홈앤서비스 SK BROADBAND

Part 1 (AI) 인공지능의 기초 이론 제1장 인공지능의 이해와 기초 이론 1-1. 인공지능의 정의와 핵심 용어 정리 1-1-1. 인공지능의 정의 1-1-2. 인공지능의 특징 1-1-3. 인공지능의 역사 (엿보기) 1-1-4. 인공지능과 인간 지능 : 닮은 듯 다른 두 지능 1-1-5. 인공지능의 핵심 기술 (용어) 1-1-6. 데이터 : 인공지능이 세상을 배우는 통로 1-1-7. 인공지능 학습의 이해 : 데이터가 지혜가 되는 과정 1-1-8. 인공지능의 엔진 : 학습을 위한 필수 하드웨어 제2장 인공지능 역사 이해 2-1. 인공지능의 등장 2-1-1. 탄생과 황금기 : 희망의 탄생 (1950~60년대) 2-1-2. 제1차 침체기 : 현실의 벽 (1970년대) 2-2. 인공지능 역사의 이해 2-2-1. 지식의 시대 : 인공지능의 재도약 (1980년대) 2-2-2. 정체와 딥러닝 혁명 (1990년대 ~ 2010년대) 2-2-3. 생성형 AI 시대 (2017~현재) 제3장 현대 인공지능의 응용분야와 필요성 3-1. 현대 사회와 인공지능의 필연적 만남 3-2. 인공지능이 설계하는 미래 : 혁신과 사회적 변혁 제4장 AI(인공지능) 알고리즘 개요 4-1. AI(인공지능) 알고리즘 이해 4-1-1. 인공지능 알고리즘 개요 : 기계가 사고하는 방식 4-2. AI(인공지능) 알고리즘 유형 4-2-1. 인공지능 알고리즘 유형 : 학습의 세 가지 길 4-3. 지도 학습(Supervised Learning) 4-4. KNN (K-Nearest Neighbors) : 유유상종의 원리 4-4-1. 개념 4-5. SVM (Support Vector Machine) : 최적의 경계선 찾기 4-6. KNN과 SVM 비교 정리 4-7. 의사결정트리 (Decision Tree : 스무고개의 원리) 4-7-1. 의사결정트리란 무엇인가? 4-7-2. 의사결정트리의 구성 요소 4-7-3. 의사결정트리 분석 4단계 4-7-4. 의사결정트리의 결정 지표 4-7-5. 의사결정트리의 장단점 4-8. 앙상블 (Ensemble) 기법 : 집단지성의 원리 4-8-1. 앙상블 기법이란 무엇인가? 4-8-2. 배깅 (Bagging) 4-8-3. 부스팅 (Boosting) 4-8-4. 스태킹 (Stacking) 4-8-5. 배깅·부스팅·스태킹 비교 정리 4-9. 랜덤 포레스트 (Random Forest) 4-9-1. 랜덤 포레스트란 무엇인가? 4-9-2. 랜덤 포레스트의 두 가지 무작위성 4-9-3. 랜덤 포레스트 분석 4단계 4-9-4. 랜덤 포레스트의 장단점 4-10. 회귀 분석 (Regression Analysis) 4-10-1. 회귀 분석이란 무엇인가? 4-10-2. 회귀 분석의 종류 4-11. 비지도 학습 (Unsupervised Learning) 4-11-1. 비지도 학습이란 무엇인가? 4-12. K-means 알고리즘 4-12-1. K-means란 무엇인가? 4-12-2. K-means 동작 5단계 4-12-3. K-means의 장단점 4-13. DBSCAN 4-13-1. DBSCAN이란 무엇인가? 4-13-2. DBSCAN 동작 5단계 4-13-3. K-means vs DBSCAN 비교 4-14. 차원의 저주 (Curse of Dimensionality) 4-14-1. 차원이란 무엇인가? 4-14-2. 차원의 저주 개념 4-15. 주성분 분석 (PCA, Principal Component Analysis) 4-15-1. PCA란 무엇인가? 4-16. 강화 학습 (Reinforcement Learning) 4-16-1. 강화 학습이란 무엇인가? 4-16-2. 강화 학습 동작 원리 (자율주행 사례) 4-16-3. 강화 학습의 장단점 4-16-4. 강화학습의 대표 알고리즘 : 몬테카를로 트리 검색 (MCTS) 4-17. 