2025년은 에이전트의 해, 단순 LLM을 넘어 자율 시스템을 구축하는 법
LLM을 활용한 워크플로와 자율 에이전트의 설계 원리, 추론 모델의 작동 방식, 그리고 MCP와 A2A 등 에이전트 생태계의 표준 프로토콜을 다룹니다.
AI 연구자 시각에서 복잡한 최신 AI 아키텍처와 논문을 대중적이고 기술적으로 정확하게 풀어내는 능력
LLM을 활용한 워크플로와 자율 에이전트의 설계 원리, 추론 모델의 작동 방식, 그리고 MCP와 A2A 등 에이전트 생태계의 표준 프로토콜을 다룹니다.
LLM 애플리케이션의 신뢰성을 확보하기 위한 평가 체계 구축 방법과 RAG 시스템의 성능을 측정하는 핵심 지표를 다룹니다.
AI 에이전트가 학습 데이터의 편향을 흡수하고 자율적 행동을 통해 이를 사회적으로 확산 및 증폭시킬 위험성을 경고한다.
AI 에이전트의 자율성 증가에 따른 편향 증폭 위험을 분석하고, 시스템 아키텍처 설계를 통한 통제 및 완화 전략을 제시한다.
AI 에이전트 프로젝트의 성공을 위해 요구사항 정의부터 아키텍처 선택, 도구 구성, 검증 루프 구축까지의 전 과정을 실무 사례와 함께 제시한다.
AI 에이전트가 복잡한 문제를 자율적으로 해결하기 위해 사용하는 ReAct 루프와 Plan-and-Execute 아키텍처의 작동 원리 및 선택 기준을 상세히 분석한다.
AI 엔지니어 면접의 핵심인 24시간 프로젝트 과제를 성공적으로 수행하기 위해 데이터 구축부터 평가 지표 설정, 문서화까지의 실전 프로세스를 OCR 파이프라인 예시와 함께 상세히 제시한다.