AI Trainer Hub

학습 템플릿

56개 템플릿3개 무료
필터
56개 전체

추천 워크플로우 세트

템플릿 조합 + 단계별 로드맵 + 비즈니스 기획서 포함

10개 세트
자영업자

카페 완전 자동화

고객응대부터 리뷰 관리까지 카페 운영 AI 자동화

카카오채널 자동응답, 메뉴 추천, 리뷰 답글, 매출 예측까지 — 사장님이 잠든 사이에도 카페가 돌아가게 만듭니다. 야간 CS 100% 커버, 월 CS비용 70% 절감.

기간4
템플릿3
난이도초급
월 CS비용 70% 절감 → 손익분기 1.2개월
#카페#음식점#자영업자+2
자영업자

쇼핑몰 CS 자동화

주문·배송·환불 문의 AI가 24시간 처리

스마트스토어/쿠팡 셀러를 위한 완전 자동 CS. 주문 상태 조회, 환불 규정 안내, 상품 추천까지 AI가 처리. 에스컬레이션 시 사장님에게 즉시 알림.

기간4
템플릿3
난이도중급
CS 인건비 월 150만원 절감 → 손익분기 즉시
#쇼핑몰#이커머스#CS+2
기업

스마트팩토리 AI 세트

불량 검출 + 이상 탐지 + 생산 계획 최적화

제조업 현장에 AI를 도입합니다. 카메라로 불량품을 실시간 검출하고, 센서 데이터로 설비 이상을 사전 감지하며, 수요 기반 생산 계획을 최적화합니다.

기간8
템플릿3
난이도고급
불량률 60% 감소 → 연간 ₩1.2억 절감 (중소제조업 기준)
#제조업#스마트팩토리#불량검출+2
학생

AI 포트폴리오 세트

취업용 AI 프로젝트 포트폴리오 4주 완성

AI 엔지니어·데이터 사이언티스트 취업을 위한 실전 포트폴리오. 텍스트·이미지·데이터 3가지 AI를 직접 만들어 GitHub에 올리고 면접에서 어필하세요.

기간4
템플릿4
난이도중급
AI 관련 취업 합격률 3배 향상 (포트폴리오 보유 시)
#학생#포트폴리오#취업+2
일반인

1인 창업 MVP 세트

아이디어 → AI 제품 → 첫 매출까지 6주

코딩 경험 없이도 AI SaaS 제품을 만들어 첫 매출을 올립니다. 아이디어 검증 → MVP 개발 → 런칭 → 첫 고객 확보까지 단계별로 안내합니다.

기간6
템플릿3
난이도초급
첫 달 매출 ₩30만 목표 → 3개월 내 월 ₩100만
#1인창업#MVP#SaaS+2
자영업자

부동산 AI 상담 세트

매물 문의 24시간 자동 응대 + 시세 분석

부동산 중개사를 위한 AI. 매물 정보 자동 안내, 시세 질문 응대, 방문 예약 자동화. 네이버 부동산/직방 매물 연동으로 항상 최신 정보 유지.

기간4
템플릿3
난이도중급
야간 문의 대응으로 월 계약 2건 추가 → ₩200만+ 수수료
#부동산#중개사#매물상담+2
기업

콜센터 AI 전환

음성 분석 + 자동 응대 + 상담원 지원 AI

기존 콜센터에 AI를 도입합니다. 고객 음성을 실시간 분석하고, 반복 문의는 AI가 처리하며, 복잡한 건은 상담원에게 실시간 정보를 제공합니다.

기간6
템플릿3
난이도고급
상담원 1인당 처리량 40% 증가 → 인건비 연간 ₩3,600만 절감 (10석 기준)
#콜센터#음성AI#STT+2
일반인

법률 AI 어시스턴트

계약서 검토 + 법률 상담 + 문서 자동 생성

법률 사무소 또는 기업 법무팀을 위한 AI. 계약서를 자동 검토하고, 기본 법률 상담을 처리하며, 표준 계약서를 자동 생성합니다.

기간6
템플릿3
난이도고급
계약서 검토 시간 80% 절감 → 변호사 시간당 ₩30만 환산 시 월 ₩600만 절약
#법률#계약서#법무+2
자영업자

병원 AI 상담 세트

환자 문의 자동 응대 + 예약 + 사후 관리

병원·의원을 위한 AI. 진료 안내, 예약 관리, 수술 후 관리 안내를 자동화합니다. 의료법 준수 면책 조항 내장. 환자 만족도 향상 + 행정 업무 50% 절감.

기간5
템플릿3
난이도중급
행정 인력 50% 절감 + 노쇼율 30% 감소 → 월 ₩200만 효과
#병원#의원#환자상담+2
일반인

SNS 마케팅 자동화

콘텐츠 생성 + 예약 발행 + 성과 분석 AI

인스타그램, 블로그, 유튜브 콘텐츠를 AI가 자동 생성하고 예약 발행합니다. 트렌드 분석 → 콘텐츠 기획 → 작성 → 발행 → 성과 분석 전 과정 자동화.

기간3
템플릿3
난이도초급
콘텐츠 제작 시간 주 10시간 → 1시간, 팔로워 증가 속도 3배
#SNS#마케팅#콘텐츠+2
개별 템플릿 (56개)

작동 원리:

텍스트를 AI에게 제공하면, AI가 문서를 검색(RAG)하거나 맥락 안에서 참조하여 답변합니다. ⚠️ 이 방식은 모델 가중치 자체를 변경하지 않습니다 — 정확히는 '학습'이 아닌 '지식 주입(Knowledge Injection)'입니다. 프롬프트 설정 → Knowledge 업로드 → RAG 구성 순서로 정확도가 올라갑니다.

입력 가능:문서 (PDF, DOCX)텍스트 입력FAQ 목록대화 기록매뉴얼웹페이지 URL

고객 응대 AI

전 업종#고객응대#CS#챗봇
카페/음식점 고객응대
성능무료초급15분
학습 데이터
  • 메뉴판 (이름, 가격, 알레르기 정보)
  • 영업시간·위치·주차 정보
  • 자주 묻는 질문 TOP 20
  • 사장님 말투 예시 (10문장)
학습 단계
  1. 1메뉴판 전체를 텍스트로 입력하세요 (가격, 옵션, 알레르기 정보 포함)
  2. 2영업시간, 위치, 주차, 와이파이 등 기본 정보를 입력하세요
  3. 3고객이 자주 묻는 질문 20개를 Q&A 형태로 입력하세요
  4. 4(선택) 사장님 말투 예시를 넣으면 톤이 자연스러워집니다
학습 전 → 후
Before

고객: 메뉴 추천해주세요 → AI: '저희 매장에는 다양한 메뉴가 있습니다.'

After

고객: 메뉴 추천해주세요 → AI: '지금 인기 많은 건 시그니처 라떼예요! 달달한 거 좋아하시면 바닐라 라떼(5,500원)도 추천이에요~ 🫶'

쇼핑몰/이커머스 CS
성능스타터중급1~2시간 (CS 기록 정리 및 에스컬레이션 설계 포함)
학습 데이터
  • 환불/교환/배송 정책 문서
  • 상품 카테고리별 FAQ
  • 기존 CS 상담 기록 (100건+)
  • 금지 표현 목록
학습 단계
  1. 1환불/교환/배송 정책을 정확히 입력하세요 (법적 효력 있는 문서 기준)
  2. 2기존 CS 기록에서 자주 묻는 질문 패턴을 추출하세요
  3. 3'하면 안 되는 말' 목록을 만드세요 (법적 리스크 방지)
  4. 4사람에게 넘기는 기준을 명확히 설정하세요
학습 전 → 후
Before

고객: 이거 환불되나요? → AI: '환불 관련 문의는 고객센터에 연락해주세요.'

After

고객: 이거 환불되나요? → AI: '주문번호 알려주시면 확인해드릴게요! 수령 후 7일 이내 미개봉이시면 전액 환불 가능합니다. 혹시 개봉하셨나요?'

부동산 매물 상담
성능스타터중급25분
학습 데이터
  • 현재 매물 리스트 (면적, 가격, 위치, 특징)
  • 지역 시세 데이터
  • 대출/세금 기본 정보
  • 지역 학군/교통/인프라 정보
학습 단계
  1. 1현재 보유 매물을 구조화된 형태로 입력하세요
  2. 2지역 시세 데이터를 주기적으로 업데이트하세요
  3. 3'정확한 정보만, 과장 금지' 규칙을 반드시 설정하세요
학습 전 → 후
Before

고객: 이 동네 시세 어때요? → AI: '부동산에 문의해주세요.'

After

고객: 이 동네 시세 어때요? → AI: '현재 이 지역 34평 기준 평균 8.5~9.5억대입니다. 최근 실거래가 추이를 보면...'