인공신경망과 딥러닝 4-17-1. 인공신경망(ANN)이란 무엇인가? 4-17-2. 인공신경망의 3단계 구조 4-17-3. 퍼셉트론 (Perceptron) : 인공지능의 디지털 세포 4-17-4. 퍼셉트론의 한계와 다층 퍼셉트론의 등장 4-17-5. 딥러닝 (Deep Learning) 제5장 인공지능 모델의 검증과 최적화 5-1. 학습 데이터(Training Data)의 중요성 5-1-1. 학습 데이터(Training Data)의 중요성 5-1-2. 데이터 분할 (Data Split) 5-1-3. 과적합 (Overfitting) 5-1-4. 과소적합 (Underfitting) 5-1-5. 최적합 (Good Fit) 이상적인 모델의 기준 5-1-6. 편향-분산 5-2. 모델의 검증과 최적화 5-2-1. 혼동 행렬 (Confusion Matrix) 5-2-2. 성능 지표 5-2-3. 회귀 모델의 채점표 (오차 지표) 5-3. 교차 검증 (Cross Validation) 5-3-1. 교차 검증의 개념과 필요성 5-3-2. 교차 검증의 주요 종류 Part 2 생성형 AI 기초 이론 제1장 생성형 AI 기초원리 이해 1-1. 생성형 AI 기본 개념 1-1-1. 생성형 AI 기본 개념 1-2. 일반 AI와 생성형 AI의 차이점 1-2-1. 판별형 AI (Discriminative AI) 1-2-2. 생성형 AI (Generative AI) 1-3. 검색엔진과 생성형 AI의 차이점 1-3-1. 검색엔진과 생성형 AI 의 차이점 1-4. 생성형 AI의 발전 과정 1-4-1. 생성형 AI의 발전과정(4단계) 1-5. 생성형 AI의 중요성과 한계 1-5-1. 생성형 AI의 중요성 1-5-2. 실무에서 주의해야 할 한계 3가지 1-6. 생성형 AI 응용 분야 1-6-1. 교육 기획 및 마케팅 : 맞춤형 홍보 카피 작성 1-6-2. 이미지 생성 및 편집 : 나노바나나 활용 1-6-3. 원스톱 보고서 및 프레젠테이션 생성 : 젠스파크 활용 1-6-4. 프로그래밍 코드 자동 생성 : 챗GPT·클로드 활용 1-7. AI가 가져온 산업별 환경 변화 제2장 생성형 AI 필수 요소 2-1. 자연어 처리 (NLP, Natural Language Processing) 2-1-1. 자연어 처리(NLP) 2-1-2. 임베딩 (Embedding) : 언어를 숫자로 바꾸는 번역기 2-2. 거대 언어 모델 (LLM, Large Language Model) 2-2-1. LLM 개념 2-2-2. 특징 2-2-3. 한계와 도전 2-3. AI의 학습 비결 : 사전 학습과 미세 조정 2-3-1. 사전 학습 (Pre-training) 2-3-2. 미세 조정 (Fine-tuning) 2-3-3. 미세 조정의 3대 이점 2-3-4. 미세 조정의 4단계 절차 2-4. 생성형 AI의 시각화 알고리즘 2-4-1. 적대적 신경망 (GAN, Generative Adversarial Networks) 2-4-2. GAN의 4단계 학습 구조 2-4-3. 변이형 자동 인코더 (VAE, Variational Autoencoder) 제3장 생성형 AI 이해하기 : 챗GPT와 글로벌 AI 생태계 3-1. 인공지능의 뇌세포 : 파라미터 (Parameter) 3-1-1. 개념 정의 3-1-2. 스케일링 법칙 (Scaling Law) 3-1-3. 파라미터 vs 하이퍼파라미터 3-1-4. 소형 언어 모델(SLM : Small Language Model) 3-1-5. 온디바이스 AI ? 인터넷 없이 내 기기에서 실행되는 AI 3-2. 챗GPT의 탄생과 중요성 3-2-1. 챗GPT 공식 정의와 탄생 3-2-2. 오픈AI의 개발 철학과 AGI 3-2-3. 챗GPT 등장 배경 4가지 3-2-4. GPT 4대 핵심 특징 3-3. GPT의 진화 역사 3-3-1. GPT-1부터 최신 모델까지 3-3-2. 