upstage-ai-lab-day-01
수업 첫날 ot 와 함께 특강이 있었고 나머지는 앞으로의 운영에 대해서 듣는 시간
녹화 수업만 해도 250h 으로 8시간 풀로 공부했을때 30일이 넘어가는 양이다
기초 이후에 ai 수업들이 주를 이루므로 시간 분배를 잘 해야할 것
다행히 커리큘럼에서 우려했던 웹 개발 같은 것은 거진 보이지 않는다
todo

 학습일지 작성, 이거
 출결을 위한 hdr 앱 설정
 강의 수강을 위한 motp 설정

ot

커리큘럼 공개
운영 방식

매니저님들 여러 채널을 잘 구분해서 생성해두고 빠르게 응답해주시는 모습


학습 방식

두가지의 학습이 존재한다

패스트 캠퍼스의 녹화된 강의

필수 강의

여긴 upstage 강사분들 외에도 범용적인 컴퓨터 관련지식에 관련된 다른 강의가 포함
필수인데 여기서만 이미 250 시간이 요구된다
특정 기간안에 특정 강의는 수강을 완료해야한다


기타 강의

추가적인 공부를 원하는 사람들을 위해서 인공지능 관련된 강의들을 추가로 제공해준다




live 강의 - 이건 실제 강사가 zoom 에 들어와서 하는 강의




아이스브레이킹

특강: ai, 그리고 ai engineer

강사: 송인서(upstage)

ai enginner

ai 기술로 문제 해결하는 사람
기술 개발 과정

문제정의
데이터 수집: 비용, 시간, 품질
모델 개발: 운영을 위한 개발도 포함
벤치마크 평가
필드 테스트: 비용, 위험성


세부 역할 분석

데이터 엔지니어링

데이터 수집, 결측 제거, 보간 등


모델링
모델평가

특히 생성형 AI에서는 모델 안정성


시스템 개발: 사용 관점에서의 개발



foundation model 의 등장과 ai 생태계 변화

gpt, llama
요약, 생성, 챗봇등 왠만한 일들을 다 해줌
첫음 부터 ai 개발을 하지 않고 다양한 작업을 수행
개발되고 있던 많은 모델들을 뛰어 넘어버림

LLM기반 서비스

파운데이션 모델 + 파인튜닝

chatbot: askup 카카오톡 챗봇
search engine: [URL] https://perplexity.ai/
code: copilot


llm 들은 모두 아키텍쳐가 비슷하고 데이터가 더 중요해진 상황
이미 llama3 기준의 파라메터수만 해도 인터넷 전체 데이터를 모은 수준
비용은 왠만하면 기존 서비스의 api 를 사용하는게 더 싸다
데이터 반출과, 최적화 관점에서 모델 개발을 봐야한다
모델의 경우 인풋과 아웃풋이 범용적일 수로 범용모델로 대체되기 쉽다고 생각한다, 대체 가능성 llm, cv > recsys
데이터는 계속적으로 중요해질거다, 아키텍쳐가 유지되는한

ai 엔지니어가 되기 위한 여정

구체적인 커리어패스 설정

job description 분석필요
cv 작성해 볼 것
top tier 인 경우, 해당 회사 프레임워크
회사의 구성원들 파악, 링크드인등
사이트 프로젝트는 작은 범위 + 높은 수준


핵심역량

meta skill: 새로운 기술을 배울 수 있는 기술
soft skill: 인관관계, 커뮤니케이션
ai: 모델들이 각각 어떤 일을 할수 있는지 파악



link

upstage-ai-lab
upstage-ai-lab-day-08