상세정보

“프로덕트 레벨에 맞는 설계란 무엇일까요?” 파운데이션 모델을 활용해 누구나 손쉽게 AI 애플리케이션을 만들 수 있는 시대가 되었다. 하지만 실제 프로덕트 레벨의 시스템을 구축하려면 단순한 API 호출이나 프롬프트 작성만으로는 충분하지 않다. 아이디어를 사용자가 만족하는 서비스로 완성하기 위해서 빠르게 변화하는 모델 환경과 기술 스택, 늘어나는 활용 가능성과 그에 따른 리스크 속에서 AI 애플리케이션을 안정적이고 효과적으로 설계하고 운영해야 한다.

이 책은 현업의 이러한 고민에 명쾌한 해답을 제시하는 AI 엔지니어링 실전 가이드이다. 프롬프트 엔지니어링, RAG, 파인튜닝, 에이전트, 데이터셋 설계 등의 다양한 기법부터 평가 지표 설계, 인프라 최적화, 사용자 피드백을 통한 개선 루프 구축까지, AI 모델을 실제 서비스로 연결하기 위한 전 과정을 체계적으로 설명한다. 파운데이션 모델을 ‘어떻게 쓸 것인가’에 그치지 않고, 어떤 문제를 해결할 수 있는지, 또 이를 어떤 방식으로 설계하고 발전시킬 수 있도록 가이드한다.

파운데이션 모델을 사용하는 단계를 넘어 신뢰받는 AI 프로덕트를 설계, 운영, 개선하고자 고민하는 모든분께 이 책을 추천한다.

출판사 책 소개

AI 시스템 기획부터 설계 그리고 운영까지, 이론과 현실의 간극을 메우는 AI 엔지니어링의 정수를 현실적이고 효율적으로 담은 새로운 표준
아이디어를 프로토타입으로 구현하는 일은 한층 쉬워졌지만, 그것을 신뢰할 수 있는 AI 제품으로 만드는 일은 전혀 다른 이야기입니다. 웹과 생성형 AI에 흩어진 단편적인 지식만으로는 복잡한 프로덕션 환경에서 맞닥뜨리는 문제들을 풀어내기 어렵습니다. 『AI 엔지니어링』은 바로 이 지점에서 출발해, 파운데이션 모델을 활용한 AI 애플리케이션의 기획부터 설계, 운영까지 전 과정을 아우르는 최신 실무 가이드로, 추상적인 이론이 아니라 현업의 간극을 메워줄 체계적인 프레임워크를 제시합니다.
이 책은 프롬프트 엔지니어링, RAG, 파인튜닝, 추론 최적화, 아키텍처 설계에 이르기까지 실무자가 반드시 알아야 할 지식을 유기적으로 연결해 설명합니다. 단순히 기술을 나열하는 데 그치지 않고, 실제 팀이 겪는 고민과 의사결정의 맥락까지 함께 다루어, 기술과 현장의 현실을 균형 있게 조망할 수 있도록 이끕니다. 이는 현업에서 당장 적용 가능한 통찰과 함께, 장기적인 성장에 필요한 원칙을 동시에 제공하는 구성이기도 합니다.
무엇보다 이 책이 돋보이는 점은 평가(Evaluation)를 부록이 아닌 핵심 주제로 삼았다는 것입니다. AI 시스템의 품질과 신뢰성은 평가 없이는 담보할 수 없기에, 두 개의 장을 할애해 성능과 신뢰성을 확보하는 평가 방법론을 집중 조명합니다. 이를 통해 ‘감’이 아닌 데이터에 기반한 의사결정 원칙을 세울 수 있게 해 주며, 전작 『머신러닝 시스템 설계』가 그랬듯 빠르게 변하는 AI 생태계 속에서도 흔들림 없는 기본기를 다져주는 든든한 교과서이자 레퍼런스로 자리매김할 것입니다.

명확한 개념과 로드맵 제시: AI 엔지니어링이 기존 ML 엔지니어링과 어떻게 다른지 정의하고, 성공적인 AI 애플리케이션 개발을 위한 전체적인 시야와 전략을 제공합니다.
성능과 효율을 극대화하는 핵심 전략: 프롬프트 엔지니어링, RAG, 파인튜닝 등 최신 기법을 단순히 나열하는 것을 넘어, 언제 무엇을 사용해야 하는지에 대한 명확한 기준과 트레이드오프를 제시합니다.
데이터 기반 의사결정 능력 강화: 수많은 모델과 기술 속에서 프로젝트의 성공을 이끌 최적의 조합을 선택할 수 있도록, 체계적인 평가 파이프라인 설계 방법과 실용적인 지표 선택 가이드를 제공합니다.
실전 운영 노하우: 지연 시간, 비용 등 현실적인 제약 속에서 AI 시스템을 배포하고 운영하기 위한 실용적인 최적화 방안을 학습합니다.
지속 가능한 시스템 구축: 사용자 피드백을 체계적으로 수집하고 반영하여, 한 번의 구축으로 끝나는 것이 아니라 지속적으로 개선되는 AI 시스템을 만드는 방법을 익힙니다.

주요 내용
AI 엔지니어링의 개념과 ML 엔지니어링과의 차이점 분석
애플리케이션 개발 과정에서 마주치는 과제와 해결 전략
프롬프트 엔지니어링, RAG, 파인튜닝, 에이전트, 데이터셋 설계 등의 주요 기법
지연 시간과 비용을 고려한 모델 배포 및 운영 최적화 방안
목적에 적합한 모델, 데이터셋, 평가 기준 및 지표 선택 방법
사용자 피드백 기반의 반복 가능한 개선 루프 구축

누구를 위한 책인가요?
LLM과 파운데이션 모델을 실무에 도입하거나 확장하려는 AI/ML 엔지니어
모델 평가, 데이터셋 설계, 파인튜닝 기법을 실제 프로젝트에 적용하고 싶은 데이터 과학자 및 연구원
AI 애플리케이션 개발 과정을 이해하고 팀과 협업해야 하는 프로덕트 매니저 및 기획자
전통적 ML에서 LLM 기반 개발로 전환하며 새 과제를 마주한 ML 개발자