변 생성) • 할루시네이션 원리: 학습 데이터 부재 시 확률 계산 오류로 발생 • Temperature 파라미터: 확신의 정도 조절 (낮으면 일관성, 높으면 창의성) • 팩트체크 3단계: 출처 요청 → 교차 검증 → 최신성 확인"
2AI Pre campus 과정 소개와 과정 목표+프롬프트 엔지니어링 기초 원칙 및 구조화[AI Pre campus 과정 소개와 과정 목표] • AI 도구 사용자(User)에서 AI 개발자(Developer)로의 전환 로드맵 • 과정 구성 10개 챕터, 22차시, 27시간 • 핵심 역량 매트릭스 소개 (AI Math, Computational Thinking, Data & API Literacy) • 평가기준 및 수료 요건 안내, LMS 사용법 [프롬프트 엔지니어링 기초 원칙 및 구조화] • 프롬프트 엔지니어링 중요성: 효율적 답변 획득 및 비용 절감 • RAIL 프레임워크 상세: Role(역할 부여), Ask(구체적 요청), Iterate (반복 / 피드백), Learn(학습) • 실무 문제 적용사례: 25개 법인장 경영보고회 시나리오 등
3생성형AI 실무활용 기초: AI를 활용한 리서치와 아이디에이션• AI 기반 정보 수집 전략 및 다양한 관점 탐색 기법 • 아이디어 브레인스토밍 및 리서치 결과 정리 / 구조화 • 실습: 특정 주제 리서치 보고서 작성
4문답형 챗봇을 실제로 만들어보기• Gemini 맞춤형 챗봇 생성 단계 실습 • 문서 업로드 및 학습, 질의응답 테스트 수행
5RAG 기술 소개: 벡터화(Vectorization)와 청킹(Chunking) 전략• RAG 원리: 오픈북 시험 비유 (참고 자료 기반 답변) • AI Math (벡터): 텍스트를 숫자 배열로 변환하여 유사도 계산 (벡터 임베딩) • 청킹 전략: 입력 한계 극복 및 검색 정확도를 위한 문서 분할 • 오버랩 전략: 문맥 단절 방지를 위한 중복 구간 설정
6[PBL 프로젝트] 사내 규정(PDF)을 활용하여 RAG DB를 만들고 할루시네이션 없는 Q&A 챗봇 구축하기[프로젝트 목표] • PBL: 실제 데이터(익명화된 기업 데이터) 기반 RAG 챗봇 제작 • 문제 정의 → 데이터 분석 → 모델링 → 평가 단계별 수행 [4단계 실습] 1. 문제 정의: 소통 비용 절감 및 업무 효율화 목표 설정 2. 데이터 분석: 문서 구조 분석, 청킹 / 오버랩 전략 수립 3. 모델링: RAG 시스템 구축, 벡터 임베딩 설정, LLM 연동 4. 평가: 답변 정확도 평가, 할루시네이션 방지, 출처 표시 확인
7생성형 AI 모델 이해 프롬프트엔지니어링과 AI가 바꾸는 생태계 변화• 생성형 AI 모델 파라미터 (Temperature, Top-p, Max tokens 등) • 모델 통제 전략 및 디지털 전환(DX)의 새로운 관점
8맞춤형 AI Agent를 활용한 다양한 문제 해결+맞춤형 AI 챗봇을 위한 기초 프롬프트 전략[맞춤형 AI 챗봇의 필요성과 사용 방법] • 범용 AI vs 맞춤형 AI 비교 • 맞춤형 챗봇 활용 사례 및 비즈니스 가치 • Google Gemini 맞춤형 챗봇 생성 실습 및 설정 방법 [맞춤형 AI 챗봇을 위한 기초 프롬프트 전략] • 챗봇용 시스템 프롬프트 작성법 • 페르소나 설정, 톤앤매너 조정, 제약 조건 설정 전략
9맞춤형 AI 챗봇 소개와 문답형 챗봇 작동 메커니즘"• 문답형 챗봇 아키텍처 및 작동 원리 • 입출력 구조와 데이터 흐름 이해 • RAG 기초 개념 소개"
10생성형 AI와 함께하는 논리적 문제해결(문제 분해)• Computational Thinking 4대 요소: 분해, 패턴인식, 추상화, 알고리즘 • 문제 분해: 복잡한 문제를 작은 단위로 나누는 전략 (Decomposition) • AI 협업: AI를 활용한 문제 해결 프로세스 설계 및 실무 문제 분해 연습
