모집이 시작되면 알림을 보내드립니다.
사전예약은 과정 1개당 한번 신청 가능합니다.
사전 신청자 분들께는 선택한 과정 모집 시작 시 우선 안내드릴 예정입니다.
AI 서비스를 지탱하는 고성능 백엔드
- 실제 기업 환경에서 MCP · A2A 연동에 요구되는 OAuth 2.1 / PKCE / Resource Indicator 인증 체계를 FastAPI로 직접 구현합니다.
- Advanced Python 비동기 구조와 Streamlit UI 연동까지 AI 서비스 백엔드 전 과정을 체화합니다.
- Advanced Python: 비동기(Async/Await) 프로그래밍 / 멀티스레딩 최적화
- FastAPI: 의존성 주입(DI) / Pydantic v2 데이터 유효성 검증 / API 문서화
- Data Tier: PostgreSQL 스키마 설계 / Redis를 이용한 대화 세션 관리
- OAuth 2.1 + PKCE + OIDC(Keycloak/Auth0) 표준 클라이언트/서버 구현
- Resource Indicator (RFC 8707) · 권한 오용(Confused Deputy) 방지 · OBO flow
- SSE / WebSocket — LLM 스트리밍 응답 처리
- Streamlit: 인터랙티브 채팅 위젯 / 사이드바 로그 출력 / 데이터 시각화
Python 3.12 / FastAPI / OAuth 2.1+PKCE / Pydantic v2 / PostgreSQL+pgvector / Redis / Neo4j 5.x / Docker Compose / Alembic
한국형 문서를 이해하는 지식 인프라
- 한국형 멀티포맷 문서(HWP/HWPX/XLSX/PPTX/스캔 PDF)를 처리하고, 문서 단위·청크 단위 접근 권한(ACL)이 적용된 Hybrid RAG 시스템을 구축합니다.
- Ragas ≥ 0.85 달성과 권한 우회 질문 30건 정보 유출 0건을 목표로 합니다.
- LLM Serving: LLM 환경 셋팅
- Prompt Engineering: CoT(Chain of Thought) / Few-shot / ReAct 프롬프트 설계
- Dataset: 문서/테이블 PDF OCR 파싱 / 고품질 벡터 임베딩 파이프라인 구성
- Advanced RAG: Semantic Chunking / Hybrid Search / Reranking(Cross-Encoder)
- 문서 단위 접근 권한(ACL) · Chunk-level permission filter · No-answer policy
- GraphRAG: 그래프 설계 / 그래프 DB구축 / GraphRAG 쿼리 및 평가
- 기준 평가셋(golden dataset) 25문항 설계 · 평가자 보정(judge calibration)
- Ragas — faithfulness · answer relevancy · context precision/recall
pyhwp / Unstructured.io / LlamaParse / BGE-M3 / Cohere Rerank / pgvector / Neo4j / BM25 / Ragas / LangSmith
사내 지식 기반 챗봇을 팀으로 구현
학습한 인증·인프라·RAG 역량을 통합하여 MCP Gateway를 통한 실전급 지식 응답 에이전트를 팀으로 구현합니다.
- 주제: "사내 지식 기반 답변 챗봇 구축"
- 목표: 백엔드(FastAPI) + 검색(RAG) + UI(Streamlit)의 완전한 연동
- 수료 결과물: 한국형 문서 50건+ 인덱싱 · 권한 우회 30건 정보 유출 0건 · Ragas ≥ 0.85
(각 20점)
Ragas + LLM-Judge 점수 / P95 응답 시간 ≤ 5초 / 위협 모델 보고서 / 비용리포트 / 코드 품질 + ADR 3건
스스로 판단하고 실행하는 멀티에이전트 시스템
- LangGraph로 상태 기반 멀티에이전트를 구현하고, MCP Gateway와 A2A v1.0으로 도구·에이전트 간 보안 통신 체계를 완성합니다.
- 위협 모델 4종 방어와 MCP Tool 보안 리포트 작성까지 수행합니다.