병원/의료 안내
성능프로고급45분
학습 데이터
  • 진료과목별 안내 문서
  • 진료 예약 프로세스
  • 의료 금지 표현 목록
  • 환자 교육 자료 (질환별)
학습 단계
  1. 1진료과목과 의료진 정보를 정확히 입력하세요
  2. 2⚠️ 금지 표현 목록을 반드시 먼저 설정하세요 (의료법 준수)
  3. 3AI가 절대 진단/처방하지 않도록 규칙을 엄격히 설정하세요
  4. 4환자 교육 자료를 추가하면 교육 콘텐츠 자동 생성 가능
학습 전 → 후
Before

환자: 두통이 심한데 뭐 먹으면 돼요? → AI: '타이레놀을 드세요.' (← 의료법 위반!)

After

환자: 두통이 심한데 뭐 먹으면 돼요? → AI: '두통이 심하시군요. 정확한 원인 파악을 위해 신경과 진료를 추천드립니다. 예약 도와드릴까요?'

법률 상담 보조
성능프로고급60분
학습 데이터
  • 법률 분야별 FAQ (30건 이상, 100건+ 권장)
  • 관련 판례/법조문 요약
  • 법률 금지 표현/면책 조항
학습 단계
  1. 1분야별 FAQ를 법조문 근거와 함께 입력하세요
  2. 2⚠️ 면책 조항과 금지 표현을 먼저 설정하세요
  3. 3'법률 자문이 아닌 일반 정보 제공' 원칙을 반드시 설정하세요
학습 전 → 후
Before

고객: 집주인이 보증금 안 줘요 → AI: '소송하세요.' (← 위험한 조언)

After

고객: 집주인이 보증금 안 줘요 → AI: '주택임대차보호법에 따라 보증금 반환 청구가 가능합니다. 내용증명 → 임차권등기명령 → 지급명령 순서로 진행할 수 있어요. 구체적 진행은 변호사 상담을 추천드립니다.'

콘텐츠 생성 AI

전 업종#콘텐츠#마케팅#SNS
SNS 콘텐츠 자동 생성
성능무료초급20분
학습 데이터
  • 기존 인기 게시물/글 (30개+)
  • 브랜드 톤앤매너 가이드
  • 타겟 고객 정보
  • 경쟁사 콘텐츠 예시
학습 단계
  1. 1기존 인기 게시물 30개의 텍스트를 수집하세요
  2. 2브랜드 톤 가이드를 만드세요 (말투, 이모지 규칙, 금지어)
  3. 3AI에게 '이런 식으로 써줘'라고 예시와 함께 요청하세요
학습 전 → 후
Before

오늘의 메뉴입니다. #카페 #커피 #맛집 #좋아요 #일상

After

비 오는 오후, 라떼 한 잔에 시간이 멈추다 ☔🍵 시그니처 바닐라 라떼가 이 날씨에 딱이에요 #비오는날카페 #시그니처라떼 #카페추천 #오후의여유

상품 설명 자동 생성
성능스타터중급25분
학습 데이터
  • 베스트셀러 상품 설명 (50개+)
  • 브랜드 톤앤매너 가이드
  • 상품 스펙 데이터 (CSV)
  • 타겟 고객 페르소나
학습 단계
  1. 1잘 팔리는 상품의 설명문 50개를 수집하세요
  2. 2브랜드 톤 가이드를 정리하세요
  3. 3상품 스펙 CSV를 준비하세요 (이름, 소재, 사이즈, 가격)
  4. 4AI에게 스펙만 입력하면 설명이 자동 생성됩니다
학습 전 → 후
Before

면 소재 티셔츠입니다. 사이즈 S/M/L. 색상 화이트/블랙.

After

매일 입고 싶은 데일리 티 ✨ 코튼 100%의 부드러운 촉감, 세탁해도 늘어나지 않는 탄탄한 원단. 체형 커버 핏으로 누구나 편하게! 📏 S(44) M(55) L(66) 🎨 클린 화이트 / 모던 블랙

교육/학습 AI

교육#교육#학원#강의
AI 튜터 (과외 선생님)
무료초급20분
학습 데이터
  • 교과 내용/교재 텍스트
  • 선생님의 설명 방식 예시 (10개)
  • 학생이 자주 틀리는 유형
학습 단계
  1. 1가르칠 과목/단원의 교과 내용을 입력하세요
  2. 2본인의 설명 방식 예시를 10개 이상 넣으세요
  3. 3학생이 자주 틀리는 유형을 추가하면 맞춤 설명 가능
학습 전 → 후
Before

학생: 2x + 3 = 7 어떻게 풀어요? → AI: 'x = 2입니다.' (답만 줌)

After

학생: 2x + 3 = 7 어떻게 풀어요? → AI: '저울을 생각해봐! 양쪽이 같아야 하잖아. 오른쪽에서 3을 빼면 왼쪽에서도 3을 빼야 해. 그러면 2x = 4. 이제 2로 나누면?'

업무 자동화 AI

전 업종#업무자동화#보고서#이메일
보고서 자동 작성
스타터중급30분
학습 데이터
  • 기존 보고서 샘플 (10개+)
  • 보고서 양식/템플릿
  • 데이터 소스 설명
학습 단계
  1. 1기존 보고서 10개를 업로드하세요 (양식과 톤 학습)
  2. 2보고서 구조(목차)를 명확히 설정하세요
  3. 3데이터를 넣고 '보고서 작성해줘'라고 요청하세요
학습 전 → 후
Before

매출 데이터 → '매출이 증가했습니다.' (구체성 없음)

After

매출 데이터 → '3월 매출 2.3억 (전월 대비 +12%, YoY +8%). 주요 요인: 신제품 A 런칭 효과(+15%). 리스크: 원가율 2%p 상승. 대응: 4월 프로모션으로 객단가 유지 전략 필요.'

물류/배송 CS AI

물류/배송#물류#배송#택배
물류 배송 상태 안내 AI
스타터중급25분
학습 데이터
  • 배송 상태 코드표
  • 택배사별 API 응답 포맷
  • 자주 묻는 배송 질문
  • 반품/교환 물류 프로세스
학습 단계
  1. 1사용 중인 택배사의 배송 상태 코드표를 정리하세요 (접수→집하→이동→도착→배송→완료)
  2. 2택배사 API 응답 포맷을 등록하고, 각 필드의 의미를 설명하세요
  3. 3고객이 자주 묻는 배송 관련 질문 50개 이상을 Q&A 형태로 입력하세요
  4. 4(선택) 반품/교환 물류 프로세스를 단계별로 정리하면 역물류 문의도 자동 처리
학습 전 → 후
Before

배송 조회는 택배사 홈페이지에서...

After

주문번호 123456 현재 인천 허브 도착, 내일 오전 배송 예정이에요! 부재 시 경비실 보관 원하시면 말씀해주세요

이력서 스크리닝 AI

HR/인사#HR#채용#이력서
이력서 스크리닝 AI
스타터중급1~2시간 (루브릭 설계 포함)
학습 데이터
  • 직무기술서 JD
  • 평가 기준 루브릭
  • 기존 합격 이력서 패턴
  • 면접 질문 풀
학습 단계
  1. 1채용 포지션의 직무기술서(JD)를 필수 요건과 우대 요건으로 구분하여 입력하세요
  2. 2평가 루브릭을 만드세요 (항목별 배점, 커트라인 점수 설정)
  3. 3(선택) 기존 합격자 이력서를 업로드하면 AI가 합격 패턴을 학습합니다
  4. 4이력서를 업로드하면 AI가 적합도 점수와 상세 평가 결과를 제시합니다
학습 전 → 후
Before

이력서 100건 수동 검토 → 3일

After

AI가 JD 기준 적합도 점수 산출 → 상위 20명 1시간 내 추천

전표 자동 분류 AI

회계/재무#회계#재무#전표
전표 자동 분류 AI
프로고급45분
학습 데이터
  • 계정과목 체계
  • 기존 전표 데이터 6개월
  • 세무 규정 요약
  • 부서별 예산 기준
학습 단계
  1. 1회사의 계정과목 체계를 코드, 이름, 사용 기준과 함께 입력하세요
  2. 2기존 6개월 전표 데이터를 CSV로 업로드하세요 (AI가 분류 패턴 학습)
  3. 3세무 규정 요약을 입력하세요 (증빙 요건, 불공제 항목 등)
  4. 4(선택) 부서별 예산을 등록하면 예산 초과 건도 자동 경고
학습 전 → 후
Before

경비 전표 수동 분류 → 건당 2분

After

AI가 영수증 → 계정과목 자동 분류 (정확도 94%), 이상 거래 자동 플래그

작동 원리:

이미지에 라벨(정답)을 붙여서 AI에게 제공하면, AI가 시각적 패턴을 학습합니다. 이미지 분류, 객체 검출, 불량 판정, 스타일 분석 등에 활용됩니다.

