학생의 AI 프로젝트는 KOAI 1차 서류의 AI 포트폴리오이자 IOAI 실습 라운드와 미국 대학 입시로 이어지는 핵심 자산입니다. 좋은 프로젝트는 ① 직접 정의한 분명한 문제, ② 데이터, ③ 학습시킨 모델과 결과 검증, ④ 문서화로 완성되며, 튜토리얼 복제가 아니라 자기 문제에 적용해 발전시킨 결과물이 대회와 입시에서 인정받습니다. 코딩 경험이 적어도 노코드 도구와 공개 데이터로 첫 프로젝트를 시작할 수 있습니다.
게시일: 2026년 5월 28일
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.
특히 미국 대학 입시나 AI 올림피아드에서 인정받는 프로젝트는 공통점이 있습니다. 남이 만든 예제를 복제한 것이 아니라, 학생 자신이 발견한 문제를 자신의 데이터로 풀었다는 점입니다. 그래서 첫 단계인 문제 정의가 가장 중요합니다.
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, 과정, 결과, 배운 점을 README와 발표 자료로 정리해 GitHub에 공개합니다. 잘 정리한 기록이 곧 입시 포트폴리오와 대회 제출물의 바탕이 됩니다. 학생 GitHub 가이드 보기 →
하나 잘 만든 프로젝트는 여러 곳에서 동시에 힘을 발휘합니다. AI 올림피아드 준비와 입시 포트폴리오는 별개의 일이 아니라, 같은 프로젝트 경험에서 함께 자랍니다.
한국인공지능올림피아드 고등부 1차는 학생부·자기소개서와 함께 AI 포트폴리오로 평가됩니다. GitHub에 정리한 프로젝트가 그 증빙이 됩니다.
데이터를 직접 다루고 모델을 만들어 본 경험은 USAAIO의 실습형 라운드, IOAI의 데이터·모델 라운드에서 그대로 쓰입니다.
대입 학생부종합전형은 외부 포트폴리오를 직접 제출할 수 없지만, 프로젝트 경험은 교과 세특, 동아리·자율·진로활동, 면접 답변으로 드러납니다. 영재학교·과학고·SW 특성화고 입시와 SW특기자 전형에서는 자기주도 탐구 경험이 평가 요소가 됩니다.
Common App의 Activities와 Additional Information에서 GitHub 링크와 프로젝트를 풀어낸 과정이 STEM 지원자의 강력한 차별화가 됩니다.
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.
혼자서는 문제를 너무 크게 잡거나, 데이터에서 막히거나, 끝까지 완성하지 못하고 멈추기 쉽습니다. CIT는 학생의 관심사에서 출발해 끝낼 수 있는 크기로 문제를 다듬고, 데이터부터 문서화까지 한 프로젝트를 완성하는 전 과정을 1:1로 함께합니다. 완성한 프로젝트는 자연스럽게 입시 포트폴리오와 올림피아드 준비로 이어집니다. 압구정 오프라인 수업과 동일한 커리큘럼으로 온라인 1:1 세션도 운영합니다.
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.
가능합니다. Google Teachable Machine 같은 노코드 도구로 이미지·소리 분류 모델을 만들거나, scikit-learn의 짧은 예제 코드로 첫 모델을 시작할 수 있습니다. 중요한 것은 코드의 양이 아니라 문제를 정의하고 결과를 해석하는 능력입니다. CIT는 코딩 경험이 없는 학생도 단계적으로 끌어올리는 1:1 멘토링을 운영합니다.
표준 입문 도구는 Python, 데이터 처리용 NumPy와 pandas, 머신러닝용 scikit-learn, 딥러닝용 PyTorch, 그리고 무료로 GPU를 쓸 수 있는 Google Colab입니다. 데이터는 Kaggle과 공공데이터포털에서 구하고, 결과물은 GitHub에 정리합니다. 모두 무료로 시작할 수 있습니다.
AI 프로젝트는 하나의 결과물을 만드는 작업이고, AI 포트폴리오는 여러 프로젝트와 그동안의 성장 과정을 입시 자산으로 엮은 묶음입니다. 좋은 프로젝트 2~3개가 모여 포트폴리오가 됩니다. 프로젝트 제작법은 이 페이지에서, 입시 전략으로 엮는 법은 포트폴리오 설계 페이지에서 다룹니다.
입문 수준의 프로젝트는 집중하면 4~8주, 입시나 대회에서 보여줄 수준의 프로젝트는 데이터 수집과 개선을 반복하며 보통 2~6개월이 걸립니다. 한 주제를 꾸준히 발전시킨 기록이 짧은 프로젝트 여러 개보다 훨씬 가치가 큽니다.
튜토리얼은 출발점일 뿐입니다. 입시나 대회에서 평가되는 프로젝트는 학생이 직접 정의한 문제를 푸는 오리지널 작업입니다. 튜토리얼로 기술을 익힌 뒤, 자신의 데이터와 문제에 적용해 변형하고 발전시키는 단계가 반드시 필요합니다.
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)