2027 I Can AI-POT 2급

Part 1 (AI) 인공지능의 기초 이론
제1장 인공지능의 이해와 기초 이론
1-1. 인공지능의 정의와 핵심 용어 정리
1-1-1. 인공지능의 정의
1-1-2. 인공지능의 특징
1-1-3. 인공지능의 역사 (엿보기)
1-1-4. 인공지능과 인간 지능 : 닮은 듯 다른 두 지능
1-1-5. 인공지능의 핵심 기술 (용어)
1-1-6. 데이터 : 인공지능이 세상을 배우는 통로
1-1-7. 인공지능 학습의 이해 : 데이터가 지혜가 되는 과정
1-1-8. 인공지능의 엔진 : 학습을 위한 필수 하드웨어

제2장 인공지능 역사 이해
2-1. 인공지능의 등장
2-1-1. 탄생과 황금기 : 희망의 탄생 (1950~60년대)
2-1-2. 제1차 침체기 : 현실의 벽 (1970년대)
2-2. 인공지능 역사의 이해
2-2-1. 지식의 시대 : 인공지능의 재도약 (1980년대)
2-2-2. 정체와 딥러닝 혁명 (1990년대 ~ 2010년대)
2-2-3. 생성형 AI 시대 (2017~현재)

제3장 현대 인공지능의 응용분야와 필요성
3-1. 현대 사회와 인공지능의 필연적 만남
3-2. 인공지능이 설계하는 미래 : 혁신과 사회적 변혁

제4장 AI(인공지능) 알고리즘 개요
4-1. AI(인공지능) 알고리즘 이해
4-1-1. 인공지능 알고리즘 개요 : 기계가 사고하는 방식
4-2. AI(인공지능) 알고리즘 유형
4-2-1. 인공지능 알고리즘 유형 : 학습의 세 가지 길
4-3. 지도 학습(Supervised Learning)
4-4. KNN (K-Nearest Neighbors) : 유유상종의 원리
4-4-1. 개념
4-5. SVM (Support Vector Machine) : 최적의 경계선 찾기
4-6. KNN과 SVM 비교 정리
4-7. 의사결정트리 (Decision Tree : 스무고개의 원리)
4-7-1. 의사결정트리란 무엇인가?
4-7-2. 의사결정트리의 구성 요소
4-7-3. 의사결정트리 분석 4단계
4-7-4. 의사결정트리의 결정 지표
4-7-5. 의사결정트리의 장단점
4-8. 앙상블 (Ensemble) 기법 : 집단지성의 원리
4-8-1. 앙상블 기법이란 무엇인가?
4-8-2. 배깅 (Bagging)
4-8-3. 부스팅 (Boosting)
4-8-4. 스태킹 (Stacking)
4-8-5. 배깅·부스팅·스태킹 비교 정리
4-9. 랜덤 포레스트 (Random Forest)
4-9-1. 랜덤 포레스트란 무엇인가?
4-9-2. 랜덤 포레스트의 두 가지 무작위성
4-9-3. 랜덤 포레스트 분석 4단계
4-9-4. 랜덤 포레스트의 장단점
4-10. 회귀 분석 (Regression Analysis)
4-10-1. 회귀 분석이란 무엇인가?
4-10-2. 회귀 분석의 종류
4-11. 비지도 학습 (Unsupervised Learning)
4-11-1. 비지도 학습이란 무엇인가?
4-12. K-means 알고리즘
4-12-1. K-means란 무엇인가?
4-12-2. K-means 동작 5단계
4-12-3. K-means의 장단점
4-13. DBSCAN
4-13-1. DBSCAN이란 무엇인가?
4-13-2. DBSCAN 동작 5단계
4-13-3. K-means vs DBSCAN 비교
4-14. 차원의 저주 (Curse of Dimensionality)
4-14-1. 차원이란 무엇인가?
4-14-2. 차원의 저주 개념
4-15. 주성분 분석 (PCA, Principal Component Analysis)
4-15-1. PCA란 무엇인가?
4-16. 강화 학습 (Reinforcement Learning)
4-16-1. 강화 학습이란 무엇인가?
4-16-2. 강화 학습 동작 원리 (자율주행 사례)
4-16-3. 강화 학습의 장단점
4-16-4. 강화학습의 대표 알고리즘 : 몬테카를로 트리 검색 (MCTS)
4-17. 인공신경망과 딥러닝
4-17-1. 인공신경망(ANN)이란 무엇인가?
4-17-2. 인공신경망의 3단계 구조
4-17-3. 퍼셉트론 (Perceptron) : 인공지능의 디지털 세포
4-17-4. 퍼셉트론의 한계와 다층 퍼셉트론의 등장
4-17-5. 딥러닝 (Deep Learning)