입력 가능:사진 (JPG, PNG)스크린샷도면/설계도의료 이미지 (X-ray, CT)위성/항공 사진CCTV 영상 프레임

제조/공장 불량 검출

제조업#불량검출#품질관리#제조
제품 불량 검출 AI
성능프로고급2시간+
학습 데이터
  • 양품 이미지 (500장+)
  • 불량 이미지 (100장+ / 유형별)
  • 불량 유형 라벨링
  • 촬영 환경 설정
학습 단계
  1. 1양품 이미지를 동일 조건에서 500장 이상 촬영하세요
  2. 2불량 이미지를 유형별로 분류하여 라벨링하세요
  3. 3AI 모델을 학습시키고, 테스트 이미지로 검증하세요
학습 전 → 후
Before

사람이 육안으로 검사 → 1개당 30초, 피로 시 불량 누락률 15%

After

AI 검사 → 1개당 0.5초, 불량 검출률 97%, 24시간 무중단

유통/리테일 상품 인식

유통#유통#리테일#진열
진열대 모니터링 AI
성능프로고급3시간+
학습 데이터
  • 정상 진열 이미지 (200장+)
  • 비정상 진열 이미지 (50장+)
  • 상품 라벨 목록 (SKU)
학습 단계
  1. 1정상 진열 상태를 다양한 각도에서 촬영하세요
  2. 2각 상품의 위치와 수량을 라벨링하세요
  3. 3AI 모델을 학습시키고 비정상 상태 검출을 테스트하세요
학습 전 → 후
Before

직원이 매장 순회 → 하루 2회, 놓치는 품절 다수

After

CCTV/사진 → AI 실시간 감지: '3번 진열대 우유 품절, 보충 필요'

식품 품질 검사

식품/농업#식품#농업#품질검사
농산물 등급 분류 AI
성능프로고급3시간+
학습 데이터
  • 등급별 이미지 (등급당 200장+)
  • 등급 판정 기준 문서
학습 단계
  1. 1등급별 이미지를 최소 200장씩 수집하세요
  2. 2등급 판정 기준을 문서화하세요
  3. 3AI 모델을 학습시키고 검증하세요
학습 전 → 후
Before

사람이 육안 선별 → 시간당 500개, 피로 시 오분류 20%

After

AI 선별 → 시간당 3,000~5,000개, 오분류율 6~8% (조명·품종 다양성 충분 확보 시)

작물 질병 진단 AI

농업#농업#스마트팜#작물
작물 질병 진단 AI
성능프로고급3시간+
학습 데이터
  • 건강한 잎 이미지 300장+
  • 질병별 이미지 100장+
  • 질병 분류 가이드
  • 계절/환경 데이터
학습 단계
  1. 1건강한 잎 이미지를 다양한 조건(생장 단계, 조명)에서 300장 이상 수집하세요
  2. 2질병별 이미지를 초기/중기/후기 단계로 분류하여 라벨링하세요
  3. 3질병 분류 가이드를 작성하세요 (증상, 원인, 처방 포함)
  4. 4(선택) 기상 데이터를 연동하면 질병 발생 위험 사전 경고 가능
학습 전 → 후
Before

농부 육안 판단 → 질병 진행 후 발견, 수확량 30% 손실

After

사진 촬영 → AI 즉시 진단: '탄저병 초기, 이 농약 처방 권장' → 수확량 손실 5%

안전장비 미착용 감지 AI

건설/안전#건설#안전#PPE
안전장비 미착용 감지 AI
성능프로고급2시간+
학습 데이터
  • 정상 착용 이미지 500장+
  • 미착용/불량 착용 이미지 200장+
  • 안전 규정 문서
  • CCTV 설치 위치 정보
학습 단계
  1. 1정상 착용 이미지를 다양한 각도, 거리, 조명 조건에서 500장 이상 수집하세요
  2. 2미착용/불량 착용 이미지를 위반 유형별로 분류하여 200장 이상 라벨링하세요
  3. 3현장 안전 규정을 입력하고, 구역별 필수 장비를 설정하세요
  4. 4(선택) CCTV 위치와 감시 범위를 등록하면 구역별 맞춤 감지 가능
학습 전 → 후
Before

안전 관리자 순회 → 하루 2회, 사각지대 다수

After

CCTV AI 실시간 감지: '3번 구역 안전모 미착용 작업자 발견' → 즉시 경고

CCTV 영상 인식 AI

보안/유통/공공#CCTV#사람인식#이상행동
CCTV 사람 인식·추적 AI
프로중급2~4시간
학습 데이터
  • CCTV 영상 클립 (시간대·각도 다양하게, 30분+)
  • 사람 바운딩박스 라벨 (1,000장+)
  • 카메라 설치 위치 정보
학습 단계
  1. 1YOLOv8 사전학습 모델 다운로드 (Ultralytics — 5분)
  2. 2내 CCTV 환경에 맞게 파인튜닝 (낮은 해상도, 비스듬한 각도 대응)
  3. 3DeepSORT로 개인별 ID 부여 및 동선 추적 파이프라인 연결
  4. 4실시간 스트림(RTSP)에 모델 연결 → 웹 대시보드로 모니터링
학습 전 → 후
Before

CCTV 화면을 사람이 직접 모니터링 → 집중력 한계로 놓치는 순간 발생, 인건비 월 400만원+

After

AI가 24시간 자동 감지 — '지금 이 구역에 37명', '평균 체류 8.3분', 이상 시 즉시 알림

이상 행동 감지 AI (싸움·쓰러짐·침입)
프로고급1~2일
학습 데이터
  • 정상 행동 영상 (걷기·서기·앉기 등, 500클립+)
  • 이상 행동 영상 (쓰러짐·싸움·침입 등, 카테고리당 100클립+)
  • 감지 대상 행동 목록 및 우선순위
학습 단계
  1. 1감지할 이상 행동 카테고리 정의 (쓰러짐/싸움/침입 등 우선순위)
  2. 2행동 인식 모델 선택 — VideoMAE(정확도 우선) vs MoViNet(속도 우선·엣지 배포)
  3. 3이상/정상 행동 데이터로 이진 분류 + 멀티클래스 분류 학습
  4. 4슬라이딩 윈도우(3~5초)로 실시간 영상 분석 파이프라인 구성
학습 전 → 후
Before

응급상황 발생 → 누군가 발견할 때까지 방치 → 골든타임 놓침 / 보안요원이 놓친 침입 사고

After

쓰러짐 감지 즉시 '1번 카메라 쓰러진 사람 발견, 신뢰도 91%' → 담당자 폰 알림 → 골든타임 확보

군중 밀집도 실시간 분석 AI
프로중급4~8시간
학습 데이터
  • 밀집도 단계별 CCTV 이미지 (단계당 200장+)
  • 각 이미지의 실제 인원수 라벨
학습 단계
  1. 1밀도 추정 모델 선택 — CSRNet(정확도) vs MCNN(경량) vs P2PNet(개인 점 추정)
  2. 2관리할 장소의 CCTV 영상에서 프레임 추출 후 인원수 카운팅 라벨링
  3. 3모델 학습 (ShanghaiTech Dataset 전이학습으로 데이터 절감)
  4. 4구역별 위험 임계값 설정 (예: ㎡당 4명=주의, 6명=경고, 8명=위험)
학습 전 → 후
Before

군중 밀집 위험을 사람이 눈으로 판단 → 늦은 대응, 위험 구역 파악 불가

After

AI가 '출구 방향 밀도 위험 수준 도달, 현재 ㎡당 6.8명' → 즉시 안전요원 배치·방송 안내

번호판 자동 인식 AI (ANPR)
스타터중급1~2일 (데이터 수집·라벨링·모델 학습 포함)
학습 데이터
  • 번호판 이미지 (다양한 각도·조명·거리, 500장+)
  • 번호판 텍스트 라벨
학습 단계
  1. 1YOLOv8로 번호판 위치 감지 학습 (오픈소스 한국 번호판 데이터셋 활용)
  2. 2OCR 모델로 번호판 문자 인식 (PaddleOCR 한국어 모델 파인튜닝)
  3. 3야간·역광 대응을 위한 이미지 전처리 파이프라인 추가
  4. 4인식된 번호판을 DB와 대조하여 출입 허용/차단 판단
학습 전 → 후
Before

주차장 입출구 직원 배치 → 인건비 월 300만원, 24시간 운영 불가

After

차량 진입 → AI가 0.3초 내 번호판 인식 → 자동 차단기 개방, 등록 차량 알림

작동 원리:

숫자, 테이블 데이터를 AI에게 제공하면 패턴을 찾고 예측합니다. 수요 예측, 이상 탐지, 고객 세분화, 가격 최적화 등에 활용됩니다.

