제미나이 무료 구독권을 얻기 위해 신청했다가,
강제로 한 달 구독을 당한 관계로.. Google AI 강의 정리 시작합니다..
Google AI - 전문 인증서 강의
- 링크 : https://www.coursera.org/professional-certificates/google-ai
- 업무 현장에서 Gemini 같은 도구를 어떻게 비서처럼 활용할지 알려주는 강의
- AI를 능숙하게 다루는 능력을 길러 업무 효율을 극대화 ~
AI vs. 머신러닝 : 무엇이 다를까?
많은 사람들이 혼용해서 쓰지만, 엄밀히 말하면 포함관계에 가까움
인공지능
- 인간의 지능이 필요한 직업(이메일 작성, 경로 추천 등)을 수행하는 도구를 만드는 광범위한 분야
- 정리 : 인간처럼 생각하고 행동하는 모든 기계나 소프트웨어를 통칭하는 가장 큰 개념
머신러닝
- AI를 구현하는 구체적인 방법론 중 하나
- 데이터를 통해 컴퓨터가 스스로 패턴을 찾아내고 학습하게 만드는 기술
- 정리 : AI를 구현하기 위해 데이터로 스스로 학습하게 만드는 기술
머신러닝의 3가지 학습 방법
지도학습(Supervised)
- 정답(Label)이 있는 데이터를 제공
- "이 사진은 얼룩말이야"라고 사람이 일일이 알려줌
비지도학습(Unsupervised)
- 정답 없이 데이터만 제공
- 사람이 알려주지 않아도 AI가 스스로 "줄무늬가 있는 그룹"과 "단색 그룹"으로 분류함
강화학습(Reinforcement)
- 시행착오와 보상을 통해 학습
- 정답을 맞히면 보상(+), 틀리면 벌점(-)을 주어 최적의 전략을 스스로 찾아내게 함
최근 AI 모델
- 최근 고도화된 AI 모델들은 성능을 높이기 위해 이 세 가지 방식을 적절히 섞어서 사용함
- 결국 AI의 성능은 어떤 데이터를, 어떤 방식으로 학습시켰느냐에 따라 결정된다는 점이 가장 중요함
요즘 AI(예 : 거대 언어 모델)가 만들어지는 과정
- 최신 AI 모델은 보통 다음과 같은 3단계 콤보로 학습됨
1단계 : 비지도 학습(Unsupervised Learning) - 독학하기
- 먼저 인터넷에 있는 수조 개의 문장을 AI에게 그냥 읽힘
- 누가 정답을 알려주지 않아도 AI는 스스로 단어 사이의 패턴을 파악함
- 예 : "사과는 맛.." 다음에는 "있다"가 올 확률이 높다는 것을 스스로 깨달음
2단계 : 지도 학습(Supervised Learning) - 선생님께 배우기
- 독학을 마친 AI에게 사람이 만든 모범 답안을 공부시킴
- 예 : 사람이 결제 시스템 로직에 대해 설명해줘라는 질문과 그에 대한 정답 답변을 한 쌍으로 묶어서 학습시키면, 이를 통해 AI는 대답하는 법을 배움
3단계 : 강화학습(Reinforcement Learning) - 칭찬하고 다듬기
- 마지막으로 AI가 내놓은 여러 대답 중 어떤 것이 더 자연스럽고 유익한지 사람이 점수를 매김
- 이를 전문 용어로 RLHF, 인간 피드백 기반 강화 학습이라고 함
- 예 : AI의 대답이 정확하면 높은 점수(보상)을 주고, 틀리거나 무례하면 낮은 점수(벌점)을 줌
- 이 과정을 반복하며 AI는 점점 더 사람처럼 똑똑하게 말하게 됨
AI의 3가지 핵심 한계점
- AI는 만능이 아니며, 학습 데이터와 기술적 구조로 인해 다음과 같은 약점을 가짐
1) 편향성(Bias)
-
AI는 학습된 데이터 속에 담긴 사회적 편견이나 고정관념을 그대로 복제할 수 있음
-
원인 : 데이터가 특정 집단에 치우쳐있거나(Skewed), 불완전하기 때문
-
예시 : 사무실 이미지를 생성하라고 하면 항상 도심의 고층 빌딩만 보여주는 현상
-
해결책
