솔트룩스 AI 캠퍼스 - AI 에이전트 ML 엔지니어 AI 캠프

AI 에이전트
ML 엔지니어 AI 캠프

LLM으로 도메인에 맞는 AI 모델을
만드는 개발자가 됩니다

ML/DL 모델링부터 LLM 파인튜닝, 멀티 에이전트 설계,
AWS 클라우드 배포까지 —
AI 모델의 개발 전 과정을 직접 구현합니다

지금 바로 신청하기

개강일
2026년 7월 20일(월)
교육비
0원(전액 국비지원)
훈련수당+장려금
매월 60만원 지원
지원 자격
AI 에이전트 ML 엔지니어 취업 희망자

special benefits

AI 에이전트 모델 개발을 배우고
인턴십·채용연계 기회까지 —

솔트룩스 · 파트너사
인턴십 & 취업 연계 지원

우수 수료생 솔트룩스 및 파트너사 채용 연계 기회

훈련비 전액 국비 지원
+ 매월 훈련수당 지급

교육비 O원 + 매월 최대 60만원 훈련수당 지급

기업이 쓰는 방식 그대로,
바로 실무가 되는 수업

솔트룩스 현직 AI 엔지니어의 생생한 실무 교육

솔트룩스의 검증된 기술
루시아 AI 무료 제공

교육 기간 동안 솔트룩스 자체 AI 플랫폼 무료 제공

recommended for

AI 에이전트 ML 엔지니어 과정,
이런 분께 추천합니다

ML 모델링 역량을 더 깊게
쌓고 싶은 분

기초 머신러닝에 더해 딥러닝 심화, LLM
파인튜닝까지 역량을 끌어올리고 싶은 분
도메인에 특화된
AI를 구축하고 싶은 분

특정 도메인(의료·금융·법률 등)에 특화된
LLM과 AI 시스템을 직접 구축하고 싶은 분
AI 연구·모델 개발
포트폴리오가 필요하신 분

AI 기업의 ML 엔지니어, AI 리서처로의
취업을 목표로 하는 분

이 과정은 모델을 가져다 쓰는 수준을 넘어
도메인에 맞게 학습·개선·배포하는 ML 엔지니어를 목표로 합니다.

learning goals

이 과정을 마치면, AI 서비스를
직접 구현하고 배포할 수 있습니다

고급 ML·DL 모델링

데이터 특성에 최적화된 ML/DL 모델을 설계·학습·평가
하고, 성능 한계를 분석하여 최적화합니다.

LLM 파인튜닝 전문화

LoRA, QLoRA 등 PEFT 기법으로 도메인 특화 LLM을
효율적으로 파인튜닝하고 성능을 검증합니다.

멀티 에이전트 시스템 설계

LangChain/LangGraph 기반으로 역할이 분리된 멀티
에이전트 워크플로우를 설계·구현합니다.

MLOps 및 모델 서비스화

학습된 모델을 AWS 클라우드에 배포하고 모델 버전 관리,
모니터링, CI/CD를 구축합니다.