입력 가능:CSV/ExcelPOS 데이터센서 데이터CRM 데이터재무 데이터로그 데이터

수요 예측 AI

유통/제조/요식업#수요예측#매출분석#재고관리
음식점 수요 예측
성능스타터중급3~4시간 (데이터 정제 포함)
학습 데이터
  • POS 데이터 (3개월+)
  • 날씨 데이터
  • 주변 행사/이벤트 정보
학습 단계
  1. 1POS 데이터를 CSV로 내보내세요 (최소 3개월)
  2. 2AI에게 업로드하고 '패턴을 분석해줘'라고 요청하세요
  3. 3날씨 데이터를 추가하면 정확도가 크게 올라갑니다
학습 전 → 후
Before

매일 같은 양 발주 → 폐기율 15%, 품절 잦음

After

'화요일+비 = 라면 수요 35%↑' → 사전 준비 → 폐기율 5%

이상 탐지 AI

제조/IT/금융#이상탐지#모니터링#보안
설비 이상 탐지
성능프로고급2시간+
학습 데이터
  • 센서 정상 데이터 (3개월+)
  • 고장/이상 발생 기록
  • 설비 스펙/정상 범위
학습 단계
  1. 1설비 센서 데이터를 3개월 이상 수집하세요
  2. 2과거 고장 기록을 날짜와 함께 정리하세요
  3. 3AI가 정상 패턴을 학습하고 이상을 자동 감지합니다
학습 전 → 후
Before

고장 나야 알아차림 → 비계획 정지 연 평균 72시간

After

AI 사전 감지 → '3일 내 베어링 교체 권장' → 비계획 정지 40~50% 감소 (충분한 학습 데이터·튜닝 시)

생산계획 최적화 AI

제조업#제조#생산계획#MES
생산계획 최적화 AI
성능프로고급2시간+
학습 데이터
  • 생산 실적 데이터 6개월+
  • 설비 가동률 데이터
  • 주문/수요 데이터
  • 원자재 리드타임
학습 단계
  1. 1생산 실적 데이터를 6개월 이상 CSV로 정리하세요 (라인별, 제품별)
  2. 2설비 가동률과 정비 이력 데이터를 업로드하세요
  3. 3현재 주문 데이터를 납기일, 우선순위와 함께 입력하세요
  4. 4(선택) 원자재 리드타임과 불량률을 추가하면 정확도가 크게 향상됩니다
학습 전 → 후
Before

수동 생산계획 → 설비 가동률 65%, 납기 준수율 78%

After

AI 최적 스케줄링 → 가동률 85%, 납기 준수율 96%, 재공재고 30% 감소

보험금 청구 자동 심사 AI

보험/금융#보험#금융#심사
보험금 청구 자동 심사 AI
성능프로고급3시간+
학습 데이터
  • 과거 청구 데이터 1만건+
  • 심사 기준 매뉴얼
  • 사기 의심 패턴 데이터
  • 의료비 기준표
학습 단계
  1. 1과거 보험금 청구 데이터를 1만건 이상 정리하세요 (심사 결과 포함)
  2. 2보험 약관별 심사 기준을 구조화하여 입력하세요
  3. 3과거 사기 적발 사례를 패턴별로 분류하여 입력하세요
  4. 4(선택) 의료비 기준표를 등록하면 과다 청구 자동 탐지 정확도 향상
학습 전 → 후
Before

심사역 수동 심사 → 건당 45분, 사기 탐지율 12% 내외

After

AI 자동 심사 → 건당 5~10분, 사기 탐지율 30~40% 향상 (데이터 품질·사기 패턴 다양성에 따라 결과 크게 달라짐), 단순 건 자동 승인

작동 원리:

음성을 텍스트로 변환(STT)한 뒤, 텍스트 학습 파이프라인에 연결합니다. 음성 특성(톤, 속도, 감정)까지 분석하여 더 풍부한 학습이 가능합니다.

입력 가능:음성 녹음 (MP3, WAV)전화 통화 녹음회의 녹음팟캐스트/강의고객 상담 녹음

콜센터 AI 학습

전 업종#콜센터#상담#음성
상담 품질 자동 분석
성능프로고급1시간+
학습 데이터
  • 상담 녹음 파일 (100건+)
  • 상담 품질 평가 기준
  • 우수 상담 사례 (20건)
학습 단계
  1. 1상담 녹음을 수집하세요 (개인정보 마스킹 필수!)
  2. 2평가 기준을 문서화하세요 (인사, 경청, 해결, 마무리)
  3. 3AI가 녹음을 분석하고 점수와 개선점을 자동 제시합니다
학습 전 → 후
Before

QA팀이 월 50건 샘플링 평가 → 전체의 2%만 검토

After

AI가 전 건 자동 분석 → 100% 검토, 실시간 코칭 포인트 제공

회의록 자동화

전 업종#회의록#회의#요약
회의록 AI
성능스타터초급10분
학습 데이터
  • 회의 녹음 파일
  • 참석자 이름 목록
  • 회의 양식 (원하는 형태)
학습 단계
  1. 1회의를 녹음하세요 (참석자 동의 필수)
  2. 2녹음 파일을 업로드하세요
  3. 3AI가 자동으로 요약 + 액션 아이템을 추출합니다
학습 전 → 후
Before

1시간 회의 → 누가 뭘 하기로 했더라...? 회의록 작성 30분 추가

After

1시간 회의 → AI 자동 요약: 안건 3개, 결정사항 5개, 액션아이템 8개 (담당자+기한 포함)

작동 원리:

시뮬레이터에서 수백만 번 시행착오를 거치거나, 사람의 시범을 보고 모방합니다. Physical AI는 현재 가장 빠르게 성장하는 AI 학습 분야입니다.

입력 가능:시뮬레이션 환경시범 영상 (텔레오퍼레이션)센서 데이터 (카메라, LiDAR)보상 함수 설계

로봇 조작 학습

로보틱스/제조#로봇#매니퓰레이션#모방학습
로봇 매니퓰레이션 학습 가이드
성능프로고급프로젝트 단위
학습 데이터
  • 텔레오퍼레이션 시범 데이터 (50회+)
  • 시뮬레이션 환경 설정
  • 보상 함수 설계
  • 실제 로봇 하드웨어 정보
학습 단계
  1. 1학습 방법 선택 — 모방학습(ACT) vs 강화학습(RL) vs 하이브리드
  2. 2모방학습이면 텔레오퍼레이션으로 50회 이상 시범을 수집하세요
  3. 3시뮬레이터에서 대량 훈련 후 실제 로봇에 전이 (Sim-to-Real)
  4. 4실제 환경에서 Fine-tuning
학습 전 → 후
Before

로봇에게 '물체 잡기'를 수천 줄 코드로 프로그래밍 → 새 물체마다 재코딩

After

10분 시범 + AI 학습 → 80~90% 성공률, 새 물체도 일반화 (ACT 논문, Zhao et al. 2023)

자율주행 학습

자동차/모빌리티#자율주행#Tesla#End-to-End
자율주행 학습 원리 가이드
성능프로고급학습 자료
학습 데이터
  • 이 템플릿은 학습 가이드입니다
학습 단계
  1. 1데이터 수집 — 600만 대 차량이 매일 주행 데이터를 생성
  2. 2자동 라벨링 — 8개 카메라 + 센서로 3D 공간 재구성
  3. 3Shadow Mode — AI 판단 vs 사람 판단을 비교, 차이가 큰 케이스 수집
  4. 4학습 — Dojo 슈퍼컴퓨터에서 Edge Case 집중 학습
학습 전 → 후
Before

규칙 기반: if 보행자 then 정지 (30만 줄, Edge Case마다 새 규칙)

After

학습 기반: 카메라 → 신경망 → 조향/가속/제동 (End-to-End, 자동 Edge Case 처리)

가정용 로봇 행동 학습

로보틱스/가전#가정용로봇#가사AI#모방학습
수건 접기 AI 로봇 학습
성능프로고급프로젝트 단위
학습 데이터
  • 수건 접기 시범 영상 (100회+)
  • 로봇 팔 카메라 영상 (1인칭 시점)
  • 관절 각도·힘 센서 데이터
  • 시뮬레이션 환경 설정
학습 단계
  1. 1학습 방법 선택 — 모방학습(ACT/pi0) vs 강화학습 vs 하이브리드
  2. 2텔레오퍼레이션 데이터 수집 — 수건 위치를 랜덤 배치하며 50~100회 시범
  3. 3VLA(Vision-Language-Action) 사전학습 모델 선택 (pi0, OpenVLA, RT-2 등)
  4. 4수집한 시범 데이터로 파인튜닝 (Flow Matching 방식 권장)
학습 전 → 후
Before

