환급 챌린지에 참여한 이유

   나는 원래 LLM을 활용한 RAG 개념을 어느 정도 이해하고 있었지만, 실제 현업처럼 로컬 환경에서 오픈소스 모델을 직접 다루며 시스템을 완성해보고 싶다는 갈증이 있었다. 기존에 경험했던 RAG는 대부분 클라우드 API 기반이었고, 사용량에 따른 비용 부담이 늘 고민이었다. 그래서 “추가 비용 없이도 프로덕트를 만들 수 있을까?”라는 질문이 챌린지 참여의 출발점이 되었다. 특히 환급 챌린지는 단순히 강의를 듣고 끝내는 것이 아니라, 끝까지 완주하고 스스로 과제를 해내야만 환급을 받을 수 있기에 그 자체가 강력한 동기부여가 되었다. 도중에 힘들어도 포기하지 않고 끝까지 달려야 한다는 압박감이 오히려 긍정적으로 작용했다. 나에게는 학습을 꾸준히 이어가도록 하는 일종의 자기 통제 장치였다. 그래서 이 제도가 단순한 환급 프로그램을 넘어 자기 성장의 발판이 되었다고 생각한다.

  또한 이번 과정을 선택한 또 다른 이유는 일일 챌린지를 통해 나의 학습 습관을 기르고 싶었기 때문이다. 단순히 강의만 수강하는 것이 아니라 매일 일정량의 학습을 이어가야 하는 구조는 내가 그동안 부족하다고 느꼈던 자기 규율을 보완할 좋은 기회였다. 배움에 대한 의지를 생활 습관으로 전환할 수 있다는 점에서 이 챌린지의 취지가 마음에 들었다. 무엇보다 배우고 싶었던 내용을 배우면서, 동시에 일정 조건을 달성하면 환급까지 받을 수 있다는 점은 실질적인 동기부여로 작용했다. “배움 자체가 보상으로 이어진다”라는 경험은 생각보다 큰 만족감을 주었다.

    물론 이상적으로만 흘러가지는 않았다. 실제로 회사를 다니면서 매일 과제를 수행하고 학습을 이어가는 일은 예상보다 훨씬 벅찼다. 특히 퇴근 후 집중력을 유지하는 것이 쉽지 않았고, 때로는 과제를 마치기 위해 잠을 줄여야 하는 상황도 있었다. 하지만 그런 어려움 속에서도 끝까지 밀고 나간 경험은 단순한 지식 습득 이상의 성취감을 안겨주었다. 오히려 이런 압박이 있었기에 나 스스로의 한계를 다시 확인할 수 있었고, 꾸준히 학습하는 습관이 몸에 배는 계기가 되었다.

왜 이 강의를 선택했는지 (얻고 싶었던 것과 실제 얻은 것)

강의 선택에는 두 가지 이유가 있었다.

첫째는 테디노트의 강의 추천이었다. 평소 다양한 AI 강의를 찾아보면서 테디노트가 소개하는 과정을 신뢰하게 되었다. 특히 이 강의가 단순한 RAG 기초가 아니라 Agent까지 확장된다는 점이 매력적이었다. 단순히 정보를 불러오는 수준을 넘어, 실제 시스템 안에서 스스로 동작하는 Agent를 설계하는 과정은 내게 꼭 필요한 부분이었다.

둘째는 강사인 케인님의 이력과 콘텐츠였다. 유튜브에서 접했던 영상과 프로필을 통해 다양한 LLM 프로젝트를 실무에서 직접 다뤄왔다는 점을 알 수 있었다. 이런 경험은 이론적인 설명보다 훨씬 큰 가치를 줄 것이라고 판단했다.

실제로 얻은 것는실제로 강의를 수강하면서 얻은 것은 기대와 크게 다르지 않았다. 단순히 RAG 파이프라인을 이해하는 수준을 넘어, 로컬 LLM을 활용해 Qdrant 같은 벡터DB를 직접 연결할 수 있었다. 또한 OpenWebUI와 같은 UI를 붙여 배포 가능한 형태로 구축하는 방법도 배웠다.

