
음성 AI
목소리를 이해하고, 자연스러운 음성을 만듭니다
업무 적용 예시
- 미디어
- 음성을 텍스트로 바꿔 자막 제작
- 고객 상담
- 통화 내용을 문자로 전환하고 정리
- 접근성
- 텍스트를 읽어 주는 음성 안내
과정 연결: 1차 프로젝트 · TTS와 STT 모델 개발
살펴볼 직무: 음성 AI 개발자, STT·TTS 엔지니어
KDT AI Human · 커리큘럼 안내
KDT AI Human(Agent) 과정
하네스는 AI가 도구를 사용하고, 사람이 결과를 확인하며, 품질을 평가할 수 있도록 돕는 실행 환경입니다.
Python에서 시작해 RAG와 LangGraph 에이전트까지 20주를 갑니다. 배운 직후 프로젝트로 만들고, 그 품질을 숫자로 증명합니다.

시작하기 전에 확인할 네 가지입니다.
네 개 Part 중 Part II를 두 단계로 나누어, 총 다섯 단계로 배웁니다. 3단계부터 단계 끝에 팀 프로젝트가 있고, 주차별 내용은 7기 20주 설계를 따릅니다.
단계를 선택하면 주차별 내용과 사용하는 도구를 볼 수 있습니다.
01단계 · Part IPython1~2주차 · 80시간코딩 체력주차별로 배우는 것
강사의 경험통계학과 전공과 빅데이터 MBA에서 나온 데이터를 읽는 힘
공고와의 접점Python을 기본 자격으로 요구하는 공고가 있습니다.
02단계 · Part II딥러닝과 Transformer3~6주차 · 160시간AI 기초 체력주차별로 배우는 것
강사의 경험통계적 사고로 모델을 평가하는 지표를 보는 눈
공고와의 접점Transformer와 LLM 작동 원리, PyTorch와 HuggingFace를 요구하는 공고가 있습니다.
03단계 · Part II음성 AI와 비전 AI7~10주차 · 160시간첫 전문성과 첫 프로젝트1차 프로젝트로 마무리주차별로 배우는 것
단계 끝의 프로젝트
1차 프로젝트: 딥러닝 기반 TTS, STT 팀 프로젝트
강사의 경험음성 AI 제품(TTS, STT)을 직접 기획하고 출시한 경험
공고와의 접점비전과 음성은 LLM, RAG와 나란히 요구되는 직무가 있어 두 갈래를 함께 익힙니다.
04단계 · Part IIILLM과 Agent11~15주차 · 200시간LLM 활용과 두 번째 프로젝트2차 프로젝트로 마무리주차별로 배우는 것
단계 끝의 프로젝트
2차 프로젝트: LLM 에이전트를 만들고 배포해 품질을 검증
강사의 경험GPT, Claude, Gemini, EXAONE을 한 제품에서 운영한 멀티 LLM 경험
공고와의 접점에이전트 구현과 프롬프트, 모델 활용 경험을 요구하는 공고가 있습니다.
05단계 · Part IVRAG와 LangGraph16~20주차 · 200시간실전 시스템과 최종 프로젝트3차 프로젝트로 마무리주차별로 배우는 것
단계 끝의 프로젝트
3차 프로젝트: 공개 문서로 근거를 붙여 답하는 에이전트를 만들고 배포하고 숫자로 증명(RAG, LangGraph, FastAPI, Docker)
강사의 경험AI 검색 제품을 Agentic AI로 전환한 설계와 출시 경험, 50명 이상의 팀 리딩
공고와의 접점RAG 검색과 벡터 DB, LangChain과 LangGraph를 활용하는 공고가 있습니다.
음성 모델에서 시작해 LLM 서비스, 근거를 붙여 답하는 에이전트까지. 마지막 프로젝트에서는 에이전트를 믿고 맡길 수 있는 실행 환경까지 만듭니다.

