최근 날씨가 급격히 건조해지며 연이어 발생하는 화재, 기온이 낮아지고 눈이 내리기 시작하며 도로가 갑작스럽게 얼어붙어 교통사고 위험이 크게 상승하는 등, 기온·습도·강수량·교통량 같은 변수가 우리의 안전을 위협하고 있습니다.

심지어 엊그제 수원반 교육장 근처에서도 화재사고가 있었어요!😱

저의 귀갓길에는 포장한지 얼마 안 된 도로가 있는데, 밤에는 여기가 얼마나 미끄러운지 육안으로 판단하기 어렵고, 심지어 오늘 눈이 내리니 더욱 미끄러워지는 바람에 생명의 위협을 느꼈습니다🥶 ‘일상 속 문제를 데이터로 예측하거나 최소화할 방법은 없을까?‘라는 생각은 여기서부터 시작되었습니다.

마침 오늘 등교길(?)에 들은 팟캐스트에서는 **팔란티어(Palantir)**와 **스노우플레이크(Snowflake)**의 비즈니스 사례가 소개되었는데, 두 기업 모두 ‘현실 세계에서 발생하는 복잡하고 반복적인 문제를 데이터 기반으로 해결한다’는 공통점을 가지고 있습니다. 좌표·센서·행동 패턴·재난·인프라 데이터를 모아 분석하고, 이를 기반으로 의사결정을 지원하는 비즈니스 모델이 인상깊었습니다.

특히, 익명의 구매자가 사들인 건물에 물자와 식량이 드나드는 것을 수상하게 여기고, 서로 엇갈리는 정보를 통합적이고 효과적으로 분석하여 오사마 빈 라덴의 은신처를 찾아낸 팔란티어의 일화는 너무나 경이롭고 흥미진진 그 자체였습니다.

그리고 저는 이렇게 생각했습니다.

나도 지금의 교육과정을 통해 현실의 문제를 데이터로 해결해보자.

저는 11월부터 인텔(Intel)·한국표준협회·고누아이가 제공하는 ‘인텔 인공지능 인재교육’ 5기에 합류한 수원반 교육생입니다. 교육과정 시작으로부터 약 1개월 정도가 지났고, 지금까지 배운 내용을 토대로 이후 4주 동안의 학습 로드맵을 짜보려 합니다.

① 월간 학습 목표

이번 1개월, 4주간의 목표는 다음 네 가지 기술적 역량을 확보하는 것입니다.

1. 안정적 개발 환경 구성 능력 확보 → 미니 프로젝트를 기획·설계함과 동시에, 환경 변수가 불안정하면 모델을 제대로 돌릴 수 없으므로 프로젝트의 기반이 되는 안정적 개발환경 조성부터 시작합니다.

2. 다양한 데이터셋 처리 능력 확보 → Kaggle, 공공데이터, 센서데이터 등 폭넓은 데이터셋을 다루며 ‘문제 정의–전처리–학습–평가’의 데이터 처리 flow와 친해져 보겠습니다.

3. 딥러닝의 기본 구조 및 이미지 기반 분석 감각 체득 → 현실 문제 중 상당수는 결국 이미지·센서 기반이므로, 이미지 처리 흐름을 이해하는 것은 선택이 아니라 필수입니다.

4. 1주차에 설정한 목표와 설계 내용을 기반으로 미니 프로젝트 완성 → 작동 가능한 작은 기능이라도 스스로 설계→구현→검증까지 완주하는 경험을 확보하겠습니다.

이 네 가지 목표는 모두 ‘현실 문제 해결형 데이터 역량’을 구성하는 핵심 요소이며, 팔란티어나 스노우 플레이크가 구축했던 데이터 기반 사고방식과도 이어집니다.

② 주차별 실습·기술 목표

🔹 1주차 — 안정적 환경 구현 & 프로젝트 목표 설정 및 설계

1. 주차 목표

AI 개발은 환경이 흔들리면 한 걸음도 나아가기 어렵습니다. 따라서 첫 주차 목표는 다음과 같습니다.

• OS/패키지/런타임 버전 충돌 없이 안정적으로 모델을 실행할 수 있는 개발 환경 구축

• 미니 프로젝트의 최종 목표 설정
• 프로젝트 설계 및 개발 PRD 작성

→ 예를 들면, ‘도로 결빙 위험도 예측’, ‘불량 이미지 판별’, ‘환경 기반 이상 탐지’ 등을 목표로 삼고, 목표와 프로젝트 개발 PRD에 부합하는 라이브러리를 조사·설치한 후 관련된 샘플 코드를 실행해보며 동작 여부를 시험할 것입니다.