처음에는 환경 세팅에서 오류도 많이 발생했고, 모델이 원하는 대로 작동하지 않는 경우도 있었다. 하지만 강의에서 제시한 가이드와 직접 검색을 병행하면서 문제를 해결해 나가는 과정 자체가 값진 경험이었다. 무엇보다 오픈소스만으로도 충분히 실용적인 시스템을 만들 수 있다는 자신감을 얻게 된 것이 가장 큰 성과였다.

강의의 특징과 아쉬운 점은 강의는 RAG 자체의 원리나 세부 기술보다 Agent의 개념과 활용법에 더 초점이 맞춰져 있었다. 덕분에 LLM 기반의 RAG가 어떻게 동작하는지보다는, Agent가 어떤 상황에서 쓰일 수 있고 어떤 구조로 연결해 활용할 수 있는지를 더 깊이 이해하게 되었다.

기술적인 원리 자체를 깊이 파고들었다기보다는 "이 기술을 이렇게 사용할 수 있다"라는 사용법 위주의 내용이었다. 실제적인 도움은 되었지만, 동시에 다소 아쉬움도 남았다.

내가 진짜 배우고 싶었던 부분은 LLM Agent가 복잡한 문제 상황을 마주했을 때 스스로 문제를 풀어내는 전략을 어떻게 설계할 수 있는지였다. 예를 들어 여러 개의 Agent가 협업해야 하는 상황이나, 모호하거나 불완전한 데이터로부터 답을 찾아야 하는 상황에서의 아키텍처적 선택 같은 설계적 관점이 더해졌다면 훨씬 만족도가 높았을 것이다.

이 강의만의 장점

    솔직히 말하면 커리큘럼 자체가 아주 풍부하거나 다양한 사례를 담고 있다고 보기는 어려웠다. 하지만 강의의 가장 큰 장점은 강사님의 설명력이었다. 복잡한 개념을 불필요하게 늘리지 않고 핵심만 짚어주는 방식은 오히려 이해에 도움이 되었다. 이론 설명과 실습을 번갈아 가며 진행하는 흐름이 자연스러워서 학습 리듬을 유지하기도 쉬웠다. 특히 LCEL, LangGraph 같은 주제는 문서로만 접했을 때는 이해가 어려웠는데, 강의를 통해 시각적으로 따라가며 배울 수 있어 훨씬 명확해졌다.

물론 아쉬운 점도 있었다. 예를 들어 더 많은 실전 프로젝트나 산업별 사례가 포함되었더라면, 배운 개념을 바로 현실에 적용하는 상상을 하기에 더 좋았을 것 같다. 하지만 최소한 Agent와 RAG를 연결하는 큰 그림을 잡는 데에는 부족함이 없었다. 결과적으로 이 강의는 기초를 다지고 실습 경험을 쌓기 위한 과정으로는 충분히 가치가 있었다.

강의를 추천하고 싶은 사람

    나는 이 강의를 클라우드 비용이 부담스럽고, 로컬 환경에서 직접 오픈소스를 활용해보고 싶은 사람에게 추천하고 싶다. 특히 “단순히 챗봇 하나 띄워본 경험은 있지만, Agent까지 확장해보고 싶은 개발자”에게 적합하다고 생각한다. 최신 논문만 읽으면서 감만 잡는 것보다, 실제 구현을 통해 배우는 것이 훨씬 도움이 되는 사람들에게도 권하고 싶다. 또한 회사에서 파일럿 수준의 RAG 프로젝트를 검토하고 있는 팀이나, 사내 POC를 준비하는 사람들에게도 유익할 것이다. 이 강의를 통해 단순히 개념 이해를 넘어, 실무에 적용 가능한 최소한의 경험치를 확보할 수 있기 때문이다.

