숙명여대 AI 서비스 개발자|챗GPT에게 질문만 하세요? 이제 ‘일하는 AI’를 직접 만듭니다
숙명여대 청년취업사관학교 대학플러스사업과 함께하는 AI Innovator 양성과정. 294시간 동안 바이브 코딩, RAG, AI 에이전트 개발, 클라우드 배포와 팀 프로젝트를 배우고, 현직자 멘토링과 취업 포트폴리오 제작 등 실무 중심 교육과 취업지원 프로그램을 살펴봅니다.
“AI야, 자료 좀 찾아줘.” 다음 단계는? “찾은 자료로 보고서를 만들고, 확인할 항목까지 정리해 줘!”
월요일 오전 9시. 받은 편지함엔 문의 메일이 쌓였고, 팀 채팅방엔 “지난주 고객 의견 정리 부탁해요”라는 메시지가 올라온다. 이럴 때 필요한 건 질문에 한 번 답하고 끝나는 챗봇일까, 아니면 자료를 찾고 분류해 보고서 초안까지 만드는 AI일까?
물론 이런 AI도 아무 설정 없이 모든 일을 해내지는 않는다. 정보를 어디서 가져올지, 어떤 도구를 사용할지, 결과를 어떻게 확인할지 사람이 설계해야 한다. 바로 그 과정을 배우는 곳이 숙명여대 AI Innovator 양성과정이다. 은 AI 에이전트 개발부터 서비스 배포까지 이어지는 294시간 실무교육을 운영한다.
숙명여자대학교 청년취업사관학교 대학플러스사업과 이젠아카데미 DX교육센터가 함께하는 AI Innovator 양성과정. 대학의 교육 인프라와 AI 개발 실무교육을 연계합니다.
숙명여대 AI Innovator, 챗봇과 AI 에이전트의 차이는?
대답을 잘하는 AI와 일을 이어가는 AI
일반적인 챗봇에 “회의 내용 요약해 줘”라고 요청하면 입력한 내용을 요약해 준다. 반면 도구와 권한이 연결된 AI 에이전트(Agent)는 회의록을 찾고, 할 일을 분류하고, 정해진 형식의 결과물을 만드는 여러 단계를 수행하도록 설계할 수 있다.
여기서 등장하는 기술이 RAG(검색증강생성)와 Tool Calling이다. RAG는 회사 문서처럼 필요한 정보를 검색해 답변의 근거로 활용하고, Tool Calling은 검색·계산·데이터 조회 같은 기능을 호출하는 방식이다.
이렇게 여러 단계를 묶으면 Agentic Workflow가 된다. 이름은 어려워 보여도 핵심은 간단하다. “AI가 어떤 순서로 일해야 할까?”를 설계하는 것이다.
질문에 답하는 생성형 AI를 넘어 업무를 수행하는 AI 에이전트 개발로. 숙명여대 AI Innovator에서는 RAG, Tool Calling, Multi-Agent 등 실무 기술을 학습합니다.
294시간 동안 AI 서비스를 만드는 네 번의 도전
① “이 아이디어, 앱으로 만들 수 있을까?”
첫 단계는 바이브 코딩(Vibe Coding)과 AI 개발 기초다. 원하는 기능을 자연어로 설명하고, 생성된 코드를 확인·수정하며 작은 AI 앱을 만들어 본다.
GitHub에 작업을 기록하는 습관도 함께 익힌다. 단순히 AI가 작성한 코드를 붙여 넣는 것이 아니라, 내가 원하는 기능이 제대로 동작하는지 확인하는 연습이다.
② 검색도 하고 도구도 쓰는 AI 비서 만들기
이제 재미있는 부분이다. 예를 들어 ‘회사 신입사원용 사내 문서 도우미’를 만든다고 가정해 보자.
휴가 규정을 묻는 질문에는 문서에서 관련 항목을 찾아 출처를 제시하고, 서로 다른 부서의 질문은 알맞게 분류할 수 있다.
이때 RAG·Tool Calling·Multi-Agent 구조를 활용해 역할과 작업 순서를 설계한다. 이는 가능한 프로젝트를 설명하기 위한 예시이며, 실제 팀 과제는 달라질 수 있다.
③ 내 노트북 밖에서도 작동하게 만들기
혼자만 볼 수 있는 데모라면 아쉽다.
FastAPI로 백엔드 기능을 만들고, 클라우드에 배포해 다른 사람도 접근할 수 있는 서비스로 발전시킨다.
CI/CD는 코드 변경을 테스트·배포하는 흐름이고, LLMOps는 AI 서비스의 품질과 운영 상태를 관리하는 접근이다.