- 구체적인 맥락 제공 : 대상과 필요 사항을 상세히 설명
- 피드백 및 수정 : 편향된 결과가 나오면 "이런 고정관념을 제외하고 다시 작성해줘"라고 요청
2) 지식 컷오프(Knowledge Cutoff)
-
AI의 지식은 학습이 완료된 특정 시점에 멈춰 있음
-
원인 : 모델의 핵심 지식은 실시간으로 업데이트되지 않음
- 일부 모델은 웹 검색으로 보완하지만, 원래 알고 있는 것과는 다름
-
해결책
- 시간 정보 명시 : "2025년 여름에 유행한 노래는 뭐야?"처럼 정확한 연도를 물어보기
- 외부 검증 필수 : 통계, 최신 뉴스 등 시간에 민감한 정보는 반드시 검색 엔진으로 교차 검증하기
3) 드리프트 현상(Drift)
-
시간이 흐르면서 AI의 성능이나 답변 방식이 변하거나 정확도가 떨어지는 현상
-
사실적 드리프트(Factual Drift) : 현실이 변함에 따라 과거 지식이 쓸모없어지는 경우(예 : 작년 패션 트렌드 정보)
-
행동적 드리프트(Behavioral Drift) : 모델 업데이트로 인해 동일한 프롬프트에도 말투나 답변 형식이 달라지는 경우
-
해결책
- 대화방 초기화 : 한 대화가 너무 길어지면 '새 채팅'을 시작해 문맥을 초기화
- 최신 맥락 주입 : 프롬프트에 현재 시장 상황이나 기술 정보를 직접 포함시켜 질문
Leverage AI features and capabilities for work
업무에서 AI를 활용하는 3가지 방법
- AI는 천재적인 기술력보다는 몇 가지 간단한 원칙을 이해할 때 가장 빛을 발함
(1) 정보 이해 : 수십 페이지 보고서 요약, 복잡한 스프레드시트 분석, 업계 동향 파악
(2) 새로운 결과물 생성 : 이메일 초안 작성, 발표 자료 개요 잡기, 제품 이미지 생성
(3) 업무 품질 향상 : 프로젝트 계획의 빈틈 찾기, 제안서 개선 제안, 새로운 아이디어 브레인스토밍
AI 모델과 앱의 관계
-
강의에서는 AI 모델과 앱의 관계를 자동차에 비유해서 설명함
-
AI 모델(예시 : Gemini 모델) : 자동차의 엔진
- 실제로 추론하고 답변을 만들어내는 핵심 기술
-
AI 앱(예시 : Gemini 앱) : 자동차의 외관과 운전석
- 사용자가 실제로 탑승해서 조작하는 인터페이스
-
프롬프트(Prompt) : 자동차를 움직이는 핸들, 가속페달
- AI에게 내리는 명확하고 구체적인 명령
- 입력 : 내가 준 명령과 파일
- 출력 : AI가 내놓은 결과물
알아두면 유용한 설정 : 온도
- AI의 창의성을 조절하는 아주 중요한 개념
- 낮은 온도 : 결과가 예측 가능하고 일관적(보고서 요약, 사실 기반 작업에 적합)
- 높은 온도 : 결과가 창의적이고 의외성이 있음(아이디어 브레인스토밍, 창작 작업에 적합)
- 우리가 흔히 쓰는 Gemini 앱이나 ChatGPT 일반 모드는 보통 중간 정도로 맞춰져 있어서, 적당히 똑똑하면서도 적당히 창의적인 답변을 내놓음
- Google AI Studio 같은 전문가용 도구는 사용자가 직접 이 온도 다이얼을 돌려가며 답변의 성격을 직접 제어할 수 있음
- 만약 팩트가 중요한 업무인 경우, AI에게 "아주 차분하고 보수적으로(낮은 온도 느낌으로) 검토해달라"고 프롬프트에 명시하는 것이 유리함
Learn how to prompt AI to get helpful results
- AI로부터 최고의 결과물을 얻기 위한 프롬프트 작성 프레임워크
- AI는 구체적으로 말하지 않으면 만족스럽지 못한 결과를 얻게 됨
효과적인 프롬프트를 위한 4가지 구성 요소
(1) 페르소나(Persona) : AI에게 역할을 정해주는 것