- LangGraph: 상태(State) 정의 / 노드와 엣지 설계 / Cyclic 그래프 제어 LangGraph 심화: Checkpointer · 사람 검토 개입(HITL) · Planner-Executor-Critic 구조 / 에이전트 간 핸드쉐이크
- Tool Calling: Web Search / SQL 연동 / 사내 API 호출 도구 제작 및 바인딩
- MCP (Model Context Protocol): MCP 서버 구축 및 외부 Tool 연동 표준 실습
- MCP Gateway — auth · logging · policy · rate limit · Tool 위험도 점수(Risk Score)
- 위협 모델 4종: 권한 오용(Confused Deputy) / Tool 오염 / 권한 집중 / Prompt Injection
- A2A v1.0 — AAIF 거버넌스 · JWS-signed Agent Card · version negotiation
LangGraph v1 / MCP SDK (Python/TypeScript) / A2A v1.0 / OAuth 2.1 / JWS / LangSmith / FastAPI / Docker
Production-Grade 운영·보안·비용 관리
- AI 시스템을 배포 후에도 안전하게 운영할 수 있는 Eval 파이프라인·보안 점검·비용 최적화·거버넌스 체계를 갖춥니다.
- Production Artifact Pack 8종과 Release Gate 8종을 실제로 작성·통과합니다.
- Monitoring: LangSmith 기반 추론 경로 추적 / 토큰 사용량 디버깅 / 피드백 수집
- FinOps: API 비용 제한(Rate Limit) / 토큰 회계 / 모델 라우팅 (Haiku→Sonnet→Opus)
- Security: JWT 기반 인증 / API Key 보안 / OWASP LLM Top 10 — 10종 방어 시나리오
- 프롬프트 인젝션 방어 · Guardrails AI / NeMo Guardrails — output 정책
- Deploy: 오케스트레이션 기반 에이전틱 서비스 패키징 한국 AI 기본법 워크샵 · ISO 42001 + NIST AI RMF 매핑 · 거버넌스 매핑표
- Release Gate 8종 + Production Artifact Pack 8종 실습
LangSmith / Ragas / DeepEval / Guardrails AI / NeMo Guardrails / Docker / OpenTelemetry
LG CNS 현업 사례로 배우는 Enterprise AI
실제 기업 현장에서 AI 에이전트가 어떻게 설계·운영되는지 LG CNS 사례를 통해 이해하고, AI 개발자로서의 포트폴리오 전략을 구체화합니다.
- LG CNS: A.Xink 전사 에이전트 아키텍처 사상 및 Enterprise 서비스 구축 사례
- Portfolio: 기술 블로그 정리 / 깃허브 리포지토리 최적화 / 에이전트 특화 자소서
기업 납품 수준의 AI 서비스를 팀으로 완성
부서별 전문 에이전트 4종이 A2A로 협업하고, MCP Gateway를 통해 도구를 안전하게 사용하며,
사람 검토 개입(HITL) · 감사 로그 · Release Gate 8종을 모두 갖춘 실제 기업에 납품 가능한 수준의 AI 시스템을 팀으로 완성합니다.
- 주제: 멀티 에이전트 기반 신규 AI 서비스 개발
- 데이터: 콜센터 로그 / 사내 규정집 / 제품·기술 문서 등 실무 데이터셋 활용
- 기능: 복합 질문 분석 → 에이전트 역할 분담 기반 지식 탐색 → 외부 도구와 내부 시스템 연계 실행 → 검증 및 통합 의사결정 워크플로우 구현
- 완성: 멀티 에이전트 협업 구조를 활용한 AI 서비스 구현 및 Streamlit 기반 서비스 운영 대시보드와
- 성능 리포트 제출
기능 완성도(20) / 평가+Release Gate(25) / 운영 완성도(25) / Artifact Pack(20) / 발표+Q&A(10)
AI 서비스를 지탱하는 고성능 백엔드
- 실제 기업 환경에서 MCP · A2A 연동에 요구되는 OAuth 2.1 / PKCE / Resource Indicator 인증 체계를 FastAPI로 직접 구현합니다.
- Advanced Python 비동기 구조와 Streamlit UI 연동까지 AI 서비스 백엔드 전 과정을 체화합니다.