1차 프로젝트8~10주차

2차 프로젝트14~15주차

3차 프로젝트18~20주차
문서 이미지를 읽어 필요한 정보를 찾는 에이전트를 예로 살펴봅니다. 실제 프로젝트는 팀이 정한 문제에 맞춰 기술과 입력을 선택합니다.
같은 평가셋 50문항으로 검색을 두 번 개선하고 품질, 시간, 비용을 함께 비교합니다. 아래 숫자는 형식을 설명하기 위한 가상의 연습 예시입니다.
관련 질문 25개와 비관련 질문 25개를 기준으로 한 예시
근거 검색 성공률은 관련 질문 중 정답 근거를 찾은 비율입니다. API 호출비는 모델 사용 비용만 나타낸 예시이며, 서버 비용은 포함하지 않습니다.
평가 보고서 예시와 작성 양식 받기 ↓에이전트의 성능은 모델만으로 정해지지 않습니다. 모델을 감싸고 믿고 맡길 수 있게 하는 실행 환경을 설계하고 평가하는 일이 이 과정의 중심입니다. 3차 프로젝트의 필수 게이트가 그대로 하네스의 구성 요소입니다.
항목을 가리키거나 누르면 그림에서 해당 구성 요소가 강조됩니다.
채용 공고에서는 ‘하네스’ 대신 오케스트레이션, 평가, 모니터링 등 구성 요소를 설명하는 표현을 만날 수 있습니다.
문제를 정하고, 함께 만들고, 결과를 점검합니다. 피드백은 다음 시도의 기준이 됩니다.
단계를 눌러 활동과 점검 방법을 살펴보세요.
개선에서 얻은 판단을 다음 문제와 실행에 다시 적용합니다.
01 / 문제 정의
사용자와 가설
암기보다 실제 문제에서 알아보는 힘을 기릅니다. 가설을 세우고 경쟁 제품을 살피는 것에서 시작합니다.
LLM과 RAG만 배우지 않습니다. 소리와 이미지를 다루는 모델도 직접 만져 봅니다.

Part II
Part II, Part III
음성, 비전, LLM 기술을 어떤 분야에 활용할 수 있는지 살펴봅니다. 공고별 요구 경력과 지원 조건은 다릅니다.

음성 AI
업무 적용 예시
과정 연결: 1차 프로젝트 · TTS와 STT 모델 개발
살펴볼 직무: 음성 AI 개발자, STT·TTS 엔지니어

비전 AI
업무 적용 예시
과정 연결: 비전 실습과 2차 프로젝트 · OCR, VLM 활용
살펴볼 직무: 컴퓨터 비전 개발자, 멀티모달 AI 개발자

LLM과 에이전트
업무 적용 예시
과정 연결: 2차·3차 프로젝트 · 에이전트와 RAG 서비스
살펴볼 직무: LLM 엔지니어, AI 에이전트 개발자
업무 적용 예시는 기술의 활용 가능성을 보여 주며, 각 사례가 프로젝트 주제로 확정된 것은 아닙니다.
검색어와 경력 조건을 기준으로 살펴봅니다. 원티드는 검색 결과에서 경력 필터를 신입부터 3년으로 선택해 주세요.
사람인과 잡코리아는 신입·경력 3년 이하 조건을 적용한 검색입니다. 각 사이트의 분류 방식과 광고에 따라 다른 결과가 섞일 수 있으므로 개별 지원 조건도 확인해 주세요. 프로젝트 경험만으로 경력 요건이 충족되는 것은 아닙니다.