제5장 인공지능 모델의 검증과 최적화
5-1. 학습 데이터(Training Data)의 중요성
5-1-1. 학습 데이터(Training Data)의 중요성
5-1-2. 데이터 분할 (Data Split)
5-1-3. 과적합 (Overfitting)
5-1-4. 과소적합 (Underfitting)
5-1-5. 최적합 (Good Fit) 이상적인 모델의 기준
5-1-6. 편향-분산
5-2. 모델의 검증과 최적화
5-2-1. 혼동 행렬 (Confusion Matrix)
5-2-2. 성능 지표
5-2-3. 회귀 모델의 채점표 (오차 지표)
5-3. 교차 검증 (Cross Validation)
5-3-1. 교차 검증의 개념과 필요성
5-3-2. 교차 검증의 주요 종류

Part 2 생성형 AI 기초 이론
제1장 생성형 AI 기초원리 이해
1-1. 생성형 AI 기본 개념
1-1-1. 생성형 AI 기본 개념
1-2. 일반 AI와 생성형 AI의 차이점
1-2-1. 판별형 AI (Discriminative AI)
1-2-2. 생성형 AI (Generative AI)
1-3. 검색엔진과 생성형 AI의 차이점
1-3-1. 검색엔진과 생성형 AI 의 차이점
1-4. 생성형 AI의 발전 과정
1-4-1. 생성형 AI의 발전과정(4단계)
1-5. 생성형 AI의 중요성과 한계
1-5-1. 생성형 AI의 중요성
1-5-2. 실무에서 주의해야 할 한계 3가지
1-6. 생성형 AI 응용 분야
1-6-1. 교육 기획 및 마케팅 : 맞춤형 홍보 카피 작성
1-6-2. 이미지 생성 및 편집 : 나노바나나 활용
1-6-3. 원스톱 보고서 및 프레젠테이션 생성 : 젠스파크 활용
1-6-4. 프로그래밍 코드 자동 생성 : 챗GPT·클로드 활용
1-7. AI가 가져온 산업별 환경 변화

제2장 생성형 AI 필수 요소
2-1. 자연어 처리 (NLP, Natural Language Processing)
2-1-1. 자연어 처리(NLP)
2-1-2. 임베딩 (Embedding) : 언어를 숫자로 바꾸는 번역기
2-2. 거대 언어 모델 (LLM, Large Language Model)
2-2-1. LLM 개념
2-2-2. 특징
2-2-3. 한계와 도전
2-3. AI의 학습 비결 : 사전 학습과 미세 조정
2-3-1. 사전 학습 (Pre-training)
2-3-2. 미세 조정 (Fine-tuning)
2-3-3. 미세 조정의 3대 이점
2-3-4. 미세 조정의 4단계 절차
2-4. 생성형 AI의 시각화 알고리즘
2-4-1. 적대적 신경망 (GAN, Generative Adversarial Networks)
2-4-2. GAN의 4단계 학습 구조
2-4-3. 변이형 자동 인코더 (VAE, Variational Autoencoder)

