CIT 코딩 학원의 AI 교육은 AI 도구 사용법이 아니라, AI가 작동하는 원리를 이해하고 직접 설계·검증하는 역량에 집중합니다. 학생은 프로그래밍 경험 없이 시작할 수 있지만 프로젝트에 필요한 코딩 수준은 질문에 따라 달라지며, 최종 작업에 사용한 도구·코드·데이터·분석을 직접 이해하고 설명해야 합니다. 생물·인문·예술 등 비(非)CS 관심 분야도 AI + X 융합 트랙으로 독립 확장할 수 있습니다.
학생은 사용한 도구·AI 출력·코드·분석을 설명해야 합니다. 대회 수상·지원 결과는 보장하지 않습니다. | 최종 검토: 2026년 7월 11일
시작할 수 있습니다. 먼저 학생의 교과 관심과 질문을 정하고, 그 질문을 검증하는 데 필요한 데이터·통계·코딩을 단계적으로 배웁니다. 최종 결과에서는 학생이 사용한 라이브러리와 AI 도구의 역할, 코드, 데이터 출처, 오류와 한계를 직접 설명해야 합니다.
AI + X는 학생이 관심 있는 분야(X)와 AI가 만나는 지점에서 프로젝트를 설계하는 접근법입니다. 아래는 실제 수업에서 다루는 조합 사례입니다.
| 관심 분야 (X) | AI 프로젝트 방향 | 활용 기술 |
|---|---|---|
| 생명과학 | 승인된 공개 데이터로 의료 이미지 분류 또는 생물학적 패턴 비교 | Python, TensorFlow, 공개 데이터 |
| 인문·사회과학 | 공개 텍스트 감성 분석, 교육 도구 또는 정책 데이터 탐색 | NLP, Pandas, scikit-learn |
| 경제·경영 | 공공 경제 데이터 모델링 또는 인터랙티브 정책 시뮬레이터 | 데이터 분석, 회귀 모델 |
| 예술·음악 | 저작권·데이터 출처를 기록한 음악 패턴 분류 또는 접근성 도구 | MIDI 데이터, 설명 가능한 AI 도구 |
| 환경·지구과학 | 위성·기후·지자체 공개 데이터로 지역 문제 모델링 | CNN, GIS, 공개 데이터 |
선택한 조건의 예시가 없습니다. 조건을 넓히거나 진단에서 맞춤 방향을 요청해 주세요.
Python 경험 없이 시작할 수 있습니다. 다만 기초 학습 기간은 학생의 출발점과 프로젝트 범위에 따라 달라지고, 최종 결과에서는 검증된 라이브러리를 포함해 사용한 코드와 도구를 학생이 설명해야 합니다. 관련 상세 내용은 AI 포트폴리오 프로그램 페이지에서도 확인할 수 있습니다.
AI 프로젝트는 지원서용 물건이 아니라 학생이 직접 수행한 작업의 증거 체계입니다. 날짜, 역할, 질문, 새 기여, 방법, 데이터 출처, 결과, 한계, 반복 과정과 멘토 지원 범위를 남기는 CIT의 설계 단계는 다음과 같습니다.
학생에게 필요한 것은 특정 외부 프로그램을 복제하는 것이 아니라 자신의 교과 관심에서 출발한 질문, 새로운 증거, 정확한 역할과 설명 가능한 결과물입니다. 프로젝트 기간·개수·대회 실적에 대한 일률적인 선택 대학 공식은 없습니다.
이 원칙은 CIT 커리큘럼 전반에 적용됩니다. 한 주제를 학생의 일정에 맞춰 반복·검증하고 논문·대회·발표 같은 여러 결과물로 정리하면, 같은 프로젝트의 발전 과정과 실제 기여를 일관되게 설명할 수 있습니다. 고급 트랙에 관심 있다면 에이전틱 엔지니어링 과정도 참고하세요.
CIT의 AI 교육은 유아·초등 1학년부터 시작할 수 있습니다. AI 교육의 출발점은 'AI 도구를 다루는 법'이 아니라 '생각하는 법'이기 때문입니다. 유아·초등 저학년 시기에는 AI를 직접 배우지 않고, 모든 AI 학습의 토대가 되는 문제 해결력을 놀이와 활동으로 단단히 다집니다. 초등 시기의 학년별 학습 단계와 시작 시기 판단 기준은 초등 AI 교육 가이드에 정리되어 있습니다.
AI를 직접 다루기 전에, 다음 세 가지 사고력을 집중적으로 훈련합니다.
CIT가 생각하는 AI 교육의 본질은 기술 습득이 아니라 '사고의 확장'입니다. 아이는 자신의 생각을 어디까지 넓힐 수 있는지를 경험하고, 그 생각을 AI를 통해 어떻게 현실로 구현하는지를 배웁니다.
문제 해결의 기초가 잡힌 초등 중·고학년부터는 AI 리터러시로, 중학생은 Python 데이터 분석과 기초 머신러닝으로, 고등학생은 본격적인 AI 프로젝트 설계와 대회 준비로 자연스럽게 이어집니다. 학생의 나이와 수준에 맞춰 레벨 테스트로 최적의 출발점을 안내합니다.