- 예 : 너는 대규모 프로젝트를 성공적으로 이끌어온 노련한 팀장이야
(2) 작업(Task) : AI가 무엇을 해야 하는지 명확히 지시
- 예 : 효율적인 회의 진행을 위한 팁을 알려줘
(3) 형식(Format) : 결과물의 모양새를 지정
- 예 : 불렛 포인트로 작성해줘
(4) 맥락(Context) : AI가 상황을 이해하도록 배경 지식을 줌
- 예 : 우리 팀은 부서 간의 협업이 잦고, 상태 점검 회의 때 결정을 내리는데 어려움을 겪고 있어
고수로 가는 프롬프트 팁
(1) 예시 제공 (Give Examples)
- 백 마디 말보다 한 번의 예시가 나음
- 과거 회의 안건 같은 파일을 참고 자료로 주면 정확도가 올라감
(2) 반복과 개선 (Iteration)
- 한 번에 완벽한 답을 기대하지 말기
- 답변이 오면 추가 정보를 주며 수정(Edit)하거나 질문을 이어가기
(3) 작게 나누기 (Break it down)
- 한 번에 큰 해결책을 요구하기보다, '원칙 → 적용 방법 → 최종 안건' 순으로 단계별 질문을 하는 것이 좋음
(4) 제약 조건 설정 (Constraints)
- "회의 시간을 늘리지 마", "일주일 안에 실행 가능한 것만 제안해" 같은 조건을 붙여보기
(5) 주제별 대화방 분리
- AI는 한 채팅방 안의 모든 내용을 기억(Long context window)함
- 주제가 바뀌면 반드시 '새 채팅'을 시작해야 혼선이 없습니다.
Prompting tips and tricks
프롬프트의 3대 원칙(3 C's)
- AI에게 명령을 내릴 때 반드시 기억해야 하는 세 가지 단어
(1) Concise (간결함)
- 너무 길고 복잡하게 말하지 말기
- 핵심만 간단히 전달할 때 AI는 더 효율적으로 처리함
(2) Clear (명확함)
- "좋게 만들어줘" 같은 모호한 표현 대신, 구체적인 방향을 제시
- 모호하면 AI는 제멋대로 추측하기 시작함
(3) Consistent (일관성)
- 대화 중에는 같은 용어를 계속 쓰기
- 처음에 '엑셀'이라고 했다가 나중에 '시트'나 '행렬'이라고 바꾸면 AI가 헷갈릴 수 있음
프롬프트 라이브러리 만들기 : 잘 작동했던 프롬프트를 따로 저장해두고 재사용하는 것을 권장
Prompt chaining strategies
강력한 프롬프트 문구
- AI가 더 깊이 고민하고 정교한 답을 내놓게 만드는 마법의 표현들
- 단계별 사고 : "차근차근 단계별로 생각해서 설명해줘(Think step-by-step)."
- AI의 논리적 오류를 줄이는 가장 강력한 문구
- 청중과 톤 설정 : "경영진(Executive)을 대상으로 하는 보고서니, 전문적인 톤으로 작성해줘."
- 제약 조건 부여 : "한 단락으로 요약하고, 비용에 대해서는 언급하지 마."
- 비판 요청 : "이 로직에 대해 반대 의견(Devil's advocate)을 제시해봐. 어떤 허점이 있을까?"
- 대안 및 확장 : "이 문제에 대한 다른 접근 방식 3가지만 더 알려줘."
프롬프트 체이닝
- 거대한 프로젝트를 작은 단위로 쪼개서 순차적으로 해결하는 방식
체이닝 예시 1 : 파리 여행 계획
- 프롬프트 1: "파리 3일 여행 갈 건데, 예술과 역사 유적지 위주로 장소를 추천해줘."
- 프롬프트 2: "방금 추천한 장소들을 바탕으로, 이동 시간을 최소화한 일자별 일정을 짜줘." (이전 답변 활용)
- 프롬프트 3: "각 일정의 장소 근처에 있는 평점 좋은 식당을 추천해줘." (결과 고도화)
체이닝 예시 2 : 배치 쿼리 작성
- 1단계 (분석): "이 결제 배치 처리 SQL 쿼리를 분석해서 성능 병목이 생길 만한 지점을 찾아줘."
