왜 배우나요?
AI 모델이 아무리 뛰어나더라도, 사용자가 직접 체감할 수 있으려면 웹 서비스 형태로 구현되어야 합니다.
사용자가 직접 사용하는 화면을 만드는 프론트엔드(React)와, 데이터를 주고받는 백엔드 서버(FastAPI) 를 함께 학습하여, AI 기능을 서비스로 연결하고 제공할 수 있는 역량을 키우는 과정입니다.

무엇을 할 수 있게 되나요?
· React를 사용해 사용자 친화적인 웹 화면을 만들 수 있습니다.
· FastAPI를 이용해 AI 모델과 데이터를 주고받는 서버를 만들 수 있습니다.
· 프론트와 백엔드를 연결해 실제 서비스 형태의 AI 웹 애플리케이션을 구현할 수 있습니다

왜 배우나요?
AI와 웹 서비스의 중심에는 항상 데이터가 있습니다.
데이터를 안전하게 저장하고, 필요할 때 빠르게 꺼내 쓰고, 여러 사용자와 동시에 처리하기 위해서는
데이터베이스 시스템(DBMS)에 대한 이해가 필수입니다.
데이터베이스의 구조부터 설계, SQL 실습, API 연동, 운영까지 실무 전반에 필요한 핵심 기술을 학습하는
과정입니다.

무엇을 할 수 있게 되나요?
· 데이터를 구조적으로 설계하고, SQL을 사용해 원하는 데이터를 조회·수정·삭제할 수 있습니다.
· ERD 작성 및 정규화를 통해 서비스에 최적화된 데이터베이스 구조를 설계할 수 있습니다.
· FastAPI와 연동해 실제 웹 애플리케이션에서 데이터를 실시간으로 주고받는 기능을 구현할 수 있습니다.
· 트랜잭션 관리, 백업·복구, 성능 튜닝 등 안정적이고 효율적인 운영 전략을 익힐 수 있습니다.

왜 배우나요?
AI의 핵심은 데이터를 학습해 스스로 판단하는 딥러닝 모델입니다.
딥러닝의 작동 원리부터 실제 모델 설계, 학습, 성능 개선, 서비스 적용까지 전 과정을 실습합니다.
모델을 단순히 ‘만드는 것’에 그치지 않고, 현실에서 돌아가고 응답할 수 있도록 최적화하고 배포하는
방법까지 배울 수 있는 실무 중심 교육입니다.

무엇을 할 수 있게 되나요?
· PyTorch를 활용해 딥러닝 모델을 설계하고 학습할 수 있습니다.
· 드롭아웃, 정규화, 데이터 증강 등의 과적합 방지 기법을 적용할 수 있습니다.
· 모델을 경량화하고, Triton & TensorRT를 이용해 서빙 및 추론 최적화를 수행할 수 있습니다.
· 완성한 모델의 성능을 측정하고 실제 서비스에 배포하는 전 과정을 실습할 수 있습니다.

왜 배우나요?
AI 기술은 이제 단순한 예측을 넘어, 사람처럼 이미지를 이해하고, 문장을 생성하며, 의미를 추론하는
수준까지 발전하고 있습니다.
이러한 고도화된 AI 기능을 가능하게 하는 최신 기술들을 학습합니다.
텍스트 분석부터 이미지 생성, 멀티모달(이미지+텍스트 결합) 처리까지, 실제 산업 현장에서 바로 활용 되는 첨단 AI 모델을 직접 구현해 보며 실무 역량을 키울 수 있습니다.

무엇을 할 수 있게 되나요?
· BERT, GPT, YOLO, GAN, Diffusion 모델 등 최신 딥러닝 모델을 직접 구현하고 실습할 수 있습니다.
- 자연어 처리(NLP) 기술을 활용해 문서 요약, 감정 분석, 챗봇 등의 기능을 개발할 수 있습니다.
- 컴퓨터 비전 기술로 이미지 분류, 객체 탐지, 이미지 생성 모델을 설계하고 응용할 수 있습니다.
- 텍스트와 이미지를 동시에 다루는 멀티모달 AI 시스템(CLIP, DALL·E 등)을 구축해 볼 수 있습니다.
- 다양한 산업 분야(헬스케어, 고객 서비스, 콘텐츠 생성 등)에 적용 가능한 AI 서비스 설계 경험을 쌓게
 됩니다.

왜 배우나요?
모든 웹 서비스와 AI 시스템은 서버와 네트워크 인프라 위에서 실행됩니다.
클라우드 이전이나 웹 서비스 운영을 위해서는 리눅스 환경에서의 시스템 관리와 네트워크 설정 능력이
필수입니다. 개발자와 인프라 담당자가 꼭 알아야 할 운영체제 리눅스와 기본 네트워크 구성 원리를 실습
중심으로 배웁니다.