11생성형AI를 활용한 Google Apps script기반 자동화_1• GAS 소개: Google Workspace 자동화 가능성 및 실무 사례 • Low-Code 접근: 단순 문법 훈련이 아닌 문제 해결 수단으로서의 스크립트 활용 • 워크플로우와 함수(Function) 개념 이해
12생성형AI를 활용한 Google Apps script기반 자동화_2• 데이터 처리: 구글 시트 데이터 읽기 / 쓰기 • 서비스 연동: 시트-캘린더 연동 자동화 실무 사례 구현 • 데이터 기반 자동화 로직 설계
13Google Apps script를 활용한 구글 캘린더, 이메일 자동화• Gmail 자동화: 조건부 로직을 통한 이메일 발송 자동화 • 트리거(Trigger): 시간 기반 / 이벤트 기반 트리거 설정 및 스케줄링 • 전체 자동화 워크플로우 완성
14데이터 리터러시: 데이터 패턴 인식과 통계(Statistics) 기초• 데이터 분석 4단계: 기록(Record)→읽기(Read)→질문(Question)→결정(Deciding) • 평균(Mean): 데이터의 중심 경향성 파악 • 분산(Variance): 데이터의 변동성 및 리스크 파악 • 분포(Distribution): 정규분포 및 이상치(Anomaly) 탐지 원리
15ML 모델 만들기: 입력-출력 관계와 함수(Function)의 원리• 함수(Function): 입력을 받아 출력을 내놓는 상자 (ML 모델의 본질) • 손실함수(Loss Function): ""예측이 틀린 점수"", 에러 최소화 과정 학습 • Python 실습: 단순 문법이 아닌 AI 모델 이해 수단으로서 활용 (이직 예측 모델 등)
16Google AI Studio 소개 및 Gemini API를 연동하여 활용하기• Google AI Studio 소개 및 Gemini 모델 테스트 • API Key 발급 및 보안 관리 • JSON 요청 / 응답 구조 이해 (인터페이스 기초)
17AI Studio 활용 웹서비스 만들기• 웹서비스 기본 구조 (HTML / CSS / JS) 이해 (문제해결 수단) • API 연동: AI Studio와 웹 인터페이스 연결 • 사용자 입력 데이터 처리 및 AI 응답 시각화
18AI Studio & Cloud Run을 활용해서 서비스 배포하기• Cloud Run: 서버리스 컨테이너 배포 개념 이해 • 서비스 배포 실습 및 URL 생성 • 배포 후 관리 및 업데이트
19[PBL 프로젝트] AI Studio와 구글스프레드시트, 그리고 Gemini가 연결된 AI 서비스 만들기[프로젝트 목표] • 종합 프로젝트: 전체 과정 학습 내용을 통합한 AI 서비스 개발 • 공공데이터 API, Gemini, 스프레드시트 DB 연동 서비스 구현 및 배포 [4단계 실습] 1. 문제 정의: 해결하려는 문제와 타겟 명확화 2. 데이터 분석: API 연동, 데이터 수집 및 전처리 로직 구현 3. 모델링: AI 모델(Gemini) 또는 통계 기법 적용, 시각화 4. 평가: Cloud Run 배포, 실사용 가능성 검증
20AI 윤리와 책임 (AI윤리, 데이터 보안, 저작권)• AI 윤리: 편향성(Bias), 공정성, 투명성, 책임성 원칙 • 데이터 보안: 개인정보 보호법, 민감 정보 처리 주의사항 • 저작권: AI 생성 콘텐츠 및 학습 데이터 저작권 이슈
수강 대상
내배픽 요약
K-디지털 기초역량훈련은 제도상 전공과 학력을 보지 않습니다. 아래는 기관이 덧붙인 조건입니다.
ㆍ(기본이론) 해당 과정은 산업분야의 구분없이 비개발분야 재직자 및 취업준비생을 대상으로 AI 리터러시 역량과 다양한 실무 사례를 기반으로한 실습 교육을 통하여 단순활용(Consumer)하는단계를넘어,실제 업무데이터를 연동하고 어플리케이션을 직접 구현하는 AI Prototyper 양성을 목표로 하는 훈련과정으로 인공지능 분야 중 생성형 AI 활용 역량을 포함한 훈련과정임