- 2단계 (해결): "찾아낸 병목 지점을 해결하기 위해 인덱스를 설계하거나 쿼리를 튜닝해줘."
- 3단계 (검증): "수정된 쿼리가 기존 로직에 영향을 주지 않는지 체크하기 위한 테스트 시나리오를 작성해줘."
AI는 한 번에 모든 걸 해결해주는 요술 램프가 아니라, 단계별로 함께 완성해가는 브레인스토밍 파트너임
Responsible AI best practices
1) 민감한 정보 보호 (보안이 최우선)
- AI는 강력한 조력자이지만, 공용 AI 도구에 입력하는 내용은 보안 위험이 있을 수 있음
(1) 익명화 사용
- 사람 이름, 프로젝트 명, 특정 장소 대신 일반적인 대체어(Placeholder)를 사용
- 예: 'A사 결제 모듈' -> '외부 결제 시스템'
(2) 필요한 정보만 입력
- 전체 문서를 다 올리기보다 작업에 꼭 필요한 맥락만 추출해서 입력
(3) 질문 전 자문
- "이 데이터를 다른 사람이 알아도 괜찮은가?"라고 스스로 물어보기
2) 규제 및 준수 사항(Compliance) 확인
- 금융, 의료, 법률 분야는 규제가 매우 엄격함
(1) 전문가 대체 불가
- AI는 자격증을 가진 전문가(변호사, 회계사 등)의 조언을 대신할 수 없음
(2) 책임 소재
- AI가 내놓은 결과물에 대한 최종 책임은 항상 사용자(인간)에게 있음
(3) 사내 규정 확인
- 회사의 AI 사용 가이드라인과 승인된 도구(기업용 vs 공용)인지 반드시 확인
3) 투명성과 책임감 (Accountability)
- 내가 어떻게 AI를 활용했는지 과정을 투명하게 관리해야 함
(1) 출처 추적
- 어떤 부분이 AI 생성물이고 어떤 부분이 내 기여분인지 구분
(2) 검증 단계 기록
- AI의 결과물을 어떻게 팩트 체크했는지 기록해두면 나중에 "왜 이렇게 결론 내렸나?"라는 질문에 당당히 답할 수 있음
Learn about AI agents
AI 에이전트란
- 단순히 질문에 답하는 것을 넘어, 사용자의 목표를 달성하기 위해 스스로 계획을 세우고 도구(이메일, 캘린더, 문서 등)를 사용ㅇ해 업무를 수행하는 시스템
에이전트의 3대 핵심 구성 요소
(1) 모델 (Models): 에이전트의 '두뇌'
- 목표를 달성하기 위해 어떤 단계가 필요한지 판단함
(2) 권한 (Permissions): 에이전트가 움직일 수 있는 '범위'
- 사용자가 허용한 도구에만 접근할 수 있는 가드레일 역할을 함
(3) 목표 (Goals): 사용자가 부여한 '최종 목적지'
- 예: "분기 킥오프 회의 준비해줘"
에이전트가 일하는 방식
- 에이전트는 목표를 달성할 때까지 다음 과정을 반복함
- 분석 (Analyze): "첫 번째로 뭘 해야 하지?" (예: 캘린더 확인)
- 실행 (Act): "실제로 행동하자!" (예: 빈 시간대 찾기)
- 관찰 (Observe): "방금 한 일이 목표에 맞나? 다음 단계는?" (예: 전원 참석 가능 확인 후 초대장 발송)
책임감 있는 에이전트 활용
- 에이전트에게 업무를 맡길 때는 다음 두 가지를 꼭 따져봐야 함
- 위험도 (Risk) : 실수가 발생했을 때의 타격이 큰가?
- (예: 단순 메모 요약 = 저위험 / 거액 결제 집행 = 고위험)
- 가역성 (Reversibility) : 되돌리기 쉬운가?
- (예: 이메일 초안 저장 = 고가역성 / SNS 공지 게시 = 저가역성)
팁: 위험도가 높거나 되돌리기 어려운 작업은 반드시 사람이 중간에 개입하는 'Human-in-the-loop' 방식을 유지해야 함
첫 번째 배지 완료 ~