멀티모달로의 진화 3-4. 챗GPT의 작동 원리 3-4-1. 트랜스포머 아키텍처 (Transformer) 3-4-2. RLHF : 인공지능에게 예절을 가르치는 과정 3-5. 챗GPT의 무한한 확장 : 에이전트와 GPTs 3-5-1. 에이전트 (AI Agent) 3-5-2. RAG(검색 증강 생성) ? AI 지식의 한계를 극복하는 기술 3-5-3. 기존 챗GPT vs 에이전트 모드 비교 3-5-4. 맞춤형 GPTs (Custom GPTs) 3-5-5. 작업 (Actions) 3-6. 글로벌 빅테크 생성형 AI : 나에게 맞는 AI 찾기 3-6-1. 오픈AI ? 챗GPT (ChatGPT) 3-6-2. 구글 - 제미나이 (Gemini) 3-6-3. 마이크로소프트 ? 코파일럿 (Copilot) 3-6-4. 앤스로픽 - 클로드 (Claude) 3-6-5. 딥시크(DeepSeek) R1 3-6-6. 노트북LM 3-6-7. 올인원 AI 플랫폼 : 젠스파크 (Genspark) Part 3 프롬프트 엔지니어링 기술 기초 제1장 프롬프트 엔지니어링의 개념과 역사 1-1. 프롬프트란 1-1-1. 프롬프트란 무엇인가? 1-2. 명령어에서 설계로 : 프롬프트 엔지니어링의 정의 1-2-1. 왜 엔지니어링인가 1-2-2. 프롬프트 엔지니어링의 3단계 과정 : 피드백 루프 1-2-3. 단순 사용 vs 프롬프트 엔지니어링 1-3. 챗봇의 역사 : ELIZA에서 ChatGPT까지 1-4. 프롬프트 엔지니어링 주목받는 이유 1-4-1. 프롬프트 설계의 중요성 1-5. 프롬프트 엔지니어의 역할과 직업적 전망 1-5-1. 새로운 직업의 탄생 1-5-2. 프롬프트 엔지니어의 주요 업무 1-5-3. 요구되는 핵심 역량 제2장 생성 AI를 위한 자연어 기술 2-1. 컴퓨터는 언어를 어떻게 이해하는가 2-1-1. 자연어란 무엇인가 2-1-2. AI가 언어를 이해하는 파이프라인 2-1-3. 구문분석 vs 의미분석 vs 의미 파싱 2-2. 형태소 분석 : 언어의 최소 단위로 쪼개기 2-2-1. 형태소란 무엇인가 2-2-2. 형태소 분석이 프롬프트에 미치는 영향 2-3. 토큰화 : AI가 읽는 기본 단위 2-3-1. 토큰이란 무엇인가 2-3-2. 토큰이 중요한 실전 이유 3가지 2-4. 임베딩 : 단어를 숫자로 번역하기 2-4-1. 임베딩 (Embedding) 2-4-2. 임베딩의 마법 : 단어로 수학을 한다 2-4-3. 프롬프트 엔지니어링과의 연결 2-5. Word2Vec과 BERT : 임베딩의 진화 2-5-1. Word2Vec : 문맥에서 의미를 배운다 2-5-2. BERT : 문장 전체를 동시에 읽는 AI 2-6. RNN과 CNN : 딥러닝이 언어를 처리하는 방법 2-6-1. 딥러닝과 NLP의 만남 2-6-2. RNN : 순서를 기억하며 읽는 신경망 2-6-3. CNN : 패턴을 찾는 신경망 2-6-4. RNN vs CNN vs 트랜스포머 비교 2-7. 안티패턴 : 피해야 할 프롬프트 유형 2-7-1. 안티패턴이란 2-7-2. 6가지 안티패턴 2-7-3. 안티패턴 6가지 종합 비교 제3장 프롬프트 엔지니어링 학습 도구와 환경 3-1. ChatGPT 핵심 기능 : 프로젝트와 캔버스 3-1-1. 챗GPT 프로젝트 기능 (Projects) 3-1-2. 챗GPT 캔버스 (Canvas) 기능 3-2. 플레이그라운드와 핵심 파라미터 3-2-1. 플레이그라운드란 무엇인가 3-2-2. 온도 (Temperature) : 창의성의 조절 다이얼 3-2-3. Top-P : 단어 선택의 범위 조절 3-2-4. Frequency Penalty와 Presence Penalty : 반복 줄이기 3-2-5. Writing Style : AI 출력의 문체를 지정하라 3-2-6. 최대 토큰 (Max Tokens) : 출력 길이 제어 3-3. 