- Advanced Python: 비동기(Async/Await) 프로그래밍 / 멀티스레딩 최적화
- FastAPI: 의존성 주입(DI) / Pydantic v2 데이터 유효성 검증 / API 문서화
- Data Tier: PostgreSQL 스키마 설계 / Redis를 이용한 대화 세션 관리
- OAuth 2.1 + PKCE + OIDC(Keycloak/Auth0) 표준 클라이언트/서버 구현
- Resource Indicator (RFC 8707) · 권한 오용(Confused Deputy) 방지 · OBO flow
- SSE / WebSocket — LLM 스트리밍 응답 처리
- Streamlit: 인터랙티브 채팅 위젯 / 사이드바 로그 출력 / 데이터 시각화
Python 3.12 / FastAPI / OAuth 2.1+PKCE / Pydantic v2 / PostgreSQL+pgvector / Redis / Neo4j 5.x / Docker Compose / Alembic
한국형 문서를 이해하는 지식 인프라
- 한국형 멀티포맷 문서(HWP/HWPX/XLSX/PPTX/스캔 PDF)를 처리하고, 문서 단위·청크 단위 접근 권한(ACL)이 적용된 Hybrid RAG 시스템을 구축합니다.
- Ragas ≥ 0.85 달성과 권한 우회 질문 30건 정보 유출 0건을 목표로 합니다.
- LLM Serving: LLM 환경 셋팅
- Prompt Engineering: CoT(Chain of Thought) / Few-shot / ReAct 프롬프트 설계
- Dataset: 문서/테이블 PDF OCR 파싱 / 고품질 벡터 임베딩 파이프라인 구성
- Advanced RAG: Semantic Chunking / Hybrid Search / Reranking(Cross-Encoder)
- 문서 단위 접근 권한(ACL) · Chunk-level permission filter · No-answer policy
- GraphRAG: 그래프 설계 / 그래프 DB구축 / GraphRAG 쿼리 및 평가
- 기준 평가셋(golden dataset) 25문항 설계 · 평가자 보정(judge calibration)
- Ragas — faithfulness · answer relevancy · context precision/recall
pyhwp / Unstructured.io / LlamaParse / BGE-M3 / Cohere Rerank / pgvector / Neo4j / BM25 / Ragas / LangSmith
사내 지식 기반 챗봇을 팀으로 구현
학습한 인증·인프라·RAG 역량을 통합하여 MCP Gateway를 통한 실전급 지식 응답 에이전트를 팀으로 구현합니다.
- 주제: "사내 지식 기반 답변 챗봇 구축"
- 목표: 백엔드(FastAPI) + 검색(RAG) + UI(Streamlit)의 완전한 연동
- 수료 결과물: 한국형 문서 50건+ 인덱싱 · 권한 우회 30건 정보 유출 0건 · Ragas ≥ 0.85
(각 20점)
Ragas + LLM-Judge 점수 / P95 응답 시간 ≤ 5초 / 위협 모델 보고서 / 비용리포트 / 코드 품질 + ADR 3건
스스로 판단하고 실행하는 멀티에이전트 시스템
- LangGraph로 상태 기반 멀티에이전트를 구현하고, MCP Gateway와 A2A v1.0으로 도구·에이전트 간 보안 통신 체계를 완성합니다.
- 위협 모델 4종 방어와 MCP Tool 보안 리포트 작성까지 수행합니다.
- LangGraph: 상태(State) 정의 / 노드와 엣지 설계 / Cyclic 그래프 제어 LangGraph 심화: Checkpointer · 사람 검토 개입(HITL) · Planner-Executor-Critic 구조 / 에이전트 간 핸드쉐이크
- Tool Calling: Web Search / SQL 연동 / 사내 API 호출 도구 제작 및 바인딩
- MCP (Model Context Protocol): MCP 서버 구축 및 외부 Tool 연동 표준 실습
- MCP Gateway — auth · logging · policy · rate limit · Tool 위험도 점수(Risk Score)
- 위협 모델 4종: 권한 오용(Confused Deputy) / Tool 오염 / 권한 집중 / Prompt Injection
- A2A v1.0 — AAIF 거버넌스 · JWS-signed Agent Card · version negotiation
LangGraph v1 / MCP SDK (Python/TypeScript) / A2A v1.0 / OAuth 2.1 / JWS / LangSmith / FastAPI / Docker
Production-Grade 운영·보안·비용 관리
- AI 시스템을 배포 후에도 안전하게 운영할 수 있는 Eval 파이프라인·보안 점검·비용 최적화·거버넌스 체계를 갖춥니다.
- Production Artifact Pack 8종과 Release Gate 8종을 실제로 작성·통과합니다.