2. 실습·기술 목표

• 환경 설치, 버전 충돌 해결, 러닝타임 구성

• 테스트용 데이터 불러오기 및 간단한 변환
• 목표 구현에 필요한 기술 요소 조사 및 설치 테스트

3. 약점과 개선 계획

🔹 2주차 — 데이터셋 다양화 & 전처리·모델링 흐름 반복 학습

1. 주차 목표

두 번째 주의 핵심은 데이터를 많이 다루어보는 것입니다. 특히, 현실 문제를 해결하기 위해서는 다양한 데이터 구조를 경험하는 것이 필수 과정입니다.

• Kaggle 데이터

• 국내 공공데이터 포털의 기상·교통·재난 관련 데이터
• 구조화·반구조화 데이터 등

여러 형태의 데이터를 빠르게 읽고, 정리하고, 분석 가능한 형태로 만드는 과정을 반복하며 데이터 적응력을 높이는 것이 2주차 최종 목표입니다.

2. 실습·기술 목표

• 파일 구조 파악, 정규화, 결측치 처리

• 간단한 예측 실험(분류/회귀 등)
• 여러 데이터셋을 병렬적으로 다루며 전처리 속도 개선

3. 약점·개선 계획

🔹 3주차 — 딥러닝 감각 익히기: 이미지 기반 실습 & 튜닝

1. 주차 목표

이미지는 도로 표면 상태 분석, CCTV 이상 탐지, 화재 감지 등 대부분의 현실 문제에서 중요하고 밀접하게 여겨지는 데이터입니다. 그렇기 때문에 이미지 기반 실습 및 튜닝 과정을 내재화 하는 것이 이번 주차의 목표입니다.

↑ 인텔 인공지능 인재교육 과정의 Python 기초 교육 중 이미지 분류 모델 실습 화면 ↑

• 다양한 이미지 모델 실습으로 딥러닝의 구조를 직관적으로 이해

• 설정값을 조금씩 조정했을 때 성능 변화를 테스트하고 모델별로 기록

2. 실습·기술 목표

• 이미지 데이터 불러오기

• 신경망 기반 모델 학습·예측
• 학습 반복·속도 조정 등의 튜닝을 통해 성능 변화 관찰
• 새로운 이미지 입력에 대한 예측 테스트

3. 약점·개선 계획

🔹 4주차 — 1주차에서 설정한 ‘현실 문제 기반 미니 프로젝트’ 구현

1. 주차 목표

교육을 통해 익힌 Python 코스의 기술적 성과를 바탕으로, 1주차에 계획한 목표와 설계 내용을 하나의 시스템이나 서비스로 완성합니다.

• ‘현실의 문제를 데이터로 이해하고 해결하는 작은 시스템’을 갖추기

2. 실습·기술 목표

• 입력 → 처리 → 결과 출력 구조 구현

• 문제 정의 → 데이터 준비 → 학습 → 검증 → 시각화로 프로젝트 구성
• 코드·문서·설명 정리하여 블로그 또는 저장소에 기록

3. 약점·개선 계획

③ 만들고 싶은 기능 / 아이디어 목록(안)

학습 결과를 실제 생활의 문제 해결에 연결해보고자 하는 목적을 반영하였습니다.

• 날씨·기압·지면 온도 등을 기반으로 한 도로 결빙 위험도 탐지
• 화재 관련 데이터 기반 이상치 탐지 및 패턴 분석
• 이미지 기반 표면 상태 판별 도구
• 센서 또는 기상데이터 기반 일상 안전 위험 예측 미니 시스템
• 데이터 파일 입력 → 자동 요약 리포트 생성 도구

④ self 평가 기준 (성공/실패 기준)

🙋‍♂️성공 기준

• 내가 처음 구상한 기능이 실제로 작동하는가?

• 성능이 다소 낮더라도 전체 흐름(전처리–학습–평가–결과)을 스스로 완주했는가?

• 문제 발생 시 해결 과정을 스스로 추적하고 재현할 수 있는가?

🤦‍♂️실패 기준

• 결과물이 잘 나와도, 전체 과정의 대부분을 외부 레퍼런스나 AI 도구가 대신 수행한 경우

• 설계한 기능이 예상한 방식으로 작동하지 않을 때

• 학습 과정을 스스로 설명할 수 없을 때

즉, 성공은 완성도의 높고 낮음이 아니라 ‘내 힘으로 해결한 정도’에 의해 결정

#인텔인공지능인재교육 #인텔인공지능교육 #인공지능교육 #고누아이

https://intel-edu.kr

“본 게시글은 소정의 상품을 제공받고 작성한 인터뷰입니다.”