현장에서 픽하는 AI 서비스 기획을 위한 필수 지식

1장. AI 도입, 어떻게 시작할까
1.1 AI 도입이 당연한 시대
1.2 AI를 도입할지 판단하기
1.3 AI 기술의 흐름과 LLM
___AI, 머신러닝, 딥러닝
___LLM
1.4 데이터의 역할 변화

2장. LLM의 작동 원리와 한계
2.1 LLM의 개요
2.2 LLM의 작동 원리
2.3 LLM의 맥락 처리 방법과 토큰 비용
___LLM이 맥락을 기억하는 방식
___토큰 비용의 구조
___AI 모델의 진화 과정
2.4 LLM의 한계
___환각
___지식 마감
___기억력 부족
___아부 현상
___역전의 저주
___프롬프트 인젝션
___편향

3장. LLM을 서비스에 연결하는 방법
3.1 원하는 답을 얻기 위한 프롬프트 작성 전략
___구역 나누기
___예시 보여주기
___판단 맡기기
___원하는 답변을 받지 못했을 때
3.2 LLM만으로 부족한 부분을 보완하는 기술
___LLM만으로 해결하기 어려운 문제
___임베딩
___RAG
___AI 에이전트
3.3 LLM으로 만드는 서비스

4장. 임베딩: 비슷한 의미 찾기
4.1 임베딩의 개요
___임베딩 모델의 학습 방식
___키워드 검색으로 충분한 경우
___임베딩 검색 파이프라인
___벡터 데이터베이스
4.2 임베딩을 입력 데이터로 활용하는 기술
___임베딩×군집화
___임베딩×RAG
___임베딩×추천 시스템
___임베딩×이상 탐지
4.3 임베딩으로 문제를 해결한 사례
___임베딩×검색: 검색 결과 개선
___임베딩×군집화: 드러나지 않는 문제를 찾아 개선
___임베딩×RAG: 챗봇의 답변 개선
___임베딩×추천 시스템: 추천의 다양성 강화
___임베딩×이상 탐지: 평소와 다른 고객 문의 발견

5장. RAG: 문서를 찾아 근거 있는 답변하기
5.1 RAG의 개요
___RAG의 작동 과정
___RAG로 해결 가능한 문제와 한계
___RAG가 필요한 상황
5.2 RAG 서비스 설계 시 고려 사항
___검색 대상 문서 선정
___문서 분할 전략
___검색 결과 전달 방식
___메타데이터 설계
___검색 방식 선택
5.3 RAG 서비스 운영 시 고려 사항
___검색 성능 저해 요소 관리
___RAG 운영 비용 최적화
___답변 구성
___출처 표시
___검색 실패 시 답변 방식
___RAG의 품질 평가
___RAG 운영 리스크
___GraphRAG 도입 기준

6장. AI 에이전트: 여러 단계를 연결해 실제 작업 수행하기
6.1 AI 에이전트의 개요
___AI 에이전트의 작동 과정
___AI 에이전트의 구성 요소
___AI 에이전트의 구조
___AI 에이전트로 해결 가능한 문제와 한계
6.2 AI 에이전트 설계 시 고려 사항
___도구 분리 기준
___도구 선택과 사용 규칙
___스킬의 역할과 활용
___자동화 범위 설계
___오케스트레이션 설계
6.3 AI 에이전트로 만들 수 있는 서비스
___업무 자동화형 에이전트
___데이터 조회 및 실행 연결형 에이전트
___RAG 결합형 에이전트
___사람 협업형 에이전트

7장. AI 추천 시스템: 사용자에게 맞는 선택지 제안하기
7.1 추천 시스템의 개요
___추천 시스템의 기본 구조
___검색과 추천의 차이
___추천의 목적
___추천에 필요한 데이터
___추천 품질 평가
7.2 기존 추천 방식과 임베딩 추천의 차이
___인기 순 추천
___협업 필터링
___콘텐츠 기반 추천
___연관 규칙 추천
___임베딩 추천
7.3 추천 시스템이 해결해야 할 과제
___콜드스타트
___데이터 희소성
___인기 편향
___다양성 부족
___상황 불일치
7.4 LLM이 결합된 추천 시스템
___LLM 추천의 작동 과정
___LLM 추천의 UX
___추천 조건을 좁히는 방법
___추천 근거와 환각 관리
___기존 추천 방식, 임베딩 추천, LLM 추천 비교

8장. 서비스에 맞는 AI 기술 선택하기
8.1 머신러닝이 적합한 서비스
___지도 학습: 분류와 회귀를 이용한 서비스
___비지도 학습: 군집화와 이상 탐지를 이용한 서비스
8.2 LLM, 임베딩, RAG, AI 에이전트에 맞는 서비스
___LLM: 문장을 이해하고 생성하는 서비스
___임베딩: 의미가 비슷한 콘텐츠를 찾는 서비스
___RAG: 근거 문서를 바탕으로 답하는 서비스
___AI 에이전트: 조회와 실행을 연결하는 서비스
___AI 서비스 조합
8.3 서비스 운영과 검증
___클라우드·온프레미스 방식
___AI 기술 검증

9장. AI 서비스 기획 프로세스와 1페이지 기획안
9.1 AI가 필요한 문제인지 확인하기
___사용자의 어려움 파악하기
___규칙, 검색, 필터로 충분한지 살펴보기
___기대 효과와 리스크 확인하기
9.2 AI 서비스 흐름 설계하기
___AI 기능 사용 지점 정하기
___필요한 데이터 확인하기
___AI 참고용 데이터와 사용자에게 보여줄 데이터 구분하기
___사용자가 확인하고 조정할 지점 만들기
___사람의 최종 판단 영역 남기기
9.3 작게 만들어 검증하기
___초기 버전의 사용 상황 정하기
___테스트 질문과 성공 기준 만들기
___서비스 공개 전 확인 사항과 출시 절차
___1페이지 서비스 기획안

최진영 인문학과 철학에 관심이 많은 데이터 분석가이자 인공지능 교육자입니다. 이세돌 9단과 알파고의 대국을 계기로 'AI를 다룰 수 있는 사람이 되자'고 다짐하며 인공지능 공부를 시작했습니다. '어려운 것은 쉽게, 쉬운 것은 재미있게' 전달한다는 철학을 바탕으로 온라인뿐만 아니라 여러 대학과 기업 현장에서 인공지능과 데이터 분석을 강의하며, 누구나 새로운 기술을 쉽게 이해하고 활용할 수 있도록 돕고 있습니다.
링크드인 https://www.linkedin.com/in/jin0choi