- Monitoring: LangSmith 기반 추론 경로 추적 / 토큰 사용량 디버깅 / 피드백 수집
- FinOps: API 비용 제한(Rate Limit) / 토큰 회계 / 모델 라우팅 (Haiku→Sonnet→Opus)
- Security: JWT 기반 인증 / API Key 보안 / OWASP LLM Top 10 — 10종 방어 시나리오
- 프롬프트 인젝션 방어 · Guardrails AI / NeMo Guardrails — output 정책
- Deploy: 오케스트레이션 기반 에이전틱 서비스 패키징 한국 AI 기본법 워크샵 · ISO 42001 + NIST AI RMF 매핑 · 거버넌스 매핑표
- Release Gate 8종 + Production Artifact Pack 8종 실습
LangSmith / Ragas / DeepEval / Guardrails AI / NeMo Guardrails / Docker / OpenTelemetry
LG CNS 현업 사례로 배우는 Enterprise AI
실제 기업 현장에서 AI 에이전트가 어떻게 설계·운영되는지 LG CNS 사례를 통해 이해하고, AI 개발자로서의 포트폴리오 전략을 구체화합니다.
- LG CNS: A.Xink 전사 에이전트 아키텍처 사상 및 Enterprise 서비스 구축 사례
- Portfolio: 기술 블로그 정리 / 깃허브 리포지토리 최적화 / 에이전트 특화 자소서
기업 납품 수준의 AI 서비스를 팀으로 완성
부서별 전문 에이전트 4종이 A2A로 협업하고, MCP Gateway를 통해 도구를 안전하게 사용하며,
사람 검토 개입(HITL) · 감사 로그 · Release Gate 8종을 모두 갖춘 실제 기업에 납품 가능한 수준의 AI 시스템을 팀으로 완성합니다.
- 주제: 멀티 에이전트 기반 신규 AI 서비스 개발
- 데이터: 콜센터 로그 / 사내 규정집 / 제품·기술 문서 등 실무 데이터셋 활용
- 기능: 복합 질문 분석 → 에이전트 역할 분담 기반 지식 탐색 → 외부 도구와 내부 시스템 연계 실행 → 검증 및 통합 의사결정 워크플로우 구현
- 완성: 멀티 에이전트 협업 구조를 활용한 AI 서비스 구현 및 Streamlit 기반 서비스 운영 대시보드와
- 성능 리포트 제출
기능 완성도(20) / 평가+Release Gate(25) / 운영 완성도(25) / Artifact Pack(20) / 발표+Q&A(10)
대용량 데이터를 안정적이고 효율적으로 처리할 수 있는 Python 기반 엔지니어링 역량을 확보합니다.
- 제너레이터·데코레이터·컨텍스트 매니저 등 Python 고급 문법부터 시작해, Numpy 벡터화 연산과 Pandas 메모리 최적화 기법을 익힙니다.
- 멀티프로세싱 기반 병렬 처리와 Dask·Polars를 활용한 분산 데이터프레임 처리까지 다루며, 대용량 로그 파일 병렬 분석 미니 프로젝트로 실무 감각을 익힙니다.
Python 3.10+ / Numpy / Pandas / Dask / Polars / Multiprocessing
다양한 소스의 데이터를 자동으로 수집·적재하고, 정형·비정형 데이터의 품질을 진단해 신뢰할 수 있는 데이터 기반을 구축합니다.
- PostgreSQL 윈도우 함수·JSONB·pgvector를 활용한 고급 쿼리부터 MongoDB·Redis 기반 NoSQL 모델링까지 비교 학습합니다.
- Airflow DAG 설계, 웹 크롤링, API 수집을 통합해 일별 자동 수집 파이프라인을 구축하고, 결측·이상치·중복 등 데이터 품질 진단 기법으로 EDA 리포트까지 작성합니다.
PostgreSQL / pgvector / MongoDB / Redis / Apache Airflow / BeautifulSoup / Selenium
PDF·이미지·스캔 문서 등 비정형 데이터를 AI가 활용 가능한 구조화된 지식으로 변환합니다.
- Tesseract·PaddleOCR·EasyOCR 등 OCR 엔진을 비교하고, LayoutParser로 문서 구조를 분석합니다.
- Camelot·pdfplumber·Table Transformer로 복잡한 병합 셀 표를 정밀 추출하며, Semantic Chunking과 한국어 특화 임베딩(BGE, E5)을 적용해 RAG 성능을 최적화합니다.