시스템 프롬프트 vs 사용자 프롬프트 3-3-1. 두 프롬프트의 근본적 차이 3-3-2. 시스템 프롬프트 (System Prompt) 3-4. 이미지 생성 AI 실습 3-4-1. 이미지 생성 AI가 바꾸는 세상 3-4-2. 이미지 생성 프롬프트의 구성 요소 3-4-3. ChatGPT 이미지 생성 (GPT Image) 3-4-4. Midjourney 3-4-5. Stable Diffusion 3-4-6. FLUX 3-5. API 기초와 파이썬 연계 실습 3-5-1. API란 무엇인가 3-6. 파이썬으로 AI 다루기 (구글 코랩 실습) 3-6-1. 파이썬 기본 문법 익히기 3-6-2. 파이썬 자료형 통합 3-6-3. 파이썬 제어 구문 3-6-4. 파이썬으로 AI 다루기 (API 연계) 제4장 고품질 출력을 만드는 프롬프트 설계 원칙 4-1. 프롬프트 4대 구성 요소 4-1-1. 왜 구성 요소를 알아야 하는가 (RTCF) 4-1-2. 역할 (Role) : AI에게 페르소나를 부여하라 4-1-3. 작업 (Task) : AI에게 무엇을 해야 하는지 명확히 지시하라 4-1-4. 맥락 (Context) : AI에게 배경 정보를 제공하라 4-1-5. 형식 (Format) : 원하는 출력의 틀을 지정하라 4-1-6. 4대 요소 완전체 프롬프트 만들기 4-2. N-shot 프롬프팅 : 예시의 힘 4-2-1. 예시가 왜 강력한가 4-2-2. 제로샷 (Zero-shot) : 예시 없이 지시만 4-2-3. 원샷 (One-shot) : 예시 1개 제공 4-2-4. 퓨샷 (Few-shot) : 예시 여러 개 제공 4-2-5. 세 가지 방식 종합 비교 4-3. 체인 오브 소트 (Chain of Thought) : 단계적 사고 유도 4-3-1. 왜 단계적 사고가 필요한가 4-3-2. CoT가 특히 효과적인 작업 유형 4-4. 프롬프트 재사용과 나만의 명령 만들기 Part 4 프롬프트 엔지니어링 기술 기초활용 제1장 다양한 프롬프트 엔지니어링 기법 1-1. 고급 프롬프팅 기법 1-1-1. 페르소나 프롬프팅 (Persona Prompting) 1-1-2. 자기 일관성 프롬프팅 (Self-Consistency Prompting) 1-1-3. 단계적 지시 프롬프팅 (Step-by-Step Prompting) 1-1-4. 반론 유도 프롬프팅 (Devil’s Advocate Prompting) 1-1-5. JSON 출력 프롬프팅 1-2. 멀티모달 프롬프트 엔지니어링 1-2-1. 멀티모달 프롬프트 1-2-2. 플랫폼별 멀티모달 입력 유형 비교 1-2-3. ChatGPT 멀티모달 실습 1-3. 데이터 기반 프롬프트 엔지니어링 1-3-1. 데이터 기반 프롬프트 개념 1-3-2. Kaggle (캐글) 1-3-3. 텍스트 파일 기반 실습 ? CSV 데이터 분석 1-3-4. 이미지 파일 기반 실습 1-3-5. CSV 파일 인코딩 오류 해결 1-4. 분야별 실전 프롬프트 1-4-1. 작업 유형별 기본 프롬프트 1-4-2. IT 디자인 분야 1-4-3. IT 보안 분야 (참고) 1-4-4. 사무 분야 ? 엑셀 + AI 연계 (참고) 제2장 프롬프트 엔지니어 모델 다루기 2-1. 프롬프트 엔지니어링 모델 익히기 2-1-1. GitHub : 개발자들의 협업 공간 2-1-2. AI API 코드 읽기 2-2. Stable Diffusion 로컬 환경 구축 2-3. Stable Diffusion 핵심 파라미터 완전 정복 2-3-1. Stable Diffusion 프롬프트의 기본 구조 2-3-2. 체크포인트 (Checkpoint) 2-3-3. 샘플링 메소드 (Sampling Method) 2-3-4. 샘플링 스텝 (Sampling Steps) 2-3-5. 배치 사이즈 (Batch Size) 2-3-6. 배치 카운트 (Batch Count) 2-3-7. CFG Scale 2-3-8. 