제3장 생성형 AI 이해하기 : 챗GPT와 글로벌 AI 생태계
3-1. 인공지능의 뇌세포 : 파라미터 (Parameter)
3-1-1. 개념 정의
3-1-2. 스케일링 법칙 (Scaling Law)
3-1-3. 파라미터 vs 하이퍼파라미터
3-1-4. 소형 언어 모델(SLM : Small Language Model)
3-1-5. 온디바이스 AI - 인터넷 없이 내 기기에서 실행되는 AI
3-2. 챗GPT의 탄생과 중요성
3-2-1. 챗GPT 공식 정의와 탄생
3-2-2. 오픈AI의 개발 철학과 AGI
3-2-3. 챗GPT 등장 배경 4가지
3-2-4. GPT 4대 핵심 특징
3-3. GPT의 진화 역사
3-3-1. GPT-1부터 최신 모델까지
3-3-2. 멀티모달로의 진화
3-4. 챗GPT의 작동 원리
3-4-1. 트랜스포머 아키텍처 (Transformer)
3-4-2. RLHF : 인공지능에게 예절을 가르치는 과정
3-5. 챗GPT의 무한한 확장 : 에이전트와 GPTs
3-5-1. 에이전트 (AI Agent)
3-5-2. RAG(검색 증강 생성) - AI 지식의 한계를 극복하는 기술
3-5-3. 기존 챗GPT vs 에이전트 모드 비교
3-5-4. 맞춤형 GPTs (Custom GPTs)
3-5-5. 작업 (Actions)
3-6. 글로벌 빅테크 생성형 AI : 나에게 맞는 AI 찾기
3-6-1. 오픈AI - 챗GPT (ChatGPT)
3-6-2. 구글 - 제미나이 (Gemini)
3-6-3. 마이크로소프트 - 코파일럿 (Copilot)
3-6-4. 앤스로픽 - 클로드 (Claude)
3-6-5. 딥시크(DeepSeek) R1
3-6-6. 노트북LM
3-6-7. 올인원 AI 플랫폼 : 젠스파크 (Genspark)

Part 3 프롬프트 엔지니어링 기술 기초
제1장 프롬프트 엔지니어링의 개념과 역사
1-1. 프롬프트란
1-1-1. 프롬프트란 무엇인가?
1-2. 명령어에서 설계로 : 프롬프트 엔지니어링의 정의
1-2-1. 왜 엔지니어링인가
1-2-2. 프롬프트 엔지니어링의 3단계 과정 : 피드백 루프
1-2-3. 단순 사용 vs 프롬프트 엔지니어링
1-3. 챗봇의 역사 : ELIZA에서 ChatGPT까지
1-4. 프롬프트 엔지니어링 주목받는 이유
1-4-1. 프롬프트 설계의 중요성
1-5. 프롬프트 엔지니어의 역할과 직업적 전망
1-5-1. 새로운 직업의 탄생
1-5-2. 프롬프트 엔지니어의 주요 업무
1-5-3. 요구되는 핵심 역량

제2장 생성 AI를 위한 자연어 기술
2-1. 컴퓨터는 언어를 어떻게 이해하는가
2-1-1. 자연어란 무엇인가
2-1-2. AI가 언어를 이해하는 파이프라인
2-1-3. 구문분석 vs 의미분석 vs 의미 파싱
2-2. 형태소 분석 : 언어의 최소 단위로 쪼개기
2-2-1. 형태소란 무엇인가
2-2-2. 형태소 분석이 프롬프트에 미치는 영향
2-3. 토큰화 : AI가 읽는 기본 단위
2-3-1. 토큰이란 무엇인가
2-3-2. 토큰이 중요한 실전 이유 3가지
2-4. 임베딩 : 단어를 숫자로 번역하기
2-4-1. 임베딩 (Embedding)
2-4-2. 임베딩의 마법 : 단어로 수학을 한다
2-4-3. 프롬프트 엔지니어링과의 연결
2-5. Word2Vec과 BERT : 임베딩의 진화
2-5-1. Word2Vec : 문맥에서 의미를 배운다
2-5-2. BERT : 문장 전체를 동시에 읽는 AI
2-6. RNN과 CNN : 딥러닝이 언어를 처리하는 방법
2-6-1. 딥러닝과 NLP의 만남
2-6-2. RNN : 순서를 기억하며 읽는 신경망
2-6-3. CNN : 패턴을 찾는 신경망
2-6-4. RNN vs CNN vs 트랜스포머 비교
2-7. 안티패턴 : 피해야 할 프롬프트 유형
2-7-1. 안티패턴이란
2-7-2. 6가지 안티패턴
2-7-3. 안티패턴 6가지 종합 비교