PaddleOCR / LayoutParser / pdfplumber / Camelot / Table Transformer / BGE-m3 / Sentence-BERT
Raw PDF를 입력하면 정제된 JSON·Markdown과 벡터 임베딩으로 자동 변환하는 End-to-End 파이프라인을 완성합니다.
- 요구사항 정의와 아키텍처 설계부터 OCR·레이아웃 파싱, 표·이미지 정제, 임베딩 생성, Vector DB 자동 적재까지 전 과정을 직접 구현합니다.
- 처리량·정확도 측정과 멘토 피드백을 거쳐 산출물을 문서화하고 상호 코드 리뷰로 마무리합니다.
PaddleOCR / LayoutParser / pdfplumber / BGE-m3 / pgvector
벡터 검색의 한계를 넘어 인과관계와 Multi-hop 추론이 가능한 그래프 기반 지식 검색 시스템을 구축합니다.
- RDF/OWL 표준과 도메인 온톨로지 모델링부터 시작해 Neo4j Cypher·APOC·GDS로 대규모 그래프를 운영합니다.
- NER·Relation Extraction·LLM 기반 Triple 생성으로 비정형 문서를 자동 그래프화하고, Microsoft GraphRAG 패턴을 참고해 벡터+그래프 하이브리드 검색과 Community Detection 기반 요약을 구현합니다.
Neo4j / Cypher / APOC / GDS / RDF·OWL / GraphRAG
구축된 지식 자산을 표준화된 인터페이스로 노출하고, 성능을 정량 평가하며, 무중단으로 운영합니다.
FastMCP로 지식 파이프라인을 표준 툴로 등록해 외부 에이전트와 연동합니다. RAGAS·Ko-LongRAG로 RAG 품질을 정량 평가하고, Streamlit 모니터링 대시보드와 GitHub Actions 기반 CI/CD 자동 재인덱싱 파이프라인까지 완성합니다.
FastMCP / RAGAS / Ko-LongRAG / Streamlit / GitHub Actions
하이브리드 데이터(PDF·이미지·사내DB)를 수집·정제·구조화하고, GraphRAG 검색 엔진과 에이전트 오케스트레이션을 통합한 엔터프라이즈급 AI 서비스를 구축합니다.
LG CNS AgenticWorks Knowledge Lake 사례 분석을 기반으로, 도메인 온톨로지 설계부터 데이터 수집·OCR·Chunking·Embedding, 지식 그래프 자동 매핑, GraphRAG 코어 구현, MCP 서버 연동, Streamlit 통합 대시보드, RAGAS 기반 성능 평가까지 전 과정을 팀 단위로 수행합니다.
Airflow / PaddleOCR / BGE-m3 / pgvector / Neo4j / GraphRAG / FastMCP / RAGAS / Streamlit
대용량 데이터를 안정적이고 효율적으로 처리할 수 있는 Python 기반 엔지니어링 역량을 확보합니다.
- 제너레이터·데코레이터·컨텍스트 매니저 등 Python 고급 문법부터 시작해, Numpy 벡터화 연산과 Pandas 메모리 최적화 기법을 익힙니다.
- 멀티프로세싱 기반 병렬 처리와 Dask·Polars를 활용한 분산 데이터프레임 처리까지 다루며, 대용량 로그 파일 병렬 분석 미니 프로젝트로 실무 감각을 익힙니다.
Python 3.10+ / Numpy / Pandas / Dask / Polars / Multiprocessing
다양한 소스의 데이터를 자동으로 수집·적재하고, 정형·비정형 데이터의 품질을 진단해 신뢰할 수 있는 데이터 기반을 구축합니다.
- PostgreSQL 윈도우 함수·JSONB·pgvector를 활용한 고급 쿼리부터 MongoDB·Redis 기반 NoSQL 모델링까지 비교 학습합니다.
- Airflow DAG 설계, 웹 크롤링, API 수집을 통합해 일별 자동 수집 파이프라인을 구축하고, 결측·이상치·중복 등 데이터 품질 진단 기법으로 EDA 리포트까지 작성합니다.
PostgreSQL / pgvector / MongoDB / Redis / Apache Airflow / BeautifulSoup / Selenium
PDF·이미지·스캔 문서 등 비정형 데이터를 AI가 활용 가능한 구조화된 지식으로 변환합니다.
- Tesseract·PaddleOCR·EasyOCR 등 OCR 엔진을 비교하고, LayoutParser로 문서 구조를 분석합니다.
