콘텐츠로 이동

4. 레벨 체계와 수업 운영

4-1. 레벨 체계

레벨 체계는 학습 깊이와 수업 운영 방식을 구분하기 위한 기준입니다. Core, Lab, Demo, Mention은 강의 중 다루는 방식을 나타내고, Appendix는 관심 있는 수강생이 더 살펴볼 수 있는 확장 주제입니다.

레벨 의미 예시
Core 반드시 설명해야 하는 핵심 개념 AI 품질 개요, 데이터 품질, 모델 지표, 운영 품질
Lab 수강생이 직접 따라 하는 실습 Pandas 데이터 확인, 모델 평가, API 호출, 로그 분석
Demo 준비된 실행 경로와 산출물을 확인하며 판단 포인트를 읽는 활동 평가 기록 비교, Kubernetes 상태 확인, Grafana 대시보드
Mention 시간이 부족하면 언급만 하고 넘어가는 내용 회귀 지표, 기타 모델 지표, 운영 사례, 심화 설정
Appendix 관심 있는 수강생을 위한 확장 주제와 간략 안내 LLM 품질 검증, Agent 품질 검증, Vision AI 품질 검증

레벨은 중요도를 낮추기 위한 표시가 아니라 강의 중 다루는 방식의 차이를 나타냅니다. Core는 반드시 이해해야 할 개념이고, Lab은 직접 손으로 확인하는 실습이며, Demo는 준비된 실행 경로나 산출물을 통해 판단 포인트를 확인하는 방식입니다. 수업 시간에는 Demo를 빠르게 함께 확인할 수 있지만, 시간이 있는 수강생은 제공 스크립트와 산출물 경로를 따라 같은 증거를 직접 재현할 수 있습니다.

4-2. 2일 과정 운영 순서

2일 운영 순서는 기존에 공지된 커리큘럼의 큰 흐름을 유지하면서, 실제 교안에서는 수강생이 읽고 실습하기 쉬운 장과 절 단위로 나누어 구성합니다. 공지된 흐름은 데이터 품질에서 모델 평가, 서빙 구조, 운영 관측, 이상 감지와 QA 체크리스트로 확장됩니다.

2일 과정 커리큘럼

그림은 강의가 어떤 순서로 확장되는지 보여주는 운영 기준입니다. 아래 표는 세부 목차가 아니라, 오전과 오후에 다룰 큰 주제를 한눈에 확인하기 위한 요약입니다.

구분 시간 공지된 주요 흐름
1일차 오전 09:30~12:20 AI 품질 개요, 데이터 품질의 중요성, 데이터 품질 확인 실습
1일차 오후 13:30~17:20 데이터 검증 자동화, 모델 품질 지표 이해, 모델 성능 평가 실습, 모델 실험 관리
2일차 오전 09:30~12:20 컨테이너와 모델 서빙, API 구성, Kubernetes 기본, 모델 배포 실습
2일차 오후 13:30~17:20 운영 품질의 위협 요인, 로그와 지표 수집, 대시보드 품질 관리, 품질 이상 감지와 대응

공지된 커리큘럼은 2일 운영을 설명하기 위한 상위 흐름입니다. 실제 교안은 같은 흐름을 유지하되, 개념 이해, 실습 수행, 결과 해석이 끊기지 않도록 더 작은 학습 단위로 나눕니다. 각 시간 블록은 새로운 주제를 따로 배우는 구간이 아니라, 최종 릴리스 판단에 필요한 증거를 하나씩 누적하는 구간입니다.

4-2-1. 1일차 오전: AI 품질과 데이터 품질 기초

1일차 오전은 AI 품질을 기존 소프트웨어 품질과 구분하고, 데이터 품질 문제가 모델 평가 신뢰도에 어떻게 연결되는지 이해하는 시간입니다. 공지된 “AI 품질의 개요”, “데이터 품질의 중요성”, “데이터 품질 확인 실습”은 교안에서 1장으로 구성합니다.

  • 1-1 AI 품질의 개요 [Core]
  • 1-2 데이터, 모델, 운영 품질의 연결 [Core]
  • 1-3 데이터 품질의 중요성 [Core]
  • 1-4 Pandas 기반 데이터 품질 확인 실습 [Lab]
  • 1-5 모델 평가 전 데이터 품질 결과 해석 [Core]

이 블록의 핵심은 결측치, 이상치, 라벨(label) 오류, 클래스(class) 불균형을 단순 데이터 오류가 아니라 모델 평가를 흔드는 품질 이슈로 해석하는 것입니다. 실습은 데이터를 깨끗하게 만드는 것이 아니라, 평가를 진행해도 되는지 설명할 근거를 모으는 데 초점을 둡니다.

4-2-2. 1일차 오후: 데이터 검증과 모델 품질 평가

1일차 오후는 데이터 검증 자동화와 모델 지표 해석을 연결하는 시간입니다. 공지된 “데이터 검증 자동화”, “모델 품질 지표 이해”, “모델 성능 평가 실습”, “모델 실험 관리”는 교안에서 2장으로 구성합니다.

