학생의 AI 프로젝트는 직접 정의한 문제, 출처가 분명한 데이터, 학생이 이해하는 코드·도구, 결과 검증과 한계 기록으로 완성됩니다. 튜토리얼이나 학교 평가 과제를 새 작업처럼 다시 제출하지 않고, 학생이 새 질문·데이터·방법 또는 사용자를 더해 모든 결정을 설명해야 합니다. 프로그래밍 경험 없이 탐색을 시작할 수 있지만 필요한 코딩 수준은 프로젝트에 따라 달라지며, 대회·입시 활용은 해당 연도 공식 규정과 전형이 허용하는 범위에서 결정합니다.
게시일: 2026년 5월 28일 | 최종 수정: 2026년 7월 11일
AI 프로젝트는 화려한 기술을 쓰는 작업이 아니라, 분명한 문제를 끝까지 푸는 작업입니다. 모델의 정확도가 조금 낮더라도, 문제를 잘 정의하고 과정을 정직하게 기록한 프로젝트가 훨씬 좋은 평가를 받습니다.
외부 검증이나 지원서 활용을 고려한다면 학생의 정확한 역할과 출처를 기록해야 합니다. 남이 만든 예제를 복제하거나 평가받은 학교 과제를 새 작업처럼 다시 내지 않고, 학생이 새 질문·데이터·방법·사용자 또는 평가를 추가했는지 확인합니다.
좁고 구체적인 한 문장으로 설명되는 문제. 데이터를 구할 수 있어야 합니다.
잘 풀렸는지 숫자나 눈으로 확인할 수 있어야 합니다. 평가지표가 있어야 합니다.
성공뿐 아니라 실패와 개선 과정을 남긴 기록이 진짜 실력을 보여줍니다.
내가 풀고 싶은 문제를 한 문장으로 정합니다. "AI로 멋진 것"이 아니라 "우리 학교 급식 잔반을 사진으로 분류해 줄이기"처럼 좁고 분명한 문제가 좋습니다. 이 단계에서 데이터를 구할 수 있는지도 함께 확인합니다.
직접 데이터를 모으거나 공개 데이터셋(Kaggle, 공공데이터포털, Google Dataset Search)을 찾습니다. 데이터를 살펴보고 빠진 값과 잘못된 값을 정리하는 과정이 프로젝트의 절반을 차지합니다.
scikit-learn이나 PyTorch로 모델을 만들어 데이터로 학습시킵니다. 처음부터 복잡한 모델을 쓰기보다, 가장 단순한 모델로 전체 흐름이 돌아가는지 먼저 확인하는 것이 좋습니다.
모델이 얼마나 잘 맞히는지 평가지표로 측정하고, 데이터를 더 모으거나 모델을 바꿔 가며 개선합니다. 무엇을 바꿨더니 결과가 어떻게 달라졌는지 기록하는 것이 핵심입니다.
동기, 학생의 역할, 과정, 결과, 한계와 배운 점을 README나 발표 자료로 정리합니다. 공개·대회 제출·입시 활용은 개인정보, 학교 정책과 해당 기관의 공식 규정이 허용하는 범위에서 선택합니다. 학생 GitHub 가이드 보기 →
한 프로젝트가 보고서·데모·발표·저장소 같은 여러 산출물을 만들 수 있지만, 자동으로 여러 활동이나 제출 자격이 되지는 않습니다. 대회와 대학·전형마다 허용하는 자료가 다르므로 공식 규정을 확인하고 학생의 역할을 일관되게 보고합니다.
KOAI의 부문·서류·평가 방식은 해당 연도 공식 요강을 확인합니다. 포트폴리오나 링크가 요구되는 경우에도 학생의 실제 기여와 설명 가능한 작업만 제출합니다.
데이터와 모델을 다룬 경험은 AI 대회 준비의 기초가 될 수 있습니다. 실제 라운드 형식·허용 도구·자격은 해당 시즌 USAAIO·IOAI 공식 규정을 확인합니다.
제출 가능한 활동과 외부 자료는 대학·전형·연도별로 다릅니다. 학교에서 확인 가능한 활동인지, 어떤 형식으로 기록되는지 먼저 확인하고 허용되지 않는 외부 링크나 자료를 임의로 제출하지 않습니다.
미국 대학마다 외부 링크·보충 자료 열람 정책이 다릅니다. 허용되는 경우 프로젝트의 문제, 학생 역할, 검증 결과와 한계를 간결하게 설명하며 링크 열람을 가정하지 않습니다.
입시 정책(학생부 반영 범위, 자기소개서 운영 등)은 해마다 바뀌므로 지원 연도 요강을 확인하세요. 지금 쌓은 프로젝트 기록은 당장 제출하지 않더라도 학교생활기록부와 면접에서 풀어낼 근거로 축적됩니다.
올림피아드 선발 구조와 출제 범위는 국제인공지능올림피아드(IOAI) 가이드에서, 입시 자산으로 엮는 법은 AI 포트폴리오 설계에서 확인하세요.