수건 접기 로봇 = 수백 개의 if-else 규칙 코드 + 정해진 크기만 가능 → 새 수건 추가할 때마다 재코딩

After

시범 100회 + AI 학습 → 처음 보는 수건 크기·색상도 90%+ 성공률 (pi0 논문, Black et al. 2024)

AI 설거지 로봇 학습
프로고급프로젝트 단위
학습 데이터
  • 설거지 시범 영상 (50회+)
  • 그릇 위치 정보 (6D Pose)
  • 세제/물 흐름 물리 파라미터
학습 단계
  1. 1작업을 서브태스크로 분해 — 인식 → 집기 → 이동 → 세척 → 보관
  2. 2각 서브태스크별 시범 데이터 수집 (그릇 종류별 15회 이상)
  3. 3물체 감지 모델(YOLOv8) + 6D Pose 추정 학습
  4. 4집기(Grasp) 모델 학습 — 다양한 형태/무게의 그릇 대응
학습 전 → 후
Before

설거지 로봇 = 규격화된 그릇만 인식 가능, 새 그릇 추가 시 위치 코딩 재작업

After

시범 데이터 학습 → 처음 보는 그릇도 인식·집기·세척 완료 (Open X-Embodiment 방식)

물건 분류·정리 AI 학습
프로중급2~4주
학습 데이터
  • 물건별 분류 시범 영상 (카테고리당 30장+)
  • 물건 종류 라벨 목록
  • 컨베이어/선반 환경 사진
학습 단계
  1. 1분류 카테고리와 기준 명확히 정의
  2. 2카테고리별 물건 이미지 학습 (YOLOv8 또는 EfficientDet)
  3. 3로봇 팔 집기 위치 추정 모델 학습
  4. 4분류 결정 → 집기 → 이동 파이프라인 연결
학습 전 → 후
Before

재활용 분류 = 사람이 직접 24시간 수동 선별 → 오분류율 15~20%

After

비전 AI + 로봇 팔 조합 → 오분류율 8~12%로 감소 (충분한 학습 데이터·환경 안정화 후), 야간 무인 운영 가능

서비스 로봇 행동 학습

외식/호텔/유통#서비스로봇#서빙로봇#안내로봇
서빙 로봇 경로 학습
스타터중급1~2주
학습 데이터
  • 매장 평면도 또는 3D 맵 스캔
  • 테이블 번호별 좌표 데이터
  • 이동 경로 시범 데이터
  • 장애물 회피 시나리오
학습 단계
  1. 1LiDAR 또는 RGB-D 카메라로 매장 3D 지도 생성 (SLAM)
  2. 2테이블 번호 인식 모델 학습 (QR코드 또는 숫자 인식)
  3. 3A* 또는 DWA 알고리즘으로 경로 계획 학습
  4. 4시범 데이터로 장애물 회피 행동 파인튜닝
학습 전 → 후
Before

서빙 직원 1명이 테이블 15개 담당 → 피크타임 주문 지연, 실수 빈번

After

서빙 로봇이 24시간 정확한 테이블로 서빙 → 직원은 고객 응대에 집중

작동 원리:

내 사진 10~30장으로 AI 이미지 생성 모델을 파인튜닝합니다. LoRA는 저비용·빠른 학습, DreamBooth는 고품질 결과에 강합니다.

입력 가능:사진 (10~30장)스타일 참조 이미지프롬프트 예시부정 프롬프트

상품 사진 AI 생성

이커머스#상품사진#이커머스#LoRA
AI 상품 포토 생성
스타터중급45분
학습 데이터
  • 상품 사진 (다양한 각도, 20장+)
  • 원하는 스타일 참조 이미지 (5장+)
  • 프롬프트 가이드 (스타일 설명)
  • 부정 프롬프트 (피할 요소)
학습 단계
  1. 1상품 사진 20장을 다양한 각도에서 촬영 (흰 배경 권장)
  2. 2원하는 스타일의 참조 이미지를 5장 이상 수집
  3. 3LoRA 학습 실행 (약 20분 소요)
  4. 4프롬프트로 다양한 배경/시즌/컨셉의 상품 이미지 생성
학습 전 → 후
Before

상품사진 촬영 → 스튜디오 예약(50만원) → 촬영 반나절 → 보정 3일 → 컨셉당 5장

After

AI 학습 1회 → '크리스마스 분위기로 생성' → 10초 만에 20장 → 무한 컨셉 변경 가능

캐릭터/아바타 AI 생성

크리에이터#캐릭터#아바타#DreamBooth
AI 프로필/아바타 생성
스타터초급1~2시간 (사진 업로드 + 학습 대기 + 생성 포함)
학습 데이터
  • 얼굴 사진 (다양한 각도/조명, 15장+)
  • 원하는 스타일 참조
학습 단계
  1. 1다양한 각도와 조명에서 셀카 15장 촬영
  2. 2DreamBooth 학습 (약 30분)
  3. 3'우주 비행사 스타일로 나를 그려줘' → AI 생성
학습 전 → 후
Before

프로필 사진 = 셀카 1장, 모든 SNS에 동일한 사진 사용

After

AI가 내 얼굴로 100가지 컨셉 생성: 비즈니스용, SNS용, 게임용, 크리스마스용...

작동 원리:

참조 영상과 프롬프트로 AI가 새 영상을 생성하거나, 동작 패턴을 인식하도록 학습합니다. Sora, Runway, Pika 등의 모델이 이 방식입니다.

입력 가능:참조 영상동작 시퀀스모션 캡처 데이터텍스트 프롬프트

AI 영상 생성

크리에이터/마케팅#영상생성#Sora#Runway
마케팅 영상 AI 생성
프로중급60분
학습 데이터
  • 상품/서비스 참조 이미지 (5장+)
  • 영상 스크립트/스토리보드
  • 참조 영상 스타일 (URL 또는 설명)
  • 배경음악 분위기
학습 단계
  1. 1참조 이미지(상품, 매장)를 5장 이상 준비
  2. 2씬별 스토리보드를 텍스트로 작성
  3. 3원하는 스타일의 참조 영상을 지정
  4. 4AI가 영상 생성 (약 2~5분)
학습 전 → 후
Before

영상 제작 외주 → 견적 300만원 → 촬영 1일 → 편집 2주 → 수정 3회

After

AI 생성 → 프롬프트 입력 5분 → 15초 영상 3분 → 무한 수정 → 비용 0원

동작/제스처 인식 AI

헬스케어/스포츠/제조#동작인식#포즈추정#스포츠AI
운동 자세 교정 AI
프로고급2시간
학습 데이터
  • 올바른 자세 영상 (운동별 20개+)
  • 잘못된 자세 예시 (운동별 10개+)
  • 관절 각도 기준표
  • 교정 멘트 가이드
학습 단계
  1. 1운동별 올바른/잘못된 자세 영상을 수집
  2. 2관절 포인트 자동 추출 (MediaPipe/OpenPose)
  3. 3정상/위험 각도 기준 라벨링
  4. 4분류 모델 학습
학습 전 → 후
Before

PT 비용 월 40만원, 혼자 운동하면 자세 확인 불가 → 부상 위험

After

AI가 실시간 자세 분석: '허리가 둥글어졌어요! 코어에 힘주고 가슴을 펴주세요' → 부상 70% 감소

작동 원리:

음성 샘플 3~30분으로 내 목소리의 톤, 억양, 발음 패턴을 학습합니다. 학습 후 텍스트만 입력하면 내 목소리로 자동 생성됩니다.

입력 가능:음성 녹음 (WAV/MP3)대본 텍스트스타일 지시 (감정, 속도)

내 목소리 TTS

크리에이터/교육#음성클로닝#TTS#나레이션
크리에이터 음성 클론
스타터초급20분
학습 데이터
  • 깨끗한 음성 녹음 (3분+)
  • 녹음 대본 텍스트
  • 스타일 지시
학습 단계
  1. 1조용한 환경에서 제공된 대본을 자연스럽게 읽기 (3분)
  2. 2녹음 파일 + 대본 텍스트 업로드
  3. 3AI 음성 모델 학습 (약 10분)
  4. 4새 텍스트 입력 → 내 목소리로 자동 생성
학습 전 → 후
Before

유튜브 나레이션 10분 → 녹음 30분 + 편집 1시간 + NG 재녹음

After

대본 입력 → AI가 내 목소리로 10분 나레이션 → 30초 생성 → 감정/속도 조절 가능

작동 원리:

여러 종류의 데이터(텍스트, 이미지, 음성, 비디오)를 동시에 학습시켜 AI가 맥락을 종합적으로 이해합니다. GPT-4V, Gemini, Claude의 핵심 기술입니다.