제3장 프롬프트 엔지니어링 학습 도구와 환경
3-1. ChatGPT 핵심 기능 : 프로젝트와 캔버스
3-1-1. 챗GPT 프로젝트 기능 (Projects)
3-1-2. 챗GPT 캔버스 (Canvas) 기능
3-2. 플레이그라운드와 핵심 파라미터
3-2-1. 플레이그라운드란 무엇인가
3-2-2. 온도 (Temperature) : 창의성의 조절 다이얼
3-2-3. Top-P : 단어 선택의 범위 조절
3-2-4. Frequency Penalty와 Presence Penalty : 반복 줄이기
3-2-5. Writing Style : AI 출력의 문체를 지정하라
3-2-6. 최대 토큰 (Max Tokens) : 출력 길이 제어
3-3. 시스템 프롬프트 vs 사용자 프롬프트
3-3-1. 두 프롬프트의 근본적 차이
3-3-2. 시스템 프롬프트 (System Prompt)
3-4. 이미지 생성 AI 실습
3-4-1. 이미지 생성 AI가 바꾸는 세상
3-4-2. 이미지 생성 프롬프트의 구성 요소
3-4-3. ChatGPT 이미지 생성 (GPT Image)
3-4-4. Midjourney
3-4-5. Stable Diffusion
3-4-6. FLUX
3-5. API 기초와 파이썬 연계 실습
3-5-1. API란 무엇인가
3-6. 파이썬으로 AI 다루기 (구글 코랩 실습)
3-6-1. 파이썬 기본 문법 익히기
3-6-2. 파이썬 자료형 통합
3-6-3. 파이썬 제어 구문
3-6-4. 파이썬으로 AI 다루기 (API 연계)

제4장 고품질 출력을 만드는 프롬프트 설계 원칙
4-1. 프롬프트 4대 구성 요소
4-1-1. 왜 구성 요소를 알아야 하는가 (RTCF)
4-1-2. 역할 (Role) : AI에게 페르소나를 부여하라
4-1-3. 작업 (Task) : AI에게 무엇을 해야 하는지 명확히 지시하라
4-1-4. 맥락 (Context) : AI에게 배경 정보를 제공하라
4-1-5. 형식 (Format) : 원하는 출력의 틀을 지정하라
4-1-6. 4대 요소 완전체 프롬프트 만들기
4-2. N-shot 프롬프팅 : 예시의 힘
4-2-1. 예시가 왜 강력한가
4-2-2. 제로샷 (Zero-shot) : 예시 없이 지시만
4-2-3. 원샷 (One-shot) : 예시 1개 제공
4-2-4. 퓨샷 (Few-shot) : 예시 여러 개 제공
4-2-5. 세 가지 방식 종합 비교
4-3. 체인 오브 소트 (Chain of Thought) : 단계적 사고 유도
4-3-1. 왜 단계적 사고가 필요한가
4-3-2. CoT가 특히 효과적인 작업 유형
4-4. 프롬프트 재사용과 나만의 명령 만들기

Part 4 프롬프트 엔지니어링 기술 기초활용
제1장 다양한 프롬프트 엔지니어링 기법
1-1. 고급 프롬프팅 기법
1-1-1. 페르소나 프롬프팅 (Persona Prompting)
1-1-2. 자기 일관성 프롬프팅 (Self-Consistency Prompting)
1-1-3. 단계적 지시 프롬프팅 (Step-by-Step Prompting)
1-1-4. 반론 유도 프롬프팅 (Devil's Advocate Prompting)
1-1-5. JSON 출력 프롬프팅
1-2. 멀티모달 프롬프트 엔지니어링
1-2-1. 멀티모달 프롬프트
1-2-2. 플랫폼별 멀티모달 입력 유형 비교
1-2-3. ChatGPT 멀티모달 실습
1-3. 데이터 기반 프롬프트 엔지니어링
1-3-1. 데이터 기반 프롬프트 개념
1-3-2. Kaggle (캐글)
1-3-3. 텍스트 파일 기반 실습 - CSV 데이터 분석
1-3-4. 이미지 파일 기반 실습
1-3-5. CSV 파일 인코딩 오류 해결
1-4. 분야별 실전 프롬프트
1-4-1. 작업 유형별 기본 프롬프트
1-4-2. IT 디자인 분야
1-4-3. IT 보안 분야 (참고)
1-4-4. 사무 분야 - 엑셀 + AI 연계 (참고)

