AI 문해력
제공 노트북과 합성 데이터로 핵심 계산을 재현하고 2분 안에 설명합니다.
English version
고등학생 16주 스튜디오
AI + Management모델에서 시장까지.
모델 성능을 사용자 가치, 제품 KPI, 책임 있는 출시 판단으로 연결하는 16주 고등학생 스튜디오. 온라인 또는 압구정 대면(오프라인), 1:1 개인 또는 1:n 소수 그룹으로 참여할 수 있습니다.
핵심 질문모델 점수가 아니라, 어떤 근거로 제품 결정을 내렸는가?
16주주 1회 스튜디오
72시간guided + independent
4단계준비도별 경로
AI와 경영은
두 과목이 아닙니다.
이 과정에서 AI는 답을 내는 도구가 아니라, 제품 결정을 검증하는 시스템입니다.
학생은 문제를 정의하고 데이터를 읽고 기준선을 만든 뒤 모델을 평가합니다. 그 결과를 PRD, KPI, 비용, 위험, 출시 판단으로 연결합니다.
50%AI, 데이터, 모델
30%제품, 사업 결정
20%윤리, 팀, 소통
- 문제누구의 어떤 불편인지 확인
- 데이터출처, 단위, 품질, 한계 기록
- 기준선 + AI같은 평가표에서 공정하게 비교
- 제품 KPI사용자 과업과 운영 비용 확인
- 결정go, iterate, stop과 다음 증거
Four readiness levels
학년보다
준비도로 시작합니다.
같은 16주 문제와 안전 기준을 공유하되 구현 깊이, 도구, 독립성을 조정합니다.
Grade 9-12는 권장 연령입니다. 진단 후 시작 경로를 정하고 학기 중에도 이동할 수 있습니다.
산출물 데이터 노트북, 단순 앱, 2분 설명
ML과 MVP
작은 모델과 MVP를 만들고 사용자 시험으로 PRD-lite와 sprint를 수정합니다.
모델과 제품 분석
하위 조건, 민감도, 모델 KPI와 제품 KPI를 비교해 decision memo를 씁니다.
제품, 벤처, 책임
팀 scope와 risk gate를 운영하고 capstone의 제한된 출시 결정을 방어합니다.
16-week curriculum
배우고 만들고,
판단하는 16주
매주 180분 guided studio와 90분 독립 작업을 진행합니다. 세부 회차 자료는 튜터와 수강생 LMS에 제공됩니다.
문제, 실행, 데이터, 기준선
- W01AI가 풀 문제와 풀지 않을 문제
- W02Python과 Jupyter 실행, 팀 운영
- W03데이터 문해력과 EDA memo
- W04ML 기준선과 성공 지표
평가, MVP, 한국어 NLP, 결정
- W05혼동행렬과 metric decision
- W06App Inventor MVP와 사용자 시험
- W07Stanza 한국어 NLP와 사용자 가치
- W08탐색, 게임, trade-off 결정
성능, 책임, 다면 평가, 안전
- W09딥러닝 cost-performance 실험
- W10강건성, 편향, model card
- W11mini-HELM과 제품 KPI
- W12연령 적합 AI 안전, 정책 감사
사업 판단과 capstone studio
- W13기회, 고객, 가치, 비용 판단
- W14Capstone sprint와 baseline
- W15Validation과 launch decision
- W16Demo day, pitch, postmortem
활동을 나열하는 대신,
결정의 근거를 남깁니다.
산출물은 한 번의 멋진 demo보다 학생이 무엇을 비교했고 왜 선택했는지 보여 주도록 설계합니다.
- 데이터와 모델 증거EDA memo, 비AI 기준선, ML과 NLP 실험, 혼동행렬, 하위 조건 평가
- 제품 증거문제 정의서, PRD-lite, MVP, 사용자 과업 시험, product KPI
- 결정 증거metric decision, model card, safety audit, business launch memo
- 운영 증거GitHub issue와 PR, sprint board, reviewer 기록, AI 사용 로그
- Capstone 증거재현 저장소, evaluation report, 5분 demo, pitch deck, postmortem
관심 분야는 달라도,
증거 기준은 같습니다.