입력 가능:텍스트+이미지 쌍음성+텍스트 쌍영상+설명 쌍

멀티모달 상품 이해 AI

이커머스#멀티모달#상품설명#이미지인식
사진→상품설명 자동 생성
성능프로고급90분
학습 데이터
  • 상품 사진 + 설명 쌍 (50세트+)
  • 카테고리별 설명 스타일 가이드
  • SEO 키워드 목록
학습 단계
  1. 1기존 상품 사진+설명 50세트 준비
  2. 2카테고리별 설명 스타일 가이드 작성
  3. 3이미지-텍스트 정렬 검증
  4. 4모델 학습
학습 전 → 후
Before

상품 100개 상세페이지 작성 → 카피라이터 2주 + 비용 200만원

After

사진만 올리면 → 상세 설명 + SEO + SNS 캡션 자동 → 100개 1시간 완료

작동 원리:

AI에게 도구(검색, DB, API 등)를 연결하고, 언제 어떤 도구를 쓸지 학습시킵니다. N8N, LangChain, CrewAI 기반의 자동화 워크플로우입니다.

입력 가능:도구 정의 (API/함수)작업 지시서판단 기준 예시워크플로우 설계

비즈니스 자동화 에이전트

전 업종#AI에이전트#자동화#N8N
고객 문의 자동 처리 에이전트
성능프로고급2시간
학습 데이터
  • 문의 분류 기준 (카테고리별 예시)
  • 카테고리별 자동 답변 템플릿
  • 에스컬레이션 규칙
  • 연결할 도구 목록
학습 단계
  1. 1기존 문의를 카테고리별로 분류 (최소 5개 카테고리)
  2. 2카테고리별 자동 답변 템플릿 작성
  3. 3에스컬레이션(사람 전달) 규칙 정의
  4. 4도구 연결 (DB 조회, 슬랙, 이메일)
학습 전 → 후
Before

CS 담당자가 하루 200건 수동 처리 → 평균 응답 4시간 → 야근 일상

After

AI가 70% 자동 처리 → 평균 응답 30초 → 사람은 복잡한 30%만 집중 → 만족도 40% 상승

작동 원리:

문서를 벡터로 변환하여 검색 가능하게 만들고, 지식 그래프로 엔티티 간 관계를 연결합니다. 질문이 들어오면 관련 문서를 검색하여 답변에 활용합니다. ⚠️ 한국어 문서는 반드시 한국어 전용 임베딩 모델을 사용하세요 — 영어 임베딩으로 한국어를 처리하면 검색 정확도가 40~50%로 떨어집니다.

입력 가능:사내 문서 (PDF, DOCX)지식 베이스엔티티 관계 정의Q&A 쌍

사내 문서 RAG 시스템

전 업종#RAG#문서검색#사내AI
사내 문서 검색 AI
성능프로중급60분
학습 데이터
  • 사내 문서 PDF/DOCX (100개+)
  • 부서별 분류 체계
  • 자주 검색하는 질문 패턴
  • 접근 권한 규칙
학습 단계
  1. 1사내 문서 수집 — 전체 규정집, 매뉴얼, 가이드를 PDF/DOCX로 모으세요
  2. 2메타데이터 태깅 — 각 문서에 부서, 카테고리, 보안등급 태그를 부여하세요
  3. 3임베딩 모델 선택 — 한국어 문서는 반드시 multilingual-e5-large 또는 OpenAI text-embedding-3-large 사용. 영어 전용 모델은 한국어 검색 정확도가 절반 이하로 떨어짐
  4. 4청킹 전략 — 200~300토큰 단위로 분할 (한국어는 영어보다 토큰 소모 3~4배 많음). 조항/섹션 단위 우선, 표·그림은 설명과 함께 별도 청크, 인접 청크 50토큰 오버랩 설정
학습 전 → 후
Before

직원: '출장비 정산 기준?' → 인사팀 전화 → 담당자 부재 → 다시 전화 → 30분 후 답변 획득 → 결국 PDF 직접 검색 → 월 평균 직원 1인당 2시간 낭비, 인사팀 반복 질문 응대 업무 40%

After

직원: '출장비 정산 기준?' → AI 즉시 답변: '국내 출장 숙박 10만원/일, 식비 2.5만원/일 (출장규정 제3조 2항, p.12)' → 출처 링크 제공 → 응답 시간 3초, 인사팀 반복 질문 90% 감소, 연간 1,200시간 절약

도메인 지식 그래프

전문 서비스#Knowledge Graph#Neo4j#엔티티
전문 분야 지식 그래프 AI
프로고급2시간
학습 데이터
  • 도메인 용어 사전
  • 엔티티 관계 정의
  • 전문 문서 코퍼스
  • 검증된 Q&A 쌍
학습 단계
  1. 1도메인 핵심 엔티티 정의 — 용어 사전에서 핵심 개념 200~500개 추출
  2. 2관계 정의 — 엔티티 간 관계 유형(치료, 원인, 금기 등)을 정의하세요
  3. 3그래프 구축 — Neo4j 등에 엔티티-관계를 트리플(주어-관계-목적어)로 저장
  4. 4RAG 연동 — 그래프 검색 + 벡터 검색을 결합한 하이브리드 검색 구성
학습 전 → 후
Before

의사: '이 환자(고혈압+당뇨+신부전)에게 처방 가능한 약물?' → 약물 DB 수동 검색 3개 → 교차 확인 30분 → 논문 검색 추가 1시간 → 여전히 확신 부족, 동료에게 재확인 → 총 2시간 소요

After

의사: 동일 질문 → AI: '신부전 동반 시 메트포르민 금기 (eGFR <30), ACEi 주의. 추천: ARB(로사르탄) + DPP-4억제제(시타글립틴). 근거: KDA 가이드라인 2024 p.47, 약물상호작용 DB 3건 참조' → 5초 응답, 근거 포함

작동 원리:

범용 모델을 내 데이터로 추가 학습하여 특정 도메인/스타일에 특화된 모델을 만듭니다. LoRA는 적은 자원으로 빠르게, DPO는 사람의 선호도에 맞게 정렬합니다. ⚠️ 파인튜닝은 GPU 환경이 필수입니다 — 최소 RTX 3090 (24GB VRAM) 이상 또는 클라우드 GPU (RunPod A40, Google Colab Pro+) 사용.

입력 가능:instruction-response 쌍 (JSONL/Alpaca/ShareGPT 포맷)선호/비선호 응답 쌍도메인 텍스트 데이터평가 루브릭

LoRA 경량 파인튜닝

전 업종#LoRA#파인튜닝#경량학습
텍스트 LoRA 파인튜닝
성능프로중급A100: 90분 / RTX 4090: 3시간 / Colab Pro+ T4: 6~8시간 (500건 기준, 7B 모델)
학습 데이터
  • 학습 데이터셋 (instruction-response 쌍 500+, JSONL 포맷)
  • 평가 데이터셋 (50~100건)
  • 베이스 모델 선택
  • 하이퍼파라미터 설정
학습 단계
  1. 1데이터 수집 — 도메인 전문가가 만든 Q&A 쌍 500개 이상 준비 (품질 > 양). JSONL Alpaca 포맷으로 저장
  2. 2데이터 정제 — 중복 제거, 포맷 통일, 답변 길이 이상치 제거 (너무 짧거나 너무 긴 답변)
  3. 3실행 환경 준비 — Unsloth 설치 (pip install unsloth) + Google Colab Pro+ 또는 RunPod A40 권장. 무료 Colab T4는 학습 중 끊길 수 있음
  4. 4베이스 모델 선택 — 한국어 업무는 EEVE-Korean 또는 Qwen2.5 계열 권장 (7B~13B)
학습 전 → 후
Before

범용 GPT에 법률 질문 → '일반적으로 계약서에는...' 수준의 피상적 답변 → 법무팀 검토 필수 → 실무 활용 불가, 매번 변호사 자문 비용 50만원/건

After

LoRA 파인튜닝 모델 → '제5조 2항의 무한책임 조항은 상법 제XX조와 충돌 가능성 있음. 수정 권고: 책임 한도 계약금의 200%로 제한' → 법무팀 1차 검토 시간 70% 단축, 월 자문 비용 80% 절감