무엇을 할 수 있게 되나요?
· 리눅스 명령어를 활용해 서버 파일 관리, 사용자 관리, 서비스 설정을 수행할 수 있습니다.
· SSH, 방화벽, 시스템 모니터링 등 기본 서버 운영 관리 업무를 직접 실습할 수 있습니다.
· IP 주소 설정, 서브넷팅, DHCP/DNS, 라우팅 등을 통해 네트워크 환경을 스스로 구성하고 진단할 수 있습니다.
· 클라우드나 컨테이너 환경으로 이전하기 전, 온프레미스 기반 시스템을 이해하고 운영할 수 있는 기반을 다집니다.

왜 배우나요?
AI 서비스나 웹 애플리케이션은 단순히 개발만으로 끝나지 않습니다.
빠르고 안정적으로 배포하고, 중단 없이 운영하려면 컨테이너 기술(Docker)과 오케스트레이션 플랫폼 (Kubernetes)이 필요합니다.
실제 엔터프라이즈 기업에서 많이 사용하는 RedHat OpenShift 기반의 컨테이너 운영 환경을 실습하며, 서비스의 자동화, 확장성, 유지관리 능력을 함께 갖추게 됩니다.

무엇을 할 수 있게 되나요?
· Docker를 이용해 서비스 단위로 패키징하고 실행할 수 있습니다.
· Docker-compose, Swarm 등을 통해 다중 컨테이너 관리와 확장성 있는 서비스 배포가 가능합니다.
· Kubernetes를 활용해 Pod, Service, Deployment 구성 및 오토스케일링을 설정할 수 있습니다.
· OpenShift 환경에서 컨테이너 기반 애플리케이션을 안정적이고 자동화된 방식으로 운영할 수 있습니다.

왜 배우나요?
AI 서비스와 웹 애플리케이션은 대부분 클라우드 환경에서 운영됩니다.
그 중에서도 AWS(Amazon Web Services)는 전 세계적으로 가장 많이 사용되는 클라우드 플랫폼입니다.
AWS를 통해 인프라 구성부터 보안, 스토리지, 서버리스 운영, 자동화까지 실무에 꼭 필요한 클라우드 기술
전반을 익히는 과정입니다.

무엇을 할 수 있게 되나요?
· EC2, S3, RDS, Lambda 등 AWS의 핵심 서비스로 AI 및 웹 서비스 인프라를 구성할 수 있습니다.
· IAM, VPC, 보안 그룹, WAF 등 보안 설정과 계정 관리를 통해 안전한 환경을 운영할 수 있습니다.
· CloudWatch, Auto Scaling을 활용해 서비스 상태를 모니터링하고 자동 확장 설정을 할 수 있습니다.
· CloudFormation 등 IaC 도구를 통해 반복 가능한 인프라 구성 자동화가 가능합니다.
· 서버리스 아키텍처(API Gateway, SNS, SQS 등)를 활용해 유연하고 확장성 높은 시스템 설계가
 가능합니다.

왜 배우나요?
최근 기업에서는 생성형 AI를 단순한 실험이 아닌 실제 비즈니스에 적용하려는 움직임이 빠르게
확산되고 있습니다.
IBM watsonx.ai는 기업 환경에 특화된 생성형 AI 플랫폼으로, 프롬프트 설계부터 API 연동, 벡터
검색 기반 RAG 아키텍처까지 실무형 AI 시스템 개발을 가능하게 하는 솔루션입니다.

무엇을 할 수 있게 되나요?
· Watsonx.ai에서 프롬프트 기반 AI를 설계하고 실습할 수 있습니다.
· RAG, 벡터 DB, LangChain 등 최신 AI 활용 구조를 적용할 수 있습니다.
· IBM 기술을 바탕으로 기업용 AI 서비스를 설계하고 구현할 수 있습니다.

왜 배우나요?
AI 기술을 배웠다면, 이제는 실제 비즈니스에 적용해보는 것이 중요합니다.
지금까지 학습한 모든 기술(프로그래밍, AI 모델, 웹 개발, 클라우드, API 연동 등)을 종합해 현실적인
서비스 시나리오를 직접 기획하고 개발해보는 실전 프로젝트 과정입니다.
단순한 코드 실습이 아닌, 사용자 요구에 맞는 문제 정의부터 기획, 설계, 개발, 발표까지 전 과정을 팀
단위로 수행하며, 실제 포트폴리오로 활용할 수 있는 수준의 완성도 있는 결과물을 만들게 됩니다.

무엇을 할 수 있게 되나요?
· 학습한 LLM/LMM 기반 AI 기술을 실전 서비스에
 기획 → 설계 → 개발 → 배포까지 종합적으로 구현할 수 있습니다.
· AI 모델, 데이터베이스, 웹 프론트/백엔드, 클라우드, 컨테이너 등 전 교과목에서 배운 내용을 통합
 적용합니다.
· 팀 단위 협업 경험과 발표 경험을 통해 실무 프로젝트 진행 능력과 문제 해결  역량을 갖추게 됩니다.