제2장 프롬프트 엔지니어 모델 다루기
2-1. 프롬프트 엔지니어링 모델 익히기
2-1-1. GitHub : 개발자들의 협업 공간
2-1-2. AI API 코드 읽기
2-2. Stable Diffusion 로컬 환경 구축
2-3. Stable Diffusion 핵심 파라미터 완전 정복
2-3-1. Stable Diffusion 프롬프트의 기본 구조
2-3-2. 체크포인트 (Checkpoint)
2-3-3. 샘플링 메소드 (Sampling Method)
2-3-4. 샘플링 스텝 (Sampling Steps)
2-3-5. 배치 사이즈 (Batch Size)
2-3-6. 배치 카운트 (Batch Count)
2-3-7. CFG Scale
2-3-8. 시드 (Seed)
2-3-9. 네거티브 프롬프트 (Negative Prompt)
2-3-10. LoRA 모델
2-3-11. VAE (Variational Autoencoder)
2-3-12. 업스케일링 (Upscaling) - 저해상도를 고해상도로
2-3-13. 인페인팅·아웃페인팅 (Inpainting / Outpainting)
2-3-14. ControlNet : 구도와 자세를 정확히 통제하기
2-4. [실습 예시] 나의 첫 AI 이미지 생성하기
2-4-1. Step 1 - 기본 모델 및 파라미터 설정
2-4-2. Step 2 - 긍정 프롬프트 (Prompt) 입력
2-4-3. Step 3 - 부정 프롬프트 (Negative Prompt) 입력
2-4-4. Step 4 - 이미지 생성 및 저장
2-5. 이미지 생성 모델 선택 기준
2-6. ChatGPT 이미지 생성 스타일 카테고리 5종
2-6-1. 심화 웹툰 이미지 연속 컷씬 생성하기
2-7. Suno AI : 생성형 AI 음악 제작 (심화)
2-7-1. Suno AI 실습 순서 및 실전 프롬프트
2-8. 생성 AI 결과물 추출
2-8-1. [실습 1] ChatGPT 텍스트 역프롬프트 추출하기
2-8-2. [실습 2] Stable Diffusion 이미지 메타데이터 (PNG) 관찰형

제3장 프롬프트 설계 전략 수립
3-1. 결과물 추출의 전략적 활용
3-2. 추출한 프롬프트로 이미지 재생성하기
3-2-1. Copilot 프롬프트 추출
3-2-2. Stable Diffusion으로 키워드형 재생성
3-2-3. Midjourney로 문장형 재생성
3-3. 프롬프트 템플릿 활용 실습
3-3-1. 프롬프트 템플릿 활용이란
3-3-2. 고급 입력 기법 3종 - 출력 품질을 높이는 프롬프트 설계
3-4. 이미지 스케치 멀티모달 연계 실습
3-4-1. 이미지 스케치 활용이 필요한 이유
3-4-2. 스케치 제작 및 멀티모달 실습 [심화 실습]

제4장 프롬프트 확장 프로그램 연계하기
4-1. 프롬프트 확장 프로그램 종류
4-1-1. 왜 확장 프로그램이 필요한가
4-1-2. 크롬 브라우저 확장 프로그램
4-1-3. 서비스 제공자 마켓 서비스
4-2. 프롬프트 연계 유형
4-2-1. 프롬프트 연계
4-2-2. 연계 적정성 점검
4-2-3. AIPRM 핵심 기능 이해
4-2-4. AIPRM으로 Midjourney 프롬프트 생성하기
4-2-5. /imagine prompt : Midjourney 핵심 명령어
4-2-6. 렌더링 (Rendering) 개념
4-2-7. Midjourney 주요 파라미터 이해
4-2-8. SlidesAI + AIPRM + ChatGPT 연계 - 사업계획서 작성 워크플로우
4-3. 영상 생성 AI : 글과 이미지가 움직이기 시작하다
4-3-1. 영상 생성 AI
4-3-2. 음성 생성 AI : STT·TTS·보이스 클로닝
4-4. ChatGPT + 이미지 AI + 웹 디자인 툴(Canva 등) 연계
4-4-1. ChatGPT + 이미지 AI + 웹 디자인 툴 전체 연계 흐름
4-4-2. ChatGPT로 타깃 맞춤형 기획 및 프롬프트 생성