RLHF/DPO 정렬 학습

전 업종#DPO#RLHF#정렬학습
DPO 선호도 학습
프로고급A100: 3시간 / RTX 4090: 6~8시간 (1000쌍 기준, 7B 모델). ⚠️ SFT(LoRA) 완료 후 진행해야 함 — 베이스 모델에 바로 DPO 적용 시 발산 위험
학습 데이터
  • 선호/비선호 응답 쌍 (1000+, DPO 포맷)
  • 평가 기준 루브릭
  • 안전성 테스트 케이스
  • 에지 케이스 시나리오
학습 단계
  1. 1SFT 모델 확보 — LoRA 파인튜닝 완료된 체크포인트 필수. 없으면 텍스트 LoRA 파인튜닝 템플릿 먼저 진행
  2. 2선호도 데이터 구축 — 같은 질문에 대해 좋은(chosen)/나쁜(rejected) 답변 쌍 1,000개 라벨링. {prompt, chosen, rejected} JSONL 포맷으로 저장
  3. 3루브릭 작성 — 정확성, 공감도, 실용성, 안전성 기준을 1~5점 척도로 명확히 정의
  4. 4실행 도구 설치 — pip install trl>=0.7.4 transformers accelerate. TRL의 DPOTrainer 사용
학습 전 → 후
Before

SFT만 한 모델: '환불 규정에 따르면 7일 이내 가능합니다.' → 정확하지만 차갑고 기계적 → 고객 만족도 3.2/5, '챗봇 같다'는 피드백 60%

After

DPO 정렬 후: '불편을 드려 죄송합니다. 주문번호만 알려주시면 바로 환불 도와드릴게요! 7일 이내 구매 건이시면 전액 환불 가능합니다 😊' → 만족도 4.6/5, 자연스러움 평가 85%

작동 원리:

학습된 모델을 양자화(Quantization), 프루닝(Pruning), 증류(Distillation) 등으로 경량화하여 모바일·IoT 디바이스에서 직접 실행합니다.

입력 가능:모델 체크포인트벤치마크 데이터디바이스 스펙성능 기준

모델 경량화

전 업종#양자화#프루닝#경량화
모델 양자화/경량화
성능프로고급2시간
학습 데이터
  • 기존 모델 체크포인트
  • 벤치마크 테스트셋
  • 타겟 디바이스 스펙
  • 허용 정확도 범위
학습 단계
  1. 1원본 모델 성능 측정 — 도메인 벤치마크로 baseline 기록 (ROUGE-L / 정확도 / 추론 시간)
  2. 2양자화 방식 선택 — GPTQ(GPU 서버, 정확도 우선) | AWQ(균형, 속도↑) | GGUF(CPU·스마트폰, 범용, llama.cpp 기반)
  3. 3실행 도구 설치 — GPTQ: pip install auto-gptq | AWQ: pip install autoawq | GGUF: llama.cpp 빌드 또는 Ollama 사용
  4. 4캘리브레이션 데이터 준비 — 도메인 대표 샘플 128~512건 (품질이 양자화 정확도 결정)
학습 전 → 후
Before

7B 모델 FP16 (14GB) → 서버 GPU 필수 (A100, 월 200만원) → API 지연 500ms → 인터넷 의존 → 개인정보 외부 전송 리스크, 월 서버 비용 200만원

After

동일 모델 INT4 (3.5GB) → 스마트폰에서 직접 구동 → 응답 150ms → 오프라인 가능 → 개인정보 디바이스 내 처리 → 서버 비용 0원, 응답속도 3배↑

온디바이스 추론

제조/IoT#온디바이스#모바일AI#IoT
모바일/IoT 실시간 AI
프로고급3시간
학습 데이터
  • 경량화된 모델 파일
  • 타겟 디바이스 런타임 환경
  • 실시간 입력 데이터 스펙
  • 지연 시간(Latency) 요구사항
학습 단계
  1. 1디바이스 선택 — 용도에 맞는 하드웨어와 추론 프레임워크 결정
  2. 2모델 변환 — ONNX/TFLite/GGUF 등 타겟 런타임에 맞게 변환
  3. 3추론 파이프라인 구축 — 입력 전처리 → 추론 → 후처리 → 출력 연결
  4. 4벤치마크 — 실제 디바이스에서 지연시간, 메모리, 전력 측정
학습 전 → 후
Before

공장 설비 이상 탐지: 센서 데이터 → 클라우드 전송 (2초) → AI 분석 (1초) → 결과 수신 (2초) → 총 5초 지연 → 설비 파손 후 감지, 연간 사고 12건, 수리비 2억원

After

엣지 AI: 센서 데이터 → 현장 디바이스에서 즉시 분석 (0.1초) → 이상 감지 시 즉각 정지 → 인터넷 불필요, 사고 예방률 95%, 수리비 90% 절감, 연간 1.8억원 절약

작동 원리:

원본 데이터를 기반으로 AI가 유사하지만 새로운 데이터를 생성합니다. 데이터 부족 문제를 해결하고, 개인정보 없이도 AI를 학습시킬 수 있습니다.

입력 가능:원본 데이터셋증강 규칙프라이버시 요구사항품질 기준

학습 데이터 증강

전 업종#데이터증강#역번역#패러프레이즈
텍스트 데이터 증강
스타터중급45분
학습 데이터
  • 원본 데이터셋 (최소 100건)
  • 증강 규칙
  • 품질 기준
  • 도메인 용어 사전
학습 단계
  1. 1원본 데이터 분석 — 클래스 분포, 평균 길이, 주요 패턴 파악
  2. 2증강 전략 선택 — 부족한 클래스 위주로 증강 기법 조합 결정
  3. 3도메인 용어 보호 — 변형하면 안 되는 전문 용어 사전 작성
  4. 4증강 실행 — 동의어 치환 → 역번역 → 패러프레이즈 순서로 적용
학습 전 → 후
Before

감성분석 모델: 원본 100건으로 학습 → 정확도 62% → '배송 느려요'='빨라요' 혼동 → 클래스 불균형(긍정 80건 vs 부정 20건)으로 부정 탐지율 30%

After

증강 후 1,000건(균형 맞춤) → 정확도 81% → '배송 느려요' 정확 탐지 → 부정 탐지율 85%, 데이터 수집 비용 0원, 라벨링 시간 90% 절약

개인정보 보호형 합성 데이터

금융/의료/공공#프라이버시#합성데이터#GDPR
프라이버시 합성 데이터
프로고급2시간
학습 데이터
  • 원본 데이터 통계 요약
  • 프라이버시 요구사항
  • 필드 간 상관관계
  • 유틸리티 평가 기준
학습 단계
  1. 1원본 통계 추출 — 개인정보 없이 분포/상관관계만 추출
  2. 2프라이버시 수준 설정 — k-익명성, 차분 프라이버시 파라미터 결정
  3. 3합성 엔진 선택 — CTGAN, SDV, Gretel 등 도구 선택
  4. 4합성 데이터 생성 — 설정에 맞게 원하는 크기의 데이터 생성
학습 전 → 후
Before

의료 AI 개발: 환자 동의 6개월 소요 → IRB 승인 3개월 → 비식별화 2개월 → 데이터 확보까지 11개월 → 그래도 재식별 우려로 외부 공유 불가 → 프로젝트 지연, 개인정보 유출 리스크 상존

After

합성 데이터: 통계 요약만으로 합성 생성 2주 → 재식별 위험 0.05% → 외부 공유 가능 → 진단 AI 정확도 실데이터의 93% → 11개월→2주, 프라이버시 리스크 제로, 개발 속도 20배↑

작동 원리:

코드베이스, 코딩 컨벤션, 기존 리뷰 기록으로 AI를 학습시켜 코드 생성·리뷰·변환을 자동화합니다. Copilot 수준을 넘어 우리 팀 전용 코딩 AI를 만듭니다.

입력 가능:코드베이스 (레포지토리)코딩 스타일 가이드코드 리뷰 기록테스트 케이스

코드 생성/리뷰 AI

IT/소프트웨어#코드생성#코드리뷰#Copilot
코드 생성 어시스턴트
프로중급60분
학습 데이터
  • 코드베이스 (레포지토리)
  • 코딩 스타일 가이드
  • 기존 코드 리뷰 기록
  • 테스트 케이스
학습 단계
  1. 1코드베이스 분석 — 프로젝트 구조, 주요 패턴, 의존성을 AI에 입력
  2. 2컨벤션 설정 — ESLint, Prettier 규칙 + 팀 고유 규칙을 명시
  3. 3리뷰 패턴 학습 — 기존 PR 리뷰에서 반복되는 피드백 패턴 추출
  4. 4테스트 기준 설정 — 생성된 코드의 테스트 커버리지 기준 설정
학습 전 → 후
Before

범용 Copilot: 일반적 코드 생성 → 팀 컨벤션 무시 → 에러 핸들링 누락 → 시니어 개발자 리뷰 2시간/PR → 리뷰 코멘트 평균 15개 → 수정 후 재리뷰 반복, 주당 리뷰에만 10시간 소요