AI 프로젝트는 CS 전공 희망자만의 것이 아닙니다. 관심 분야가 무엇이든 그 분야의 문제에 AI를 적용할 수 있습니다. 아래는 분야별 출발점입니다.
| 관심 분야 | 프로젝트 아이디어 | 난이도 |
|---|---|---|
| 생명·의학 | 의료 이미지 분류, 식물 잎 질병 판별, 공공 보건 데이터 분석 | 중급 |
| 인문·사회 | 뉴스 댓글 감성 분석, 역사 텍스트 키워드 분석, 설문 데이터 시각화 | 입문 |
| 경영·경제 | 중고 거래 가격 예측, 리뷰 자동 분류, 매출 데이터 추세 분석 | 입문 |
| 예술·디자인 | 생성형 AI 이미지 실험, 음악 장르 분류, 색상 추천 도구 | 중급 |
| 환경·지구과학 | 분리수거 이미지 분류, 미세먼지 예측, 위성 이미지 변화 감지 | 심화 |
| 일상·교육 | 손글씨 숫자 인식, 급식 잔반 분류, 학습 시간 추천 챗봇 | 입문 |
입문 프로젝트는 표 형태 데이터와 scikit-learn으로, 중급 이상은 이미지·텍스트와 딥러닝(PyTorch)으로 확장됩니다. 개념이 더 필요하다면 머신러닝과 딥러닝 가이드를 먼저 읽어 보세요.
대부분의 학생 AI 프로젝트는 다음 도구만으로 충분합니다. Python(언어), NumPy·pandas(데이터 처리), scikit-learn(머신러닝), PyTorch(딥러닝), Google Colab(무료 GPU 실행 환경), GitHub(결과물 공유). 데이터는 Kaggle과 공공데이터포털에서 무료로 받을 수 있습니다. 모두 설치 비용 없이 웹 브라우저만으로 시작할 수 있습니다.
참고: colab.research.google.com · kaggle.com/datasets · data.go.kr
코딩이 처음이라면 Google Teachable Machine으로 이미지·소리 분류 모델을 코드 없이 만들어 보며 AI의 원리를 먼저 체험한 뒤, Python 코드로 넘어가는 방법을 권합니다.
문제가 너무 큼
"AI로 세상을 바꾸기"는 끝낼 수 없습니다. 좁히고 또 좁혀야 합니다.
튜토리얼 복제로 끝냄
예제를 그대로 따라 하고 멈추면 프로젝트가 아닙니다. 내 데이터에 적용해야 합니다.
데이터를 건너뜀
모델부터 만들려다 막힙니다. 데이터 살펴보기가 먼저입니다.
기록을 안 남김
과정 없이 결과만 남기면 실력을 증명할 수 없습니다. 그때그때 기록해야 합니다.
CIT는 개념과 도구를 가르치고, 선택지를 설명하며, 질문·디버깅 전략·재현성에 피드백합니다. 학생은 연구 질문, 데이터·방법 선택, 코드, 분석, 결론과 제출 문서를 직접 만들고 모든 부분을 설명해야 합니다. 멘토가 학생 대신 최종 코드나 보고서를 작성하지 않으며, 대회·입시 활용은 해당 공식 규정을 먼저 확인합니다.
자신이 관심 있거나 불편함을 느끼는 구체적인 문제에서 시작하는 것이 가장 좋습니다. 막연하게 'AI로 무언가'가 아니라 '우리 동네 분리수거를 사진으로 자동 분류하기'처럼 좁고 분명한 문제일수록 끝까지 완성하기 쉽습니다. 좋은 주제는 데이터를 구할 수 있고, 결과를 눈으로 확인할 수 있으며, 나에게 의미가 있는 문제입니다.
프로그래밍 경험 없이 탐색을 시작할 수 있습니다. 노코드 도구나 짧은 예제로 개념을 익힐 수 있지만, 필요한 코딩 수준은 프로젝트에 따라 달라집니다. 최종 결과물에서는 학생이 사용한 도구, 데이터, 생성되거나 수정된 코드와 결과를 직접 이해하고 설명해야 합니다.
Python, NumPy·pandas, scikit-learn·PyTorch, Google Colab 등이 흔한 선택지지만 모두 필요한 것은 아닙니다. 프로젝트 질문과 학생 수준에 맞춰 최소 도구부터 고르고 라이선스·사용료·개인정보 조건을 해당 시점에 확인합니다. 학생은 사용한 도구와 코드의 역할을 설명할 수 있어야 합니다.
AI 프로젝트는 하나의 질문을 탐구하거나 결과물을 만드는 작업입니다. 포트폴리오는 학생의 정확한 역할, 과정, 코드·데이터 출처, 결과, 한계와 검증 자료를 사실대로 정리한 증거 체계입니다. 필요한 프로젝트 수에 공식은 없으며 하나의 깊은 프로젝트도 여러 산출물을 만들 수 있습니다. 대학·전형이 허용하는 자료만 제출합니다. 포트폴리오 설계 페이지에서 자세히 다룹니다.
기간은 질문의 범위, 선수 지식, 데이터·승인 확보, 주당 시간과 학교 마감에 따라 달라집니다. 먼저 학생이 독립적으로 끝낼 수 있는 최소 범위를 정하고 시험·과제 일정을 보호하며 단계별로 검토합니다. 고정된 주수나 개월 수를 입시 기준으로 사용하지 않습니다.
튜토리얼은 기술 연습이며 그대로 새로운 독창 프로젝트가 되지는 않습니다. 출처를 밝히고 학생이 새 질문, 데이터, 방법, 사용자 또는 평가를 추가해 자신의 결정을 설명해야 합니다. 평가받은 학교 과제의 보고서·코드·그림·결론은 새 제출물처럼 재사용하지 않습니다.
초기의 단순한 아이디어를 'AI 토론 도구'라는 방향까지 확장해 주신 점이 정말 좋았습니다. 아이가 원래 토론과 사회 이슈에 관심이 많은데, 그 관심사와 프로젝트가 자연스럽게 연결되니 완성도와 차별성이 훨씬 커질 것 같습니다.
개별 학생의 경험이며 동일한 결과를 보장하지 않습니다.
참고 자료 (Sources)