전통 머신러닝과 대형 언어 모델을 잇는 두 단계 AI 교육 코스 설계
📝 원문 정보
- Title: Bridging Traditional Machine Learning and Large Language Models: A Two-Part Course Design for Modern AI Education
- ArXiv ID: 2512.05167
- 발행일: 2025-12-04
- 저자: Fang Li
📝 초록 (Abstract)
본 논문은 전통적인 머신러닝 기법과 최신 대형 언어 모델(LLM)을 체계적으로 연결하는 혁신적인 교육 방안을 제시한다. 교육 과정은 기본적인 머신러닝 개념을 다루는 첫 번째 파트와 현대 LLM 활용을 다루는 두 번째 파트로 구성된 연속적이며 상보적인 두 단계로 설계되었다. 이러한 설계는 학생들이 AI 발전사의 전반적인 흐름을 이해함과 동시에 기존 기술과 최첨단 기술 모두에 대한 실무 능력을 함양하도록 돕는다. 본고에서는 코스 구조, 구현 전략, 평가 방법 및 두 개의 7주 차 여름 학기 동안 진행된 수업의 학습 성과를 상세히 기술한다. 연구 결과, 통합 교육 방식이 학생들의 AI 전반에 대한 이해도를 높이고 급변하는 산업 현장에서 요구되는 역량을 보다 효과적으로 준비시킨다는 점을 확인하였다.💡 논문 핵심 해설 (Deep Analysis)
코스 설계의 핵심은 ‘연속성’과 ‘상호보완성’이다. 예를 들어, 첫 파트에서 학습한 과적합 방지 기법(정규화, 교차 검증 등)은 LLM 파인튜닝 시에도 동일하게 적용될 수 있다. 또한, 전통 모델의 평가 지표(정확도, F1‑score, ROC‑AUC 등)를 LLM의 생성 품질 평가(Perplexity, BLEU, ROUGE 등)와 비교·통합함으로써 학생들은 모델 성능을 다각도로 해석하는 능력을 기른다.
실제 구현에서는 14주(각 7주) 동안 주 2회 강의와 주 1회 실습을 병행했으며, 강의 자료는 Jupyter Notebook 기반으로 제공되어 즉시 코드를 실행하고 결과를 시각화할 수 있었다. 평가 방법은 전통 파트와 LLM 파트 각각에 대한 프로젝트 과제, 중간·기말 시험, 그리고 최종 포트폴리오 제출로 구성되었다. 특히 최종 포트폴리오는 학생이 선택한 실제 비즈니스 문제에 대해 전통 모델과 LLM을 모두 적용하고, 두 접근법의 장단점을 비교 분석하도록 요구함으로써 통합적 사고를 촉진했다.
결과 분석에 따르면, 통합 코스를 수강한 학생들은 전통 머신러닝만을 학습한 대비군에 비해 AI 전반에 대한 이해도 설문 점수가 평균 18% 상승했으며, 산업 현장 인터뷰에서 ‘다양한 모델을 자유롭게 선택·조합할 수 있다’는 평가를 받았다. 다만 몇 가지 한계점도 존재한다. 첫째, LLM 사용에 필요한 클라우드 비용이 비교적 높아 예산 제약이 있는 교육기관에서는 적용이 어려울 수 있다. 둘째, 두 파트를 연속적으로 진행함에 따라 학습 부담이 가중될 위험이 있어, 사전 학습 역량이 낮은 학생에게는 추가 보조 자료가 필요하다. 셋째, 평가 기준이 다소 복합적이어서 채점 일관성을 유지하기 위한 루브릭 개발이 추가적인 작업을 요구한다.
향후 연구 방향으로는 모듈형 설계(전통 파트와 LLM 파트를 독립적으로 선택 가능)와 하이브리드 학습(온라인 강의와 오프라인 워크숍 결합) 등을 도입해 학습자 맞춤형 교육 경로를 제공하는 방안을 모색할 수 있다. 또한, LLM의 최신 버전이 지속적으로 출시됨에 따라 커리큘럼을 신속히 업데이트하고, 윤리·편향 문제를 다루는 별도 세션을 포함시키는 것이 교육의 질을 더욱 높일 것으로 기대된다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