CIT의 AI 커리큘럼은 학생의 사고 발달 단계에 맞춘 5단계로 구성됩니다. 문제 해결의 기초에서 출발해 AI 리터러시, 데이터 분석, 머신러닝을 거쳐 AI 프로젝트로 이어집니다.
| 단계 | 추천 대상 | 핵심 학습 |
|---|---|---|
| ① 문제 해결의 기초 | 유아·초등 저학년 | 문제 분해, 논리적·수학적 사고 (코딩·AI 없이) |
| ② AI 리터러시 | 초등 중·고학년 | AI 원리·역사·사례 이해, 비판적 시각 (코딩 없이) |
| ③ 데이터 분석 | 중학생 | Python·Pandas로 데이터 수집·정제·시각화 |
| ④ 머신러닝 | 중·고등학생 | 지도·비지도 학습, scikit-learn 모델 구현·평가 |
| ⑤ AI 프로젝트 | 고등학생 | 주제 선정→설계→발표, 포트폴리오·KSEF 대회 |
유아·초등 저학년부터 시작합니다. AI를 직접 다루기 전에, 큰 문제를 작게 나누는 분해적 사고, 순서와 규칙을 찾는 논리적 사고, 수와 패턴으로 해결하는 수학적 사고를 놀이와 활동으로 다집니다. 모든 AI 학습의 토대가 되는 단계입니다.
AI란 무엇인가, AI의 역사와 원리, 일상 속 AI 사례를 탐구합니다. 코딩 없이도 AI 개념을 이해하고, AI를 비판적으로 바라보는 눈을 기릅니다. 문제 해결의 기초를 다진 초등 중·고학년부터 시작합니다.
Python과 Pandas를 활용해 실제 데이터를 수집, 정제, 시각화하는 과정을 학습합니다. 데이터에서 패턴을 찾고 그 안에서 의미를 읽어내는 능력을 키웁니다.
지도 학습, 비지도 학습, 분류와 회귀의 개념을 이해하고, scikit-learn을 활용해 실제 머신러닝 모델을 구현합니다. 모델의 정확도를 평가하고 개선하는 과정을 경험합니다.
학생이 관심 있는 주제를 선정하고, 데이터 수집부터 모델 설계, 결과 발표까지 전 과정을 수행합니다. 포트폴리오로 활용 가능하며, KSEF 등 대회 출전과 입시 EC 활동(비교과 활동)으로 연결됩니다. 세부 내용은 포트폴리오 프로그램 페이지를 참고하세요.
AI 교육에서 익힌 데이터 분석, 통계, 논리적 추론과 과학적 방법론은 관련 교과를 더 깊게 이해하는 데 활용할 수 있습니다. 다만 성적 향상이나 입시 효과를 자동으로 보장하지 않으며, 교과 마감과 학생 저자 원칙을 먼저 지킵니다.
CIT 학생들은 학년에 맞춰 AI 프로젝트를 직접 설계하고 구현합니다. 자신의 관심 분야와 AI가 교차하는 구체적인 질문에서 출발한 프로젝트가 입시에서 가장 설득력 있습니다. 대표 사례는 다음과 같습니다.
프로젝트 경험은 학생이 직접 만들고 설명할 수 있을 때 학습·활동·포트폴리오 증거가 됩니다. Common App 등 지원서에 기재할 때는 학생의 정확한 역할, 기간, 결과와 멘토 지원 범위를 정직하게 표현합니다.
가능합니다. CIT는 압구정 오프라인 수업과 함께, 싱가포르·홍콩·미국 동부 등 해외 거주 한국 학생을 위해 1:1 온라인 AI 멘토십을 운영합니다. 온라인은 오프라인의 대안이 아니라 확장된 접근 방식입니다. 같은 커리큘럼, 같은 수준의 멘토가 시차에 맞춰 배정됩니다.
싱가포르(SGT UTC+8), 홍콩(HKT UTC+8), 미국 동부(ET UTC-4/5) 시간대에 맞춰 수업 일정 조율이 가능합니다. 수업 방식은 화상(Zoom·Google Meet) 1:1 세션으로 진행되며, 세션 녹화본을 제공해 복습을 지원합니다.
한국에 귀국을 앞두고 있다면 온라인으로 먼저 시작한 뒤 귀국 후 압구정 오프라인 수업으로 자연스럽게 전환할 수 있습니다. 자세한 내용은 온라인 수업 안내 페이지를 참고하거나 카카오톡으로 직접 문의해 주세요.
| 거주 지역 | 권장 수업 시간대 (KST 기준) | 주요 활용 트랙 |
|---|---|---|
| 싱가포르 (SGT) | 저녁 8–10시 KST (현지 저녁 7–9시) | AI+X 포트폴리오, AI 올림피아드 prep |
| 홍콩 (HKT) | 저녁 8–10시 KST (현지 저녁 7–9시) | AI+X 포트폴리오, KSEF 리서치 멘토십 |
| 미국 동부 (ET) | 오전 7–9시 KST (전날 저녁 6–8시 ET) | AI+X 포트폴리오, 귀국 전 선행 준비 |
CIT는 단순한 초기 아이디어를 학생의 관심사와 연결해, '왜 이 문제에 AI를 쓰는지'를 설명할 수 있는 한 주제 깊이의 프로젝트로 발전시킵니다. 결과물 개수보다 설명력과 정합성이 차별성을 만듭니다.