- Camelot·pdfplumber·Table Transformer로 복잡한 병합 셀 표를 정밀 추출하며, Semantic Chunking과 한국어 특화 임베딩(BGE, E5)을 적용해 RAG 성능을 최적화합니다.
PaddleOCR / LayoutParser / pdfplumber / Camelot / Table Transformer / BGE-m3 / Sentence-BERT
Raw PDF를 입력하면 정제된 JSON·Markdown과 벡터 임베딩으로 자동 변환하는 End-to-End 파이프라인을 완성합니다.
- 요구사항 정의와 아키텍처 설계부터 OCR·레이아웃 파싱, 표·이미지 정제, 임베딩 생성, Vector DB 자동 적재까지 전 과정을 직접 구현합니다.
- 처리량·정확도 측정과 멘토 피드백을 거쳐 산출물을 문서화하고 상호 코드 리뷰로 마무리합니다.
PaddleOCR / LayoutParser / pdfplumber / BGE-m3 / pgvector
벡터 검색의 한계를 넘어 인과관계와 Multi-hop 추론이 가능한 그래프 기반 지식 검색 시스템을 구축합니다.
- RDF/OWL 표준과 도메인 온톨로지 모델링부터 시작해 Neo4j Cypher·APOC·GDS로 대규모 그래프를 운영합니다.
- NER·Relation Extraction·LLM 기반 Triple 생성으로 비정형 문서를 자동 그래프화하고, Microsoft GraphRAG 패턴을 참고해 벡터+그래프 하이브리드 검색과 Community Detection 기반 요약을 구현합니다.
Neo4j / Cypher / APOC / GDS / RDF·OWL / GraphRAG
구축된 지식 자산을 표준화된 인터페이스로 노출하고, 성능을 정량 평가하며, 무중단으로 운영합니다.
FastMCP로 지식 파이프라인을 표준 툴로 등록해 외부 에이전트와 연동합니다. RAGAS·Ko-LongRAG로 RAG 품질을 정량 평가하고, Streamlit 모니터링 대시보드와 GitHub Actions 기반 CI/CD 자동 재인덱싱 파이프라인까지 완성합니다.
FastMCP / RAGAS / Ko-LongRAG / Streamlit / GitHub Actions
하이브리드 데이터(PDF·이미지·사내DB)를 수집·정제·구조화하고, GraphRAG 검색 엔진과 에이전트 오케스트레이션을 통합한 엔터프라이즈급 AI 서비스를 구축합니다.
LG CNS AgenticWorks Knowledge Lake 사례 분석을 기반으로, 도메인 온톨로지 설계부터 데이터 수집·OCR·Chunking·Embedding, 지식 그래프 자동 매핑, GraphRAG 코어 구현, MCP 서버 연동, Streamlit 통합 대시보드, RAGAS 기반 성능 평가까지 전 과정을 팀 단위로 수행합니다.
Airflow / PaddleOCR / BGE-m3 / pgvector / Neo4j / GraphRAG / FastMCP / RAGAS / Streamlit
네, 비전공자도 지원 가능합니다.
다만 LG CNS AI캠퍼스는 AI 서비스 개발과 데이터 엔지니어링을 다루는 실무형 교육과정이므로, 기초 프로그래밍 이해도와 학습 의지, 문제해결 역량을 함께 확인합니다.
비전공자의 경우 Python, 데이터베이스, 웹 개발 기초, AI 기초 개념을 사전에 학습하면 과정 적응에 도움이 됩니다.
지원은 가능합니다.
다만 본 과정은 단순 입문 강의가 아니라 프로젝트 중심의 집중 교육과정이므로, 완전 입문자에게는 다소 어렵게 느껴질 수 있습니다.
선발 과정에서는 현재 실력뿐 아니라 학습 의지, 성장 가능성, 과정 이해도, 프로젝트 수행 가능성을 종합적으로 확인합니다.
LG CNS AI캠퍼스는 ① MCP 기반 Agentic AI 서비스 개발자 과정, ② Knowledge Graph 중심 AI 데이터 엔지니어 과정으로 운영됩니다.
두 과정 모두 기업 현장에서 활용되는 AI 기술을 기반으로 하며, 실습과 프로젝트 중심으로 운영됩니다.