강사 김생근(Ethan)
수강생이 도달할 모습을 먼저 걸어온 AI-native 개발자. 이 과정의 순서에는 현장에서 겪은 것이 그대로 들어 있습니다.
2026 ~
KDT AI Human AI Agent 개발자 과정 리드 강사
AI 에이전트 서비스를 직접 만들며 과정을 설계합니다.
2022 ~ 2026
ESTsoft 제품 리더
Alan AI 에이전트 플랫폼, PERSO.ai TTS와 STT 기획과 출시, AI Slide 출시, 멀티 LLM 제품 설계
2018 ~ 2022
LINE AD Growth Lead
Wallet 추천팀을 리딩하며 글로벌 1.8억 유저로 확장, 데이터 기반 그로스 전략
2018 이전
카카오, CJ, 삼성카드 등 데이터사이언티스트, 플랫폼 PM
대규모 플랫폼에서 UX와 데이터 기반 의사결정
AI Human 4기와 7기 수강생이 남긴 점수와 글입니다. 기수를 나누지 않고 한 묶음으로 보여 드립니다.
4.89/5
4기 학습멘토링 후기 6건과 7기 강의 설문 응답 3건, 모두 9건의 5점 만점 평균입니다. 4기는 학습멘토링에 대한 후기이며 이 과정의 커리큘럼 후기가 아닙니다. 응답이 많지 않아 참고로만 봐 주세요.
4기는 2026-05 승인 기록, 7기는 2026-11 설문 집계 기준입니다. 4기는 전원 게재에 동의했고 이름은 게재된 그대로 일부만 가렸습니다. 7기는 인용에 동의한 답변만 원문 그대로 싣고, 이름은 4기와 같이 일부만 가렸습니다.
긴 후기는 일부만 보이고, 전체 보기를 누르면 원문 전체를 읽을 수 있습니다.
“RAG 과정의 검색 평가 수업이 가장 도움이 됐습니다. Recall과 MRR로 검색 품질을 따로 재는 법을 배워, 3차 프로젝트에서 임베딩 모델과 검색 방식, 리랭커를 바꿔 가며 400개가 넘는 조합을 비교했습니다. 직접 재 보니 정확도와 속도는 서로 맞바꾸는 관계였습니다. 점수가 가장 높은 조합도 응답이 너무 느리면 버리고, 기준 시간 안에서 가장 잘 찾는 조합을 골랐습니다. 이후에도 답변의 인용률과 응답 시간을 함께 재며, 지표 하나만 올리기보다 균형을 맞추는 법을 익혔습니다.
“처음 배우는 사람한테 공부 방향성을 알려주기 제일 어렵다고 생각이 드는데, 제가 하고자 하는 공부에 대해 많은 정보와 다양한 길을 알려주시는게 너무 좋았습니다. AI를 처음 배우는 비전공자에게도, 커리어 전환을 고민하는 분에게도 필요한 분이라고 생각합니다.
“가장 도움이 된 수업은 RAG 평가와 회귀 강의였습니다. 해당 강의에서는 RAG 성능을 점수 하나로 보지 않고 수집·검색·생성·안전성 층으로 나눠 위에서부터 진단하는 기준을 배웠습니다. RAG 성능을 점수 하나로 보지 않고 검색과 생성 중에서 평가셋과 기준선을 버전별로 남기고, 어떤 것이 문제인지 스스로 기준선을 바꿔가며 한 단계씩 개선하고 데이터를 분석하는 단계를 강의에서 배웠습니다. 답하면 안 되는 질문에 "근거에 없습니다"라고 거절한 것도 정답으로 쳐야 한다는 얘기가 특히 기억에 남습니다. AI라고해서 무조건 사용자들의 편의에 맞춰 답을 제공하는 것만이 아니라는 철칙도 배웠습니다.
“처음부터 자신감보단 불안, 걱정이 많았었는데 앞으로 해야 할 일을 알려주고 여러가지 정보를 주어 방향성을 바로 잡게 해주었고, 프로젝트 기간에도 좋은 피드백으로 성공리에 마무리하게 도와주셨습니다. 약 2달이 넘은 시점이지만 자신감이 매우 생기게 되었습니다.
“노가다 하면서 수업을 들은 사람으로서 영타도 못치고 수업 자체가 내게는 너무 어려운 과정인데, 튜터님께서는 어떻게든 방향을 이쪽으로 유지하라, 공부를 이어나가라는 힘이 되는 말씀을 많이 해주셨습니다. 그냥 내 입장에서 답변을 해주시려는 모습이 감동이었습니다.
“짧은 기간 동안 처음 접하는 분야를 폭넓게 배울 수 있어 정말 좋았습니다. 내용이 어렵고 양도 많아서 '제대로 배우고 있는 걸까' 싶을 때도 있었는데, 실제 기술면접에서 강의 때 배운 내용으로 답변할 수 있었고, 그때 커리큘럼과 강사님의 강의가 얼마나 훌륭했는지 체감했습니다. 이론과 실습을 함께 진행한 점도 정말 좋았습니다. 특히 실습 덕분에 흥미를 많이 느낄 수 있었기 때문에, 실습 비중을 조금 더 늘려주시면 더 좋을 것 같습니다. 그동안 정말 감사했습니다!
프로젝트마다 실제 맡은 역할, 기술을 선택한 이유, 실패와 수정 과정을 정리합니다. 아래는 작성할 수 있는 항목의 예시입니다.
이력서: 해결한 문제와 내가 만든 기능, 확인한 결과를 한 줄로 정리합니다. 면접: 대안을 고른 기준, 실패 사례와 수정, 남은 한계를 설명합니다.
프로젝트별 이력서·면접 정리 양식 받기 ↓