다음으로 듣고 싶은 강의

   이번 과정은 입문자도 이해할 수 있도록 구성되어 있었지만, 그래서인지 조금 더 심화된 RAG/Agent 시스템을 원하게 되었다. 단순히 구축하는 수준을 넘어, 산업별 응용 사례와 정량적 평가 기법까지 배우고 싶다. 예를 들어 의료 데이터에서 환자 기록을 검색·분석하는 RAG 시스템이나, 금융 데이터에서 리스크를 평가하는 RAG 시스템 등 실제 도메인 적용 사례가 포함된 강의라면 훨씬 실질적인 도움이 될 것이다. 또한 단순히 구축만 하는 것이 아니라, RAGAS나 LangSmith 같은 툴을 통해 성능을 측정하고 최적화하는 과정을 배우고 싶다. 시스템을 제대로 운영하려면 단순히 모델을 붙이는 것만으로는 부족하고, 지표와 데이터 기반으로 개선해 나가는 과정이 필수이기 때문이다. 따라서 다음에는 좀 더 고급 수준의 강의를 통해 이 부분을 채우고 싶다.

   여기에 더해, 앞으로는 Agent to Agent 협업 구조에 대한 학습에도 관심이 많다. 단일 Agent가 특정 기능만 수행하는 것을 넘어서, 여러 Agent가 서로 메시지를 주고받으며 협력적으로 문제를 해결하는 구조를 실제로 구현해보고 싶다. 특히 로컬 환경과 로봇 같은 물리적 장치, 혹은 실제 비즈니스 시나리오를 접목해 실무에 가까운 상황을 시뮬레이션하는 과정이 제공된다면 큰 도움이 될 것이다. 또한 최근 주목받는 MCP(Multi-Component Protocol)와 Agent를 연결해 활용하는 방법을 배우고, 이를 통해 보다 유연하고 확장성 있는 시스템을 설계해보고 싶다.

   마지막으로 단순히 로컬 환경에서 실행하는 수준을 넘어, 실제 클라우드 서비스 환경에서 배포하고 운영하는 법을 배우고 싶다. AWS, Azure, GCP 같은 주요 클라우드 플랫폼을 통해 구축한 시스템을 배포하고 모니터링하며, 이를 자동화하기 위한 GitHub Actions 같은 CI/CD 도구도 함께 다루는 강의라면 실무적으로 훨씬 유용할 것이다. 이러한 고급 과정은 나 같은 수강자들이 단순히 기술을 배우는 데 그치지 않고, 실제 서비스 가능한 형태로 발전시킬 수 있도록 도와줄 것이라 생각한다.

앞으로의 계획

    앞으로의 커리어 계획은 명확하다. 나는 LLM 연구자로 성장하고 싶다. 특히 바이오와 의료 영역에서 LLM과 RAG를 접목하는 프로젝트를 주도하는 것이 장기적인 목표다. 의료 데이터는 민감하고 복잡하기 때문에, 안전하면서도 효과적으로 활용할 수 있는 도메인 특화형 RAG와 Agent 시스템이 필요하다. 이러한 분야에서 전문성을 갖추는 것이 내 커리어의 큰 방향이다.

    이직 목표 역시 이와 맞닿아 있다. AI 기술을 실제 산업과 접목해 구체적인 문제를 해결하는 회사에서 경험을 쌓고 싶다. 자기계발 차원에서는 LLM 프로덕트를 혼자 처음부터 끝까지 설계하고 구현할 수 있는 역량을 키우고자 한다. 파인튜닝, 데이터 전처리, RAG, Agent까지 이어지는 전체 파이프라인을 스스로 만들어낼 수 있어야 한다. 더 나아가 향후에는 로봇 제어나 Agent-to-Agent 협업까지도 탐구하고 싶다. 이번 강의는 그 긴 여정의 첫 걸음이자, 내가 더 큰 그림을 그릴 수 있도록 방향을 잡아준 출발점이었다.