After

맞춤 코드 AI: 팀 컨벤션 자동 적용 → 에러 핸들링/타입 안전성 자동 포함 → AI 사전 리뷰 통과 후 시니어 최종 확인 20분/PR → 리뷰 코멘트 평균 2개 → 주당 리뷰 시간 80% 감소, 코드 품질 일관성 95%

레거시 코드 마이그레이션

IT/소프트웨어#레거시#마이그레이션#리팩토링
레거시 코드 현대화 AI
프로고급3시간
학습 데이터
  • 레거시 코드베이스
  • 타겟 기술 스택 명세
  • 비즈니스 로직 문서
  • 기존 테스트/검증 기준
학습 단계
  1. 1레거시 코드 분석 — AI가 전체 코드를 스캔하여 구조·의존성·비즈니스 로직 맵 생성
  2. 2비즈니스 로직 추출 — 코드에 숨겨진 규칙을 문서화 (AI + 개발자 협업)
  3. 3변환 계획 — 모듈별 변환 순서, 리스크, 예상 소요 시간 산출
  4. 4자동 변환 — AI가 모듈 단위로 코드 변환 + 테스트 코드 자동 생성
학습 전 → 후
Before

PHP+jQuery 레거시 (10,000줄): 개발자 3명 × 6개월 = 수동 재작성 → 비용 1.8억원 → 비즈니스 로직 누락 23건 발견 → 3개월 추가 디버깅 → 총 9개월, 2.5억원, 런칭 후 버그 47건

After

AI 마이그레이션: 코드 분석 1주 → 자동 변환 2주 → 개발자 검증/수정 2주 → 총 5주, 비용 80% 절감 → 비즈니스 로직 자동 감지율 94% → 런칭 후 버그 5건, 개발자는 핵심 로직 검증에만 집중

작동 원리:

센서/카메라 데이터 수집 → 엣지 AI 추론 → 이상 감지 → 자동 액션(알림/워크오더/파라미터 조정) → 이력 누적 → 재학습 루프로 계속 진화합니다.

입력 가능:IoT 센서 데이터CCTV/비전 카메라설비 진동·온도·전류 데이터MES/ERP 생산 데이터품질 검사 이미지작업자 동작 영상

AI 비전 품질 검사 자동화

제조/자동차/식품/전자#비전검사#불량검출#YOLOv8
생산 라인 AI 불량 검출 파이프라인
성능프로중급1~2일
학습 데이터
  • 양품 이미지 (다양한 각도·조명, 500장+)
  • 불량 유형별 이미지 (유형당 50장+, 총 200장+)
  • 불량 유형 정의 문서
  • 카메라 설치 환경 정보
학습 단계
  1. 1생산 라인 주요 검사 포인트에 카메라 설치 (해상도·조명 최적화)
  2. 2양품/불량 이미지를 다양한 조건에서 수집하고 라벨링 (CVAT 도구 사용)
  3. 3YOLOv8 또는 EfficientDet으로 불량 분류 모델 학습
  4. 4엣지 컴퓨팅 디바이스(NVIDIA Jetson)에 모델 배포
학습 전 → 후
Before

작업자가 육안 검사 → 집중력 저하 시 불량 통과, 검사 속도 분당 20개 한계, 야간 인건비 월 400만원

After

AI 카메라 검사 → 분당 120개 처리, 불량 검출률 97%+, 24시간 무인 운영, 불량률 30~50% 감소 (BMW·Nestle 실적)

AI 예지 정비 (설비 고장 사전 예측)

제조/철강/화학/항공#예지정비#이상탐지#시계열AI
설비 진동 분석 AI 예지 정비
성능스타터중급3~5일
학습 데이터
  • 진동 센서 시계열 데이터 (정상 운전 6개월+)
  • 과거 고장 이력 및 원인 기록
  • 설비 사양서 (RPM, 베어링 규격)
학습 단계
  1. 1주요 회전 설비(모터·펌프·압축기)에 진동 센서 부착
  2. 26개월 이상 정상 운전 데이터 수집 (베이스라인 구축)
  3. 3FFT 주파수 분석 + LSTM으로 이상 패턴 학습
  4. 4잔여 수명(RUL) 예측 모델 학습
학습 전 → 후
Before

설비 고장 → 긴급 수리 → 라인 스톱 → 생산 손실 (평균 4~8시간), 부품 긴급 조달 비용

After

AI가 '2호기 베어링 마모 확률 87%, 2주 내 교체 권장' → 계획 정비 → 다운타임 50% 감소 (Siemens 실적)

AI 공정 파라미터 최적화

철강/화학/반도체/배터리#공정최적화#파라미터제어#디지털트윈
수율·품질 최적화 AI (근본원인 분석 포함)
성능프로고급1~2주
학습 데이터
  • 공정 센서 데이터 (온도·압력·유량 등, 1년치+)
  • 수율·품질 결과 데이터 (배치별)
  • 공정 레시피 및 설비 사양서
  • 도메인 전문가 인터뷰 결과
학습 단계
  1. 1historian/MES에서 공정 데이터 추출 및 배치 결과와 조인
  2. 2결측값 처리, 이상치 제거, 시간 정렬 (데이터 전처리)
  3. 3XGBoost/LightGBM으로 수율 예측 모델 학습
  4. 4SHAP 분석으로 핵심 영향 인자 상위 10개 식별
학습 전 → 후
Before

수율 저하 발생 → 공정 기술자가 경험으로 원인 추정 → 며칠~몇 주 소요 → 재발 방지 어려움

After

AI가 '온도 파라미터 X가 수율의 34% 영향' 즉시 식별 → 자동 보정 → 수율 3~5% 향상 (POSCO·TSMC 실적)

n8n 공장 업무 자동화 워크플로우

제조 전 업종 (SME 포함)#n8n#노코드자동화#QC문서화
공장 QC 검사 자동화 워크플로우 (n8n)
스타터초급반나절
학습 데이터
  • QC 검사 항목 및 합격 기준 문서
  • 현장 검사 입력 폼 (Google Forms/Jotform)
  • 알림 받을 담당자 연락처
학습 단계
  1. 1n8n 설치 (자체 호스팅 또는 n8n.cloud 무료 플랜)
  2. 2현장용 Google Forms 또는 Jotform으로 검사 입력 폼 제작
  3. 3n8n에서 Webhook 노드로 폼 제출 데이터 수신
  4. 4IF 노드로 불량률 기준 초과 여부 판단
학습 전 → 후
Before

검사 결과를 종이에 기록 → 퇴근 후 엑셀 수동 입력 → 이메일 보고 → 이력 분실 → 컴플라이언스 감사 대응 수 시간

After

현장에서 폼 입력 즉시 → 불량 기준 초과 시 담당자 폰 1분 내 알림 → 문서 자동 생성 → 감사 대응 5분

설비 유지보수 워크오더 자동화 워크플로우
스타터중급1일
학습 데이터
  • 센서 데이터 소스 또는 알림 API
  • 설비 목록 및 담당자 매핑 테이블
  • CMMS 시스템 접속 정보 (선택)
학습 단계
  1. 1기존 센서 모니터링 시스템의 알람을 웹훅으로 n8n에 연결
  2. 2설비-담당자 매핑 테이블을 Google Sheets에 구성
  3. 3긴급도(긴급/일반/예방) 자동 분류 로직 설정
  4. 4긴급도별 알림 채널 설정 (긴급: 전화, 일반: 슬랙)
학습 전 → 후
Before

센서 알람 → 모니터 확인 → 전화 연락 → 워크오더 수동 작성 → CMMS 입력 (30분~1시간 지연)

After

센서 이상 감지 즉시 → 담당자 폰 알림 2분 내 → 워크오더 자동 생성 → 골든타임 확보

공장 디지털 트윈 AI

항공우주/화학/철강/자동차#디지털트윈#시뮬레이션#예측정비
설비 디지털 트윈 구축 가이드
프로고급2~4주
학습 데이터
  • 설비 CAD/설계도 또는 물리 파라미터
  • 실시간 IoT 센서 스트림 (온도·압력·진동)
  • 과거 고장 이력 및 수리 기록
학습 단계
  1. 1디지털 트윈 구축 범위 결정 (핵심 설비 1~3개로 파일럿 시작)
  2. 2물리 기반 모델 구축 (Simulink, ANSYS, 또는 Python 물리 라이브러리)
  3. 3OPC-UA/MQTT로 실시간 센서 데이터를 트윈에 연결
  4. 4역사 데이터로 ML 모델 학습 → 물리 모델과 앙상블
학습 전 → 후
Before

설비 이상 감지 후 사람이 점검 → 원인 분석 2~3일 → 부품 발주 1주 → 수리 완료

After

디지털 트윈이 '2주 후 베어링 마모로 고장 예상, 부품 미리 발주 권장' → 계획 수리 → 비계획 정비 25% 감소 (GE 실적)