AI 및 LLM 기초 이해 (10H)
- AI, 머신러닝, 딥러닝 개념 이해 (3H)
  - 인공지능(AI)의 개요: 역사와 미래
  - 머신러닝과 딥러닝의 기본 원리 및 차이점
  - 데이터의 중요성: 양질의 데이터와 모델 성능
  - 파이썬 개발 환경 설정 (아나콘다, VS Code 등)
  - 실습: 파이썬 기초 문법 복습 및 개발 환경 확인 (간단한 코드 실행)
- 자연어 처리(NLP)와 LLM (3H)
  - 자연어 처리(NLP)란 무엇인가? 기본 개념 소개
  - 텍스트 데이터의 처리: 토큰화, 임베딩 등
  - 순환 신경망(RNN), 트랜스포머(Transformer) 아키텍처 개요 (개념 위주 설명)
  - 거대 언어 모델(LLM)의 등장 배경 및 파급 효과
  - 실습: Hugging Face transformers 라이브러리 설치 및 간단한 텍스트 처리 예제
- 주요 LLM 소개 및 활용 맛보기 (4H)
  - ChatGPT, GPT-4, Llama, Gemini 등 주요 LLM 특징 비교
  - LLM의 응용 분야 (챗봇, 요약, 번역, 코드 생성 등)
  - API를 통한 LLM과의 상호작용 (OpenAI API 키 발급 및 기본 사용법)
  - 실습: OpenAI Playground(또는 유사 환경)에서 다양한 프롬프트로 LLM 체험, 간단한 API 호출 예제 실습
LLM 에이전트의 핵심 구성 요소 (10H)
- 프롬프트 엔지니어링의 기본 (4H)
  - 프롬프트 엔지니어링이란? 왜 중요한가?
  - 좋은 프롬프트 작성 원칙 (명확성, 구체성, 제약 조건 등)
  - In-context Learning (few-shot, one-shot) 기법
  - -of-Thought (CoT) 및 Tree-of-Thought (ToT) (개념 소개)
  - 실습: 다양한 프롬프트 기법을 적용하여 LLM 응답 품질 개선 실습
- 에이전트 아키텍처 이해 (3H)
  - LLM 기반 에이전트의 개념 및 필요성
  - 기본적인 에이전트 구조: Planner, Memory, Tool Use (개념 위주)
  - RAG(Retrieval-Augmented Generation)의 개념과 중요성
  - 실습: 에이전트가 처리할 작업 정의 및 흐름도 설계 (페이퍼 프로토타이핑)
- Tool 사용 및 외부 연동의 기초 (3H)
  - LLM이 외부 도구를 사용하는 이유
  - 간단한 도구(함수) 정의 및 LLM에게 도구 사용 지시
  - Function Calling의 기본 원리 (OpenAI Function Calling 위주 설명)
  - 실습: LLM이 날씨 API 호출 또는 계산기 함수를 사용하도록 유도하는 간단한 예제
LLM 에이전트 개발 라이브러리 및 프로젝트 (10H)
- LangChain 소개 및 기초 사용법 (4H)
  - LangChain이란 무엇인가? 주요 구성 요소 (Models, Prompts, Parsers)
  - Chain의 개념: 순차적 프롬프트 연결
  - LLM 모델 연동 및 환경 설정
  - 실습: LangChain을 활용하여 간단한 챗봇 구현 (질의응답 체인)
- LangChain Tools 및 Agent 활용 (3H)
  - LangChain에서 Tool을 정의하고 사용하는 방법
  - Agent의 개념과 Agent Executor
  - ReAct(Reasoning and Acting) 프레임워크 이해
  - 실습: LangChain Agent가 정의된 Tool (예: 검색 엔진)을 활용하도록 구현
- RAG(Retrieval-Augmented Generation)의 이해와 구현 (3H)
  - RAG의 필요성: LLM의 한계 극복 (환각 현상, 최신 정보 부족)
  - 문서 로더(Document Loader), 텍스트 스플리터(Text Splitter), 임베딩(Embeddings)
  - 벡터 스토어(Vector Store)의 개념 및 활용 (ChromaDB 또는 FAISS)
  - 실습: 간단한 로컬 문서 기반 Q&A RAG 시스템 구축
미니 프로젝트 및 고급 개념 (10H)
- 미니 프로젝트: 나만의 LLM 기반 문서 분석 에이전트 개발 (5H)
  - 프로젝트 개요:
    - 특정 문서(예: 회사 보고서, 블로그 게시물)를 업로드하면
    - 내용을 분석하고 요약, 특정 질문에 답변하며
    - 필요 시 외부 검색 도구를 사용하는 에이전트 개발
  - 구현 요소: LangChain의 RAG 기능 활용, Tool (검색 API) 연동, 프롬프트 엔지니어링
  - 실습: 프로젝트 요구사항 정의, 단계별 구현 및 디버깅
- 고급 에이전트 개념 및 확장 (3H)
  - 에이전트의 Memory 관리: ConversationBufferMemory, ConversationSummaryMemory
  - Long-term Memory와 Short-term Memory (개념 위주)
  - LangChain 외 에이전트 프레임워크 소개 (CrewAI, AutoGen 등)
  - 실습: 기존 미니 프로젝트에 대화 기록(Memory) 추가 및 관리 기능 구현
- 배포 및 추가 학습 가이드 (2H)
  - 개발한 에이전트를 간단하게 배포하는 방법 (Streamlit 또는 Flask 연동 개념 소개)
  - LLM 에이전트 개발 시 윤리적 고려 사항 및 보안
  - 최신 LLM 연구 동향 및 향후 학습 로드맵
  - Q&A 및 수료 소감 나누기

강의 자료 (Lecture Materials)

1. Python

1.1 파이썬 문법 / 기본 라이브러리

1.2 파이썬 응용

2. Data Science

3. ArtificiaL Intelligence(AI)

3.1 AI 개요

3.2 머신러닝(ML)

3.3 딥러닝(DL)

3.4 자연어 처리(NLP)

3.5 대형 언어 모델(LLM)

3.6 생성형 AI

3.7 강화학습(RL)

3.8 자동 음성인식

3.9 AI 윤리

3.10 AI SW 테스트

3.11 Physical AI

4. Cloud Platform

5. Single Board Computer(SBC)

6. Smart Factory

6.1 스마트팩토리 개요

6.2 스마트팩토리 구성 시스템

6.3 품질경영시스템(ISO 9001)

7. Git & Github

8. Linux

9. Project 기획 및 관리

10. Project-based

10.1 인공지능 기반 자율주행 자동차

10.2 AI/LLM Agent 개발

AiDA Lectures

Error

1. Python

1.1 파이썬 문법 / 기본 라이브러리

1.2 파이썬 응용

2. Data Science

3. ArtificiaL Intelligence(AI)

3.1 AI 개요

3.2 머신러닝(ML)

3.3 딥러닝(DL)

3.4 자연어 처리(NLP)

3.5 대형 언어 모델(LLM)

3.6 생성형 AI

3.7 강화학습(RL)

3.8 자동 음성인식

3.9 AI 윤리

3.10 AI SW 테스트

3.11 Physical AI

4. Cloud Platform

5. Single Board Computer(SBC)

6. Smart Factory

6.1 스마트팩토리 개요

6.2 스마트팩토리 구성 시스템

6.3 품질경영시스템(ISO 9001)

7. Git & Github

8. Linux

9. Project 기획 및 관리

10. Project-based

10.1 인공지능 기반 자율주행 자동차

10.2 AI/LLM Agent 개발

Templates (for web app):

Error