- Korean AI Study Assistant Evaluator
- Sports Team Decision Lab
- Local Business AI Product
- School Sustainability AI
- Accessible School App
학부모가 검토하는 학습 기록
- 주차별 산출물과 다음 개선 질문
- 학생이 직접 작성한 decision memo와 reflection
- 코드, 데이터, 평가가 연결된 GitHub 기록
- AI 도움을 받은 부분과 학생이 직접 결정한 부분
- 최종 demo, pitch, postmortem과 다음 roadmap
모든 프로젝트에 적용하는 안전 경계
- 학생 개인, 민감, 얼굴, 위치, 건강, 가정, 성적 데이터 비수집
- 공개, 합성, 집계 데이터 우선과 출처, 버전 기록
- 학생 자동 평가, 분류, 감시 제품 제외
- 불확실성, 거절, 사람의 도움, 데이터 삭제 시점 명시
- AI 사용 로그와 학생의 현장 설명, 수정 확인
Standards and sources
공식 기준은
과정의 경계가 됩니다.
대학 강의를 복제하지 않습니다. 공식 문서의 개념과 도구 경계를 확인하고 CIT가 고등학생용 설명, 합성 데이터, 문제, rubric을 새로 작성합니다.
최종 검토: 2026-08-13 / 수업 전 공식 문서와 도구 상태 재확인
교육과 역량
- AI4K12Grade 9-12 progression과 Five Big Ideas
- CSTA StandardsAI, 데이터, 윤리, human-centred collaboration
- UNESCO AI Competency Framework학생 중심 AI 역량과 책임 있는 공동 창작
제품과 실행
- EntreCompIdeas and Opportunities, Resources, Into Action
- MIT App Inventor작은 AI MVP와 사용자 흐름
모델과 위험
- Stanford Stanza한국어 NLP pipeline과 오류 분석
- Stanford HELM다면, 투명, 재현 가능한 모델 평가
- NIST AI RMF위험 지도, 측정, 대응과 책임
시작 전에
확인할 질문
학생의 현재 Python 경험, 관심 분야, 독립 작업 습관을 확인하면 시작 수준을 더 정확히 정할 수 있습니다.
01Python을 처음 배우는 고등학생도 시작할 수 있나요?
가능합니다. Foundation은 제공 노트북과 고정 합성 데이터로 시작합니다. 함수와 표 처리 경험이 있다면 Applied, Advanced, Studio로 구현 깊이를 높입니다.
02학년별로 반이 고정되나요?
아닙니다. Grade 9-12를 대상으로 하지만 학년보다 준비도를 우선합니다. 진단 후 시작 경로를 정하고 과정 중에도 조정할 수 있습니다.
03AI와 경영은 어떤 비율로 배우나요?
권장 비중은 AI와 데이터 50%, 제품, 프로젝트, 사업 의사결정 30%, 윤리, 팀, 커뮤니케이션 20%입니다. 매주 기술 결과를 제품 결정과 연결합니다.
04부모는 학습 과정을 어떻게 확인하나요?
주차별 데이터 memo, notebook, 기준선 비교, PRD-lite, model card, decision memo, sprint 기록을 확인할 수 있습니다. 마지막에는 저장소, 평가 보고서, demo, pitch, postmortem이 남습니다.
05학생 개인 데이터를 AI 프로젝트에 사용하나요?
사용하지 않습니다. 실제 학생의 개인, 민감, 얼굴, 위치, 건강, 가정, 성적 데이터는 수집하거나 프로필로 만들지 않습니다. 공개, 합성, 집계 데이터를 우선합니다.
06실제 창업을 해야 수료할 수 있나요?
아닙니다. 수익이나 출시를 약속하는 과정이 아닙니다. 학생은 사용자 가치, 비용, 위험, 제품 KPI를 근거로 pilot, 개선, 중단 중 하나를 결정하고 그 과정을 설명합니다.
좋은 AI 프로젝트는
좋은 시작점에서 출발합니다.
현재 경험과 관심 분야를 확인하고 Foundation부터 Studio까지 맞는 경로를 함께 정합니다.