‘AI 부트캠프’라는 이름만으로는 배울 내용을 알기 어렵습니다. 데이터 분석에 집중하는 과정, 모델 학습을 다루는 과정, 생성형 AI 서비스를 만드는 과정은 필요한 선수 지식과 결과물이 다릅니다. 등록 전 커리큘럼을 데이터·모델·평가·배포 네 구간으로 나눠 확인하세요.
데이터 실습이 있는가
데이터를 가져와 정제하고 학습·검증 자료를 분리하는 작업이 포함되어야 합니다. 이미 정리된 예제만 실행하는 과정이라면 실제 문제에서 무엇을 해야 하는지 배우기 어렵습니다. Google 머신러닝 단기 강좌는 수치·범주형 데이터, 일반화, 과적합을 별도 주제로 다룹니다. 교육 과정의 데이터 단원이 어느 수준까지 이어지는지 대조해 보세요.
모델 결과를 어떻게 평가하는가
정확도 하나만 보고 성능을 결론 내리지 않는지 확인하세요. 문제에 맞는 평가 지표, 기준 모델, 오류 분석, 데이터 누수 점검이 프로젝트 평가표에 있어야 합니다. 생성형 AI 프로젝트라면 답변의 근거와 실패 사례를 수집하고, 평가 방법을 설명할 수 있어야 합니다. ‘최신 모델 활용’이라는 홍보 문구만으로 실습 깊이를 판단하지 마세요.
배포와 운영을 다루는가
노트북에서 끝나는 실습과 API로 공개해 로그·오류를 점검하는 프로젝트는 범위가 다릅니다. 배포 환경, 인프라 요금 부담, 개인정보 처리, 유지보수 책임을 과정 소개에서 확인하세요. 결과물은 README에 실행 방법과 사용 데이터의 출처·제약을 남길 수 있어야 합니다.
수강 전 질문할 항목
팀 프로젝트에서 개인별 기여를 어떻게 구분하나요? 코드 리뷰를 누가 얼마나 자주 하나요? 최종 결과물은 외부에 공개할 수 있나요? 선수 지식이 부족할 때 보충 자료가 있나요? 이 질문의 답을 서면으로 받아 세 과정을 같은 표에서 비교하세요. 국비지원 대상이라면 고용24의 공식 지원 안내에서 현재 자격과 비용 조건을 확인하세요. 교육기관의 취업 보장 문구는 집계 기준을 따로 검증해야 합니다.
과정에서 만든 AI 프로젝트를 어떻게 설명할지 계획하려면 AI 서비스 기획 포트폴리오 작성법을 참고하세요.