Part 5 프롬프트 엔지니어링 업무활용과 윤리의식
제1장 실무에서 활용하는 생성형 AI
1-1. 생성형 AI로 완성하는 비즈니스 문서
1-1-1. AI가 바꾸는 업무 방식 - 백지 작성에서 편집 중심으로
1-1-2. 파운데이션 모델과 비즈니스 문서 작성 5단계
1-2. 생산성을 높이는 AI 도구 실전 활용
1-2-1. ChatGPT로 엑셀 데이터 분석하기 (예시)
1-3. Gemini + 구글 워크스페이스 실전 연동
1-3-1. Gemini의 이해
1-3-2. 구글 워크스페이스 + Gemini 개요
1-3-3. @태그 활용 - Gmail·Docs·Sheets·Drive
1-3-4. 딥 리서치 (Deep Research) 기능
1-3-5. Gemini로 슬라이드(PPT)
1-4. 구글 앱 스크립트(Google Apps Script)를 활용한 업무 자동화
1-4-1. 구글 앱 스크립트의 개념 및 특징
1-4-2. 앱 스크립트로 자동화하는 업무 - 활용과 경계
1-5. 노코드·맞춤형 AI와 비즈니스 도입 전략
1-5-1. 노코드·로우코드와 맞춤형 AI 어시스턴트
1-5-2. AI 도입 3단계 전략 및 적용 기준

제2장 생성형 AI로 만드는 생산성 혁명
2-1. 업무 효율성 향상
2-1-1. 생성 AI의 장점과 단점, 그리고 위험 요소
2-2. 하이퍼파라미터 실무 적용
2-2-1. 설정값이 결과를 바꾼다.
2-2-2. 사용 목적별 최적 설정값 조합표
2-3. 업무 자동화 전략
2-3-1. 생성 AI를 활용한 업무 자동화 4가지 유형
2-3-2. VoC 감정 분석 - 고객 서비스 자동화 실전
2-4. 합성 데이터 (Synthetic Data) - 시험 핵심 개념
2-4-1. 합성 데이터의 정의와 배경
2-4-2. 합성 데이터의 특징과 활용 분야

제3장 생성 AI의 저작권 문제 해결
3-1. AI가 만든 것의 주인은 누구인가
3-1-1. 저작권의 법적 정의와 주체
3-1-2. 국가별 AI 저작권 현황
3-1-3. AI 기본법 - 인공지능 발전과 신뢰 기반 조성 등에 관한 법률
3-1-4. 인간의 창작적 기여 기준
3-1-5. 편집저작물
3-1-6. 저작권 등록 주의사항
3-2. 학습 데이터 저작권 이슈
3-2-1. 저작물 합법적 이용 3가지
3-2-2. AI 학습 단계별 저작권 이슈
3-2-3. AI 학습 데이터 저작권 - 적법·위법 구분
3-3. 이용자가 알아야 할 저작권 원칙
3-3-1. 위험·안전 프롬프트 패턴 비교
3-3-2. 상업적 활용 시 안전 접근법 4가지
3-3-3. 창작자를 보호하는 기술

제4장 프롬프트 엔지니어를 위한 윤리 원칙
4-1. 프롬프트 엔지니어링 윤리 원칙
4-1-1. 생성 AI와 전통적 AI 비교
4-1-2. 생성형 AI의 5가지 위험 유형
4-2. AI 윤리 원칙
4-3. 프롬프트 엔지니어의 역할과 책임
4-3-1. 프롬프트 엔지니어의 역할과 책임
4-3-2. 학습 데이터와 결과물에 대한 책임
4-4. 설명 가능한 AI (XAI : Explainable AI)