curriculum

단계적으로 쌓아가는 AI 모델 개발
실무 커리큘럼

- Python 고급 문법 심화— 제너레이터, 데코레이터, 타입 힌팅, 프로토콜
- 비동기 프로그래밍— asyncio, 병렬 데이터 처리, 멀티프로세싱 vs 멀티스레딩
- ML 데이터 파이프라인— Apache Airflow 기초, ETL 파이프라인 설계
- 모델 서빙 기초— FastAPI, gRPC 기반 모델 추론 API 서버 구축
- GPU 프로그래밍 기초— CUDA 이해, GPU 메모리 관리, 연산 최적화
+
이 스텝을 마치면
ML/DL 모델 개발과 서비스화에 필요한 Python 심화 역량 및 데이터 파이프라인 구축 능력을 갖춥니다.
습득 스킬 Python 심화 / 비동기 처리 / 데이터 파이프라인
- 데이터 구조 분석— 정형(RDB, CSV), 반정형(JSON, XML), 비정형(텍스트, 이미지) 데이터 분석
- 데이터 품질 평가— 결측치, 이상치, 중복, 불균형 탐지 및 처리 전략
- 피처 엔지니어링— 피처 생성, 선택, 변환, 스케일링 기법 및 자동화
- 텍스트 데이터 전처리— 토크나이징, 정규화, 불용어 처리, 데이터 증강
- LLM 학습 데이터 구축— 지시 데이터셋(Instruction Dataset) 설계 및 품질 관리
- 데이터 버전 관리— DVC 기반 데이터 파이프라인 버전 관리 및 재현성 확보
+
이 스텝을 마치면
모델 학습에 최적화된 데이터를 수집·정제·설계하고 LLM 파인튜닝용 고품질 데이터셋을 구축하는 역량을 갖춥니다.
습득 스킬 정형·비정형 데이터 분석 / 데이터 품질 이슈 식별 / 전처리 전략 수립
- 머신러닝 심화— 앙상블(XGBoost, LightGBM, CatBoost), 베이지안 최적화, 모델 해석
- 딥러닝 아키텍처— CNN, RNN, LSTM, GRU, Seq2Seq 심화 구현
- 트랜스포머 아키텍처 심화— Self-Attention, Multi-Head Attention, Positional Encoding 구현
- BERT/GPT 계열 모델— Pre-training 이해, Fine-tuning 기법, Task별 적용 전략
- 모델 성능 최적화— 학습률 스케줄링, 정규화, 드롭아웃, 조기 종료, 그래디언트 클리핑
- 모델 평가 및 해석— SHAP, LIME, 혼동 행렬, PR 곡선, ROC-AUC, 도메인별 지표
- 분산 학습— Multi-GPU 학습, DDP(DistributedDataParallel), 메모리 효율화
- 컴퓨터 비전 / NLP 응용— 이미지 분류, 객체 탐지, 텍스트 분류, NER, 요약 태스크
+
이 스텝을 마치면
트랜스포머 기반 최신 딥러닝 모델을 처음부터 구현하고 도메인 문제에 최적화하는 고급 ML 모델링 역량을 갖춥니다.
습득 스킬 ML 알고리즘 심화 / 딥러닝 아키텍처 / 트랜스포머 / 성능 최적화
- LLM 구조 심화 이해— GPT, LLaMA, Mistral, Gemma 등 오픈소스 LLM 아키텍처 분석
- Instruction Tuning— 지시 데이터셋 구축, Supervised Fine-tuning(SFT) 전략
- PEFT 기법 심화— LoRA, QLoRA, Prefix Tuning, Prompt Tuning 원리 및 실습
- RLHF / DPO— 인간 피드백 강화학습, DPO(Direct Preference Optimization) 실습
- 모델 양자화— GPTQ, GGUF, bitsandbytes 4bit/8bit 양자화로 경량화
- 루시아(LUXIA) 파인튜닝— 솔트룩스 플랫폼을 활용한 도메인 특화 LLM 구성 실습
- 임베딩 모델 파인튜닝— Sentence-BERT, BGE 임베딩 모델 도메인 특화 파인튜닝
- 고급 RAG 시스템— Hybrid Search, Re-ranking, Contextual Compression, Multi-hop RAG
- LLM 평가 프레임워크— BLEU, ROUGE, BERTScore, RAGAS, LLM-as-Judge
+
이 스텝을 마치면
오픈소스 LLM을 도메인 특화 데이터로 파인튜닝하고 RAG와 결합하여 실무 수준의 도메인 특화 AI 시스템을 구축하는 전문 역량을 갖춥니다.
습득 스킬 LoRA / QLoRA / RLHF / 임베딩 / 벡터 DB / RAG 시스템
- 단일 LLM의 한계 분석— 컨텍스트 길이, 전문성, 오류 누적 문제 및 해결 전략
- 에이전트 아키텍처 패턴— Planner-Executor, Supervisor-Worker, Hierarchical 패턴
- LangGraph 심화— State Graph 설계, 노드·엣지 구성, 조건 분기, 사이클 처리
- 역할 분리 설계— 기획자, 연구자, 작성자, 검토자 에이전트 역할 분리 및 협업 구조
- 도구(Tool) 통합— 웹 검색, 코드 실행, DB 조회, API 호출, 파일 처리 도구 통합
- 에이전트 메모리 관리— 단기/장기 메모리, 에피소딕 메모리, 공유 메모리 설계
- 루시아(LUXIA) 멀티 에이전트— 솔트룩스 플랫폼 기반 엔터프라이즈 멀티 에이전트 시스템 구성
- 에이전트 평가 및 디버깅— LangSmith 트레이싱, 에이전트 성능 평가, 비용 최적화
+
이 스텝을 마치면
LangGraph 기반으로 역할이 분리된 멀티 에이전트 시스템을 설계하고, 복합 업무를 자율적으로 처리하는 AI 워크플로우를 구현하는 역량을 갖춥니다.
습득 스킬 LangGraph / 역할 분리 / 워크플로우 / 멀티 에이전트 오케스트레이션
- AWS SageMaker— Training Jobs, Model Registry, Endpoint 배포, Auto Scaling
- 모델 버전 관리— MLflow, DVC 기반 실험 추적 및 모델 버전 관리
- 고성능 추론 최적화— TorchScript, ONNX 변환, TensorRT 최적화, 배치 추론
- LLM 서빙 최적화— vLLM, TGI(Text Generation Inference) 기반 고성능 LLM 서빙
- MLOps 파이프라인— 데이터 수집 → 학습 → 평가 → 배포 자동화 파이프라인 구축
- 모델 드리프트 모니터링— 데이터 드리프트, 성능 저하 감지, 재학습 트리거 설정
+
이 스텝을 마치면
LLM 및 ML 모델을 AWS 클라우드에서 효율적으로 학습·배포·모니터링하는 MLOps 전문 역량을 갖춥니다.
습득 스킬 AWS SageMaker / 모델 레지스트리 / CI/CD / 모델 모니터링
- 프로젝트 도메인 선정— 의료·법률·금융·제조 등 도메인 문제 분석 및 AI 솔루션 기획
- 도메인 데이터셋 구축— 도메인 특화 Instruction 데이터 수집·정제·품질 검증
- LLM 파인튜닝 실전— QLoRA 기반 오픈소스 LLM 파인튜닝, 평가, 반복 개선
- 멀티 에이전트 시스템 구현— LangGraph 기반 도메인 특화 멀티 에이전트 워크플로우 구현
- 루시아(LUXIA) 통합— 파인튜닝된 모델과 루시아 플랫폼 통합으로 엔터프라이즈 AI 구성
- AWS 배포 및 성능 검증— SageMaker 기반 배포, 부하 테스트, 성능 측정 및 최적화
- 기업 심사 및 발표— 기술 발표(영어/한국어), 현업 전문가 질의응답, 최종 평가
+
이 스텝을 마치면
실제 도메인 문제를 해결하는 LLM 파인튜닝 + 멀티 에이전트 통합 AI 시스템을 구현하여 고급 ML Engineer 포트폴리오를 완성합니다.
습득 스킬 도메인 LLM 파인튜닝 + 멀티 에이전트 시스템 실전 구현