시드 (Seed) 2-3-9. 네거티브 프롬프트 (Negative Prompt) 2-3-10. LoRA 모델 2-3-11. VAE (Variational Autoencoder) 2-3-12. 업스케일링 (Upscaling) ? 저해상도를 고해상도로 2-3-13. 인페인팅·아웃페인팅 (Inpainting / Outpainting) 2-3-14. ControlNet : 구도와 자세를 정확히 통제하기 2-4. [실습 예시] 나의 첫 AI 이미지 생성하기 2-4-1. Step 1 ? 기본 모델 및 파라미터 설정 2-4-2. Step 2 ? 긍정 프롬프트 (Prompt) 입력 2-4-3. Step 3 ? 부정 프롬프트 (Negative Prompt) 입력 2-4-4. Step 4 ? 이미지 생성 및 저장 2-5. 이미지 생성 모델 선택 기준 2-6. ChatGPT 이미지 생성 스타일 카테고리 5종 2-6-1. 심화 웹툰 이미지 연속 컷씬 생성하기 2-7. Suno AI : 생성형 AI 음악 제작 (심화) 2-7-1. Suno AI 실습 순서 및 실전 프롬프트 2-8. 생성 AI 결과물 추출 2-8-1. [실습 1] ChatGPT 텍스트 역프롬프트 추출하기 2-8-2. [실습 2] Stable Diffusion 이미지 메타데이터 (PNG) 관찰형 제3장 프롬프트 설계 전략 수립 3-1. 결과물 추출의 전략적 활용 3-2. 추출한 프롬프트로 이미지 재생성하기 3-2-1. Copilot 프롬프트 추출 3-2-2. Stable Diffusion으로 키워드형 재생성 3-2-3. Midjourney로 문장형 재생성 3-3. 프롬프트 템플릿 활용 실습 3-3-1. 프롬프트 템플릿 활용이란 3-3-2. 고급 입력 기법 3종 ? 출력 품질을 높이는 프롬프트 설계 3-4. 이미지 스케치 멀티모달 연계 실습 3-4-1. 이미지 스케치 활용이 필요한 이유 3-4-2. 스케치 제작 및 멀티모달 실습 [심화 실습] 제4장 프롬프트 확장 프로그램 연계하기 4-1. 프롬프트 확장 프로그램 종류 4-1-1. 왜 확장 프로그램이 필요한가 4-1-2. 크롬 브라우저 확장 프로그램 4-1-3. 서비스 제공자 마켓 서비스 4-2. 프롬프트 연계 유형 4-2-1. 프롬프트 연계 4-2-2. 연계 적정성 점검 4-2-3. AIPRM 핵심 기능 이해 4-2-4. AIPRM으로 Midjourney 프롬프트 생성하기 4-2-5. /imagine prompt : Midjourney 핵심 명령어 4-2-6. 렌더링 (Rendering) 개념 4-2-7. Midjourney 주요 파라미터 이해 4-2-8. SlidesAI + AIPRM + ChatGPT 연계 ? 사업계획서 작성 워크플로우 4-3. 영상 생성 AI : 글과 이미지가 움직이기 시작하다 4-3-1. 영상 생성 AI 4-3-2. 음성 생성 AI : STT·TTS·보이스 클로닝 4-4. ChatGPT + 이미지 AI + 웹 디자인 툴(Canva 등) 연계 4-4-1. ChatGPT + 이미지 AI + 웹 디자인 툴 전체 연계 흐름 4-4-2. ChatGPT로 타깃 맞춤형 기획 및 프롬프트 생성 Part 5 프롬프트 엔지니어링 업무활용과 윤리의식 제1장 실무에서 활용하는 생성형 AI 1-1. 생성형 AI로 완성하는 비즈니스 문서 1-1-1. AI가 바꾸는 업무 방식 ? 백지 작성에서 편집 중심으로 1-1-2. 파운데이션 모델과 비즈니스 문서 작성 5단계 1-2. 생산성을 높이는 AI 도구 실전 활용 1-2-1. ChatGPT로 엑셀 데이터 분석하기 (예시) 1-3. Gemini + 구글 워크스페이스 실전 연동 1-3-1. Gemini의 이해 1-3-2. 구글 워크스페이스 + Gemini 개요 1-3-3. @태그 활용 ? Gmail·Docs·Sheets·Drive 1-3-4. 