제5장 프롬프트 보안 안전한 AI활용
5-1. 프롬프트 인젝션 : AI를 속이는 공격
5-1-1. 프롬프트 인젝션이란
5-1-2. 프롬프트 인젝션의 주요 유형
5-1-3. 프롬프트 인젝션 방어
5-2. 탈옥 : AI의 안전장치를 우회하려는 시도
5-2-1. 탈옥이란 무엇인가
5-2-2. 탈옥의 주요 패턴
5-2-3. 탈옥이 위험한 이유
5-3. 민감 정보와 AI : 반드시 알아야 할 보안 수칙
5-3-1. AI에 절대 입력하면 안 되는 정보
5-3-2. 기업 환경에서의 AI 보안 사고 유형
5-3-3. 안전한 AI 활용을 위한 개인 보안 수칙
5-4. 기업 환경에서의 AI 보안
5-5. 딥페이크와 AI 사기
5-6. 책임감 있는 AI 활용

제6장 프롬프트 엔지니어의 미래
6-1. AI 시대의 직업 변화
6-1-1. 직업의 소멸이 아닌 재정의
6-1-2. 프롬프트 엔지니어가 뜨는 이유
6-2. 업스킬링 전략과 핵심 역량
6-3. 합격 이후의 여정

AI-POT 2급 기출 재구성 문제 1~ 6회
AI-POT 2급 기출 재구성 문제 1회
AI-POT 2급 기출 재구성 문제 2회
AI-POT 2급 기출 재구성 문제 3회
AI-POT 2급 기출 재구성 문제 4회
AI-POT 2급 기출 재구성 문제 5회
AI-POT 2급 기출 재구성 문제 6회

AI-POT 모의고사 해설 1~ 6회
모의고사 1회 해설
모의고사 2회 해설
모의고사 3회 해설
모의고사 4회 해설
모의고사 5회 해설
모의고사 6회 해설

오영호 ● 더플랜 아카데미(4개 지점) 대표원장
● 더메인 웹·앱 플랫폼 개발사 대표
● 해커스 IT 자격증 대표강사
● 전국컴퓨터교육협의회 부회장
● 한국세무사회 자격검정 대표 기술 감독관

주요 경력
● (전) 국제대학교 컴퓨터공학과 겸임교수
● (전) 동아방송예술대학교 기술학부 외래교수
● IT·디자인·자격증 교육 및 실무 경력 20년

학력
● 국립 한경대학교 대학원 인간공학 박사과정
● 국립 한국교통대학교 대학원 인간공학 공학석사

저자 오영호는 프로그래밍과 디자인을 아우르는 IT 및 자격증 교육 분야에서 20년의 경력을 쌓은 현장 전문가다. 현재 4개 지점을 운영하는 더플랜 아카데미 대표원장이자 웹·앱 플랫폼 개발사 더메인의 대표로서 기획, 디자인, 개발 등 IT 실무 전반을 총괄하며 교육과 실무를 성공적으로 병행해 왔다. 또한, 해커스 IT 자격증 대표강사, 전국컴퓨터교육협의회 부회장, 한국세무사회 자격검정 대표 기술 감독관으로 활발히 활동하는 한편, 국제대학교 컴퓨터공학과 겸임교수 및 동아방송예술대학교 기술학부 외래교수 등을 역임하며 여러 대학 강단에서 후학을 양성했다.

저자의 전공인 인간공학은 사람과 기계, 그리고 시스템이 어떻게 소통하고 협업하는가를 연구하는 학문이다. 사람이 AI에게 정확히 지시하여 원하는 결과를 얻어내는 프롬프트야말로 인간과 AI 상호작용의 핵심이라는 점에서, 저자의 학문적 배경은 이 책의 기획 의도와 정확히 맞닿아 있다. 저자는 이러한 학문적 토대 위에 오랜 실무 현장에서 축적한 기업 맞춤형 AI 활용 교육 노하우를 접목하여 단순한 개념 나열을 지양했다. 대신 사람이 어떻게 AI를 이해하고 다루는가에 초점을 맞추어, 독자들이 AI를 아는 것을 넘어 AI에게 정확히 지시하여 최적의 결과를 얻는 힘을 기를 수 있도록 이 책을 집필했다.