  • 2-1 데이터 검증 자동화의 필요성 [Core]
  • 2-2 Great Expectations 기반 검증 리포트 확인 [Demo]
  • 2-3 모델 품질 지표 이해 [Core]
  • 2-4 scikit-learn 기반 모델 평가와 기록 실습 [Lab]
  • 2-5 데이터 품질과 성능 지표의 연결 [Lab]
  • 2-6 평가 기록 기반 버전 비교 [Demo]

이 블록의 핵심은 Accuracy 하나로 모델 품질을 판단하지 않는 것입니다. 실습은 Precision, Recall, FP/FN, Confusion Matrix, AUROC, PR-AUC를 함께 보고, 데이터 품질 변화가 점수(score), 예측(prediction), 지표(metric)에 어떤 흔적을 남기는지 확인합니다. 회귀 모델과 기타 모델 지표는 Mention 수준으로 다룹니다.

4-2-3. 2일차 오전: AI 서비스와 모델 서빙 구조

2일차 오전은 학습된 모델이 서비스로 제공될 때 어떤 실행 구조를 갖는지 확인하는 시간입니다. 공지된 “컨테이너와 모델 서빙”, “API 구성”, “Kubernetes 기본”, “모델 배포 실습”은 교안에서 3장으로 구성합니다.

  • 3-1 컨테이너 기본 개념 [Core]
  • 3-2 모델 서빙 구조와 실행 단위 [Core]
  • 3-3 FastAPI 기반 예측 API 확인 [Lab]
  • 3-4 요청과 응답 흐름 이해 [Core]
  • 3-5 Docker 기반 모델 컨테이너 실행 [Demo]
  • 3-6 Train-Serving Skew와 서빙 일치성 검증 [Core]
  • 3-7 Kubernetes 실행 구조 이해 [Mention]
  • 3-8 모델 배포 흐름 확인 [Demo]

이 블록의 핵심은 API가 응답한다는 사실만으로 모델 서빙 품질을 판단하지 않는 것입니다. 입력 스키마(schema), 특성(feature), 전처리, 라벨 기준, 임계값(threshold), 모델 버전(model version)이 학습과 서빙 사이에서 일관되게 유지되는지 확인합니다.

4-2-4. 2일차 오후: 운영 관측과 AI QA 전략

2일차 오후는 운영 중 발생하는 품질 변화를 로그, 지표, 대시보드, 이상 감지 결과로 해석하는 시간입니다. 공지된 “운영 품질의 위협 요인”, “로그와 지표 수집”, “대시보드 품질 관리”, “품질 이상 감지와 대응”은 교안에서 4장과 5장으로 구성합니다.

  • 4-1 운영 품질의 위협 요인 [Core]
  • 4-2 Logging, Metrics, Tracing의 차이 [Core]
  • 4-3 구조화 로그와 Request ID [Core]
  • 4-4 로그와 지표 확인 도구 [Demo]
  • 4-5 Grafana 대시보드 확인 [Demo]
  • 4-6 운영 품질 관측 실습 [Lab]
  • 5-1 입력 데이터 분포 변화 확인 [Lab]
  • 5-2 Score와 Prediction Distribution 분석 [Lab]
  • 5-3 운영 이상 징후 탐지와 원인 추적 [Lab]
  • 5-4 AI 품질 회귀 테스트 전략 [Core]
  • 5-5 테스트 데이터 설계 전략 [Core]
  • 5-6 배포 승인과 운영 전환 기준 [Core]
  • 5-7 실제 장애 사례 분석 [Mention]
  • 5-8 AI QA 체크리스트 정리 [Lab]

이 블록의 핵심은 운영 신호를 장애 대응 자료로만 보지 않고 품질 판단 근거로 함께 사용하는 것입니다. 에러율(error rate)과 지연 시간(latency)뿐 아니라 검증 실패(validation failure), 점수 분포(score distribution), 예측 분포(prediction distribution), 모델 버전(model version), 임계값을 함께 확인합니다. 5-8은 새 개념 설명이 아니라 최종 산출물 조립 Lab입니다. 최종 판단은 단순 승인 또는 단순 보류가 아니라 현재 근거, 남은 리스크, 담당 owner, 다음 확인 항목, 재평가 조건까지 포함한 release gate 의견으로 정리합니다.

4-2-5. 공지 흐름과 교안 구조의 차이

공지된 커리큘럼은 수강생이 2일 과정을 빠르게 이해할 수 있도록 만든 요약입니다. 실제 교안은 같은 흐름을 유지하면서도, 실습 전 개념 설명과 실습 후 결과 해석을 분리해 학습 단위를 더 세분화합니다.

공지된 흐름 교안에서 세분화한 이유
데이터 품질 확인 실습 실습 실행과 결과 해석을 1-4와 1-5로 분리
모델 품질 지표 이해 분류 지표를 Core로 다루고 회귀/기타 지표는 Mention으로 제한
모델 배포 실습 Docker 실행, Kubernetes 구조, 서빙 일치성 검증을 분리
품질 이상 감지와 대응 운영 관측은 4장, 이상 감지와 승인 기준은 5장으로 분리

이 차이는 공지된 흐름과 실제 교안이 어긋난다는 뜻이 아닙니다. 강의 운영표는 큰 주제의 순서를 보여주고, 교안 목차는 그 주제를 수강생이 따라 읽고 실습할 수 있는 단위로 풀어낸 구조입니다.