안녕하세요, 여러분.
저는 현재 판교 소재 대기업 데이터 부서에서 데이터 엔지니어로 근무하고 있습니다.

현재 데이터엔지니어링의 핵심은 “데이터가 어떻게 파이프라인을 타고 들어와서,
어떻게 벡터화되어 저장되고, 결국 AI 에이전트가 이를 어떻게 활용하는지” 흐름을 이해하는 것입니다.

많은 분들이 여전히 데이터 엔지니어링과 AI 모델링을 별개의 영역으로 나누어 학습하며



"데이터는 준비됐는데 AI 성능은 왜 안 나오지?"

"RAG를 만들었는데 왜 엉뚱한 답만 할까?" 와 같은 막막한 벽에 부딪히곤 합니다. 저는 여러분이 이 두 영역을 관통하는 대체 불가능한 'AI 데이터 아키텍트'로 성장할 수 있도록 돕고자 합니다. 이 강의를 수강하시면, 단순히 
기능 구현을 넘어 '서비스가 가능한 수준'의 안목과 기술력을 얻게 됩니다. 교과서적인 이론보다는



"왜 현업에서는 단순 벡터 검색 대신 Hybrid Search와 Graph-RAG를 써야 하지?"
"복잡한 에이전트 시스템을 통제하기 위해 LangGraph가 왜 필요하지?" 와 같이 실무에서 겪게 될 구체적인 
문제들에 대한 명쾌한 해답과 해결책을 얻어가실 수 있습니다.

이 강의를 듣고 나시면 여러분은 파편화된 도구(Kafka, Spark, LangChain 등)의 사용법을 아는 수준을 넘어, 
원천 데이터의 수집부터 최신 AI 에이전트 서비스의 배포와 평가까지, 전체 파이프라인을 스스로 설계하고 
구축할 수 있는 '올라운더(All-rounder) 엔지니어로 확실하게 달라져 있을 것입니다.

안녕하세요, 여러분.
저는 현재 디지털 콘텐츠 구독 서비스 기업에서 Data Engineer로 근무하고 있습니다.

이 강의의 실습은 단순히 특정 도구의 명령어와 사용법을 외우는 ‘튜토리얼’이 아닙니다.

AI/LLM 시스템을 구축할 때 데이터 엔지니어가 필연적으로 마주치는 문제들을 “설계와 구현”으로 
돌파하는 경험을 드리는 데 모든 초점을 맞췄습니다.

"데이터 형태는 문제가 없는데 왜 모델 성능은 떨어질까요?"

학습 데이터와 서빙 데이터의 불일치(Training-Serving Skew)는 현업에서 가장 빈번하고 치명적인 실패 지점입니다. 단순히 파이프라인을 연결하는 것을 넘어, 데이터 누수(Leakage)와 시간 정합성 문제를 검증 쿼리로 
탐지하고, 신뢰할 수 있는 데이터 흐름을 설계하는 법을 학습합니다.


 "Feature Store 제품만 도입하면 해결될까요?"

도구를 도입하는 것보다 중요한 건 원리입니다. 오프라인에서 만든 피처를 온라인 저장소로 옮길 때의 신선도(TTL), 버전 관리, 그리고 정합성 문제를 직접 다뤄봅니다. 이를 통해 단순한 '사용자'가 아니라 
Offline/Online 분리의 의미를 꿰뚫는 엔지니어로 거듭납니다.


 "트래픽이 튀면 시스템이 멈추는데 어떡하죠?"

Kafka나 Flink 같은 도구 자체가 정답은 아닙니다. 실무에서는 재처리 안전성(Idempotency), 백프레셔(Backpressure), 그리고 GPU 병목 같은 운영 이슈가 반드시 터집니다. 우리는 장애 상황에서도 서비스가 
셧다운 되지 않도록 하는 SLO 관점의 운영 체크리스트와 최적화 패턴을 체득합니다.


 이 강의를 듣고 나시면 여러분은 막연했던 LLM/RAG 시스템의 문맥 관리부터 실시간 분산 처리의 
안정성 확보까지 AI 시대 데이터 엔지니어로서 무엇을 설계하고 어디까지 책임져야 하는지 또렷한 시야를 가진 
'단단한 엔지니어'로 성장해 계실 겁니다.