딥 리서치 (Deep Research) 기능 1-3-5. Gemini로 슬라이드(PPT) 1-4. 구글 앱 스크립트(Google Apps Script)를 활용한 업무 자동화 1-4-1. 구글 앱 스크립트의 개념 및 특징 1-4-2. 앱 스크립트로 자동화하는 업무 ? 활용과 경계 1-5. 노코드·맞춤형 AI와 비즈니스 도입 전략 1-5-1. 노코드·로우코드와 맞춤형 AI 어시스턴트 1-5-2. AI 도입 3단계 전략 및 적용 기준 제2장 생성형 AI로 만드는 생산성 혁명 2-1. 업무 효율성 향상 2-1-1. 생성 AI의 장점과 단점, 그리고 위험 요소 2-2. 하이퍼파라미터 실무 적용 2-2-1. 설정값이 결과를 바꾼다. 2-2-2. 사용 목적별 최적 설정값 조합표 2-3. 업무 자동화 전략 2-3-1. 생성 AI를 활용한 업무 자동화 4가지 유형 2-3-2. VoC 감정 분석 ? 고객 서비스 자동화 실전 2-4. 합성 데이터 (Synthetic Data) ? 시험 핵심 개념 2-4-1. 합성 데이터의 정의와 배경 2-4-2. 합성 데이터의 특징과 활용 분야 제3장 생성 AI의 저작권 문제 해결 3-1. AI가 만든 것의 주인은 누구인가 3-1-1. 저작권의 법적 정의와 주체 3-1-2. 국가별 AI 저작권 현황 3-1-3. AI 기본법 ? 인공지능 발전과 신뢰 기반 조성 등에 관한 법률 3-1-4. 인간의 창작적 기여 기준 3-1-5. 편집저작물 3-1-6. 저작권 등록 주의사항 3-2. 학습 데이터 저작권 이슈 3-2-1. 저작물 합법적 이용 3가지 3-2-2. AI 학습 단계별 저작권 이슈 3-2-3. AI 학습 데이터 저작권 ? 적법·위법 구분 3-3. 이용자가 알아야 할 저작권 원칙 3-3-1. 위험·안전 프롬프트 패턴 비교 3-3-2. 상업적 활용 시 안전 접근법 4가지 3-3-3. 창작자를 보호하는 기술 제4장 프롬프트 엔지니어를 위한 윤리 원칙 4-1. 프롬프트 엔지니어링 윤리 원칙 4-1-1. 생성 AI와 전통적 AI 비교 4-1-2. 생성형 AI의 5가지 위험 유형 4-2. AI 윤리 원칙 4-3. 프롬프트 엔지니어의 역할과 책임 4-3-1. 프롬프트 엔지니어의 역할과 책임 4-3-2. 학습 데이터와 결과물에 대한 책임 4-4. 설명 가능한 AI (XAI : Explainable AI) 제5장 프롬프트 보안 안전한 AI활용 5-1. 프롬프트 인젝션 : AI를 속이는 공격 5-1-1. 프롬프트 인젝션이란 5-1-2. 프롬프트 인젝션의 주요 유형 5-1-3. 프롬프트 인젝션 방어 5-2. 탈옥 : AI의 안전장치를 우회하려는 시도 5-2-1. 탈옥이란 무엇인가 5-2-2. 탈옥의 주요 패턴 5-2-3. 탈옥이 위험한 이유 5-3. 민감 정보와 AI : 반드시 알아야 할 보안 수칙 5-3-1. AI에 절대 입력하면 안 되는 정보 5-3-2. 기업 환경에서의 AI 보안 사고 유형 5-3-3. 안전한 AI 활용을 위한 개인 보안 수칙 5-4. 기업 환경에서의 AI 보안 5-5. 딥페이크와 AI 사기 5-6. 책임감 있는 AI 활용 제6장 프롬프트 엔지니어의 미래 6-1. AI 시대의 직업 변화 6-1-1. 직업의 소멸이 아닌 재정의 6-1-2. 프롬프트 엔지니어가 뜨는 이유 6-2. 업스킬링 전략과 핵심 역량 6-3. 합격 이후의 여정 AI-POT 2급 기출 재구성 문제 1~ 6회 AI-POT 2급 기출 재구성 문제 1회 AI-POT 2급 기출 재구성 문제 2회 AI-POT 2급 기출 재구성 문제 3회 AI-POT 2급 기출 재구성 문제 4회 AI-POT 2급 기출 재구성 문제 5회 AI-POT 2급 기출 재구성 문제 6회 AI-POT 모의고사 해설 1~ 6회 모의고사 1회 해설 모의고사 2회 해설 모의고사 3회 해설 모의고사 4회 해설 모의고사 5회 해설 모의고사 6회 해설