MCP 기반 Agentic AI 서비스 개발자 과정은 AI 에이전트, MCP, RAG, 백엔드, 서비스 구현, 운영·배포 역량을 중심으로 학습합니다.
Knowledge Graph 중심 AI 데이터 엔지니어 과정은 데이터 파이프라인, 문서 전처리, Knowledge Graph, GraphRAG, AI 데이터 엔지니어링 역량을 중심으로 학습합니다.
웹·앱 서비스 개발, 백엔드, AI 에이전트 구현, MCP, RAG 서비스 개발에 관심이 있다면 MCP 기반 Agentic AI 서비스 개발자 과정을 추천합니다.
데이터 엔지니어링, 문서 데이터 처리, Knowledge Graph, GraphRAG, AI 데이터 파이프라인 구축에 관심이 있다면 Knowledge Graph 중심 AI 데이터 엔지니어 과정이 적합합니다.
네. K-디지털 트레이닝 과정 참여를 위해서는 국민내일배움카드 발급 및 HRD-Net 수강신청 절차가 필요합니다. 국민내일배움카드가 없는 경우, 지원 후 안내에 따라 카드 발급 절차를 진행해야 합니다.
개인별 카드 발급 가능 여부와 수강 가능 여부는 HRD-Net 및 고용센터 기준에 따라 최종 확인됩니다.
기존 K-디지털 트레이닝 참여 이력이 있는 경우, 지원 및 수강 가능 여부를 별도로 확인해야 합니다.
K-디지털 트레이닝은 국민내일배움카드, 기존 훈련 참여 이력, 개인별 자격요건에 따라 수강 가능 여부가 달라질 수 있으므로 지원 전후로 HRD-Net 기준 확인이 필요합니다.
LG CNS AI캠퍼스는 100% 무료입니다. 자기부담금이 없는 K-디지털 트레이닝 과정입니다.
출석률 등 요건을 충족하는 경우 훈련장려금 및 특별훈련수당을 받을 수 있습니다.
실제 지급 여부와 금액은 출석률, 개인별 요건, 훈련 실시 지역, HRD-Net 및 고용센터 기준에 따라 달라질 수 있습니다.
선발 절차는 일반적으로 지원서 접수, 서류 검토, 역량평가 또는 면접, 최종 합격 안내, 국민내일배움카드 및 HRD-Net 수강신청 확인, 최종 등록 순으로 진행됩니다.
세부 일정과 방식은 모집 시점에 별도 안내됩니다.
과정별 선발 기준에 따라 기초역량평가, 코딩테스트, 면접 등이 진행될 수 있습니다.
평가에서는 단순 지식보다 과정 이해도, 학습 의지, 기초 문제해결력, 프로젝트 수행 가능성, 취업 준비 의지 등을 종합적으로 확인합니다.
해당 교육은 대면교육으로 진행됩니다. 강의장은 강남역에 위치하고 있습니다.
수료 기준은 출석률, 평가, 프로젝트 수행, 과정별 운영 기준 등을 종합하여 판단합니다.
세부 수료 기준은 개강 전 오리엔테이션 및 훈련생 안내자료를 통해 별도 안내됩니다.
네, 가능합니다. 교육 과정에서 수행하는 중간·최종 프로젝트 결과물은 GitHub, 발표자료, 서비스 시연자료, 기술문서 등으로 정리하여 취업 포트폴리오로 활용할 수 있습니다.
단순 수강 이력이 아니라 실제 구현 경험과 문제 해결 과정을 보여줄 수 있도록 프로젝트 중심으로 운영됩니다.
수료 후에는 과정별 학습 내용과 프로젝트 경험을 바탕으로 AI 실무 직무를 중심으로 취업을 준비할 수 있습니다.
MCP 기반 Agentic AI 서비스 개발자 과정은 AI 서비스 개발자, AI Application Developer, 백엔드 개발자, RAG 서비스 개발자, LLM 서비스 개발자 등을 준비하는 데 도움이 됩니다.
Knowledge Graph 중심 AI 데이터 엔지니어 과정은 AI 데이터 엔지니어, 데이터 파이프라인 엔지니어, Knowledge Graph 엔지니어, GraphRAG 엔지니어, LLMOps/MLOps 관련 직무 준비에 도움이 됩니다.
실제 취업 가능 분야는 개인의 학습 성취도, 프로젝트 경험, 포트폴리오 완성도에 따라 달라질 수 있습니다.
8일
12시간
17분
9초