"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."
유아·초등 1학년부터 시작할 수 있습니다. 이 시기에는 AI를 직접 다루기보다 문제를 작게 나누는 분해적 사고, 논리적·수학적 문제 해결력 등 AI 학습의 토대를 먼저 다집니다. AI 리터러시 과정은 기초가 잡힌 초등 중·고학년부터 진행합니다.
프로그래밍 경험 없이 시작할 수 있습니다. 필요한 코딩 수준은 프로젝트에 따라 다르며, 학생은 최종 작업에 사용한 도구, AI 출력, 코드와 분석을 이해하고 설명할 수 있어야 합니다. 학생이 설명할 수 없는 코드나 출력을 제출물로 사용하지 않습니다.
시작할 수 있습니다. 생물·인문·경영·예술 등 교과 관심에서 질문을 정하고 프로젝트에 필요한 코딩, 데이터 수집·분석, 결과 해석과 발표를 단계적으로 배웁니다. 필요한 코딩 수준은 프로젝트에 따라 다르며 최종 작업의 모든 도구와 결과를 학생이 직접 설명해야 합니다.
① 관심 교과와 AI의 교차점 탐색 → ② 기존 평가 과제와의 경계 기록 → ③ 새 질문·데이터·사용자·방법 정의 → ④ 학생 주도 구현·분석 → ⑤ 결과·한계·데이터 출처 문서화 → ⑥ 해당 연도 규정과 지원 전형이 허용하는 대회, 학교 활동, 서비스 또는 포트폴리오로 연결합니다.
자신의 관심 분야와 AI가 교차하는 지점에서 실제 문제를 해결한 프로젝트가 가장 설득력 있습니다. 생명과학에 관심 있다면 의료 이미지 분류, 유전체 데이터 패턴 분석; 인문·사회라면 SNS 감성 분석, 정책 효과 예측; 예술이라면 이미지 생성 모델 파인튜닝이나 음악 패턴 분석이 가능합니다. 중요한 것은 'AI를 왜 이 문제에 적용했는지' 설명할 수 있는 논리입니다.
생성형 AI 도구(ChatGPT, Claude 등)를 활용하되, AI의 원리를 이해하고 비판적으로 평가하는 능력을 키웁니다. "AI가 말하는 것이 왜 옳은가, 왜 틀릴 수 있는가"를 스스로 판단할 수 있는 사고력이 목표입니다.
데이터 분석, 통계, 논리적 사고와 실험 설계 개념은 수학·과학 교과를 이해하고 관련 문제를 탐구하는 데 활용할 수 있습니다. 성적 향상을 보장하지 않으며, IB·AP 평가 과제는 학생이 직접 작성하고 별도의 프로젝트와 분리합니다.
KSEF (Korea Science & Engineering Fair), Technovation Girls, CAC (Congressional App Challenge), AI 해커톤 등이 대표적인 선택지입니다. 다만 참가 가능 여부는 대회마다 다릅니다. 지원 전에 해당 연도 공식 요강에서 ① 나이·학년 요건, ② 거주지·국적·지역 예선 요건, ③ 개인·팀 구성 규칙, ④ 예선에서 본선·국제 단계로 가는 진출 규칙을 각각 확인해야 합니다. 예를 들어 CAC (Congressional App Challenge)는 미국 연방 하원 선거구 단위로 진행되는 대회이고, Technovation Girls는 연령·팀 구성·성별 관련 규정이 있으며, AI 해커톤은 주최 측마다 참가 자격과 팀 규모가 다릅니다. KSEF (Korea Science & Engineering Fair)는 해당 연도 공고의 참가 자격과 지역 예선 절차를 따릅니다. AI 올림피아드 트랙에 관심이 있다면 USAAIO (USA AI Olympiad) 준비도 별도 과정으로 연결되는데, 공개 라운드 응시 조건과 이후 미국 국가대표팀·캠프 선발 자격은 서로 다를 수 있으므로 해당 시즌 공식 규정을 직접 확인하세요. 대회 일정과 준비 로드맵은 USAAIO 대회 준비 페이지를 참고하세요. 참가나 수상을 보장하지 않습니다.
가능합니다. 싱가포르·홍콩·미국 동부 거주 한국 학생을 위해 시차에 맞춘 1:1 온라인 AI 멘토십을 운영합니다. 압구정 오프라인 커리큘럼과 동일한 수준으로 진행되며, 카카오톡 또는 전화로 상담 후 레벨 테스트를 거쳐 시작합니다. 자세한 내용은 온라인 수업 안내 페이지에서 확인하세요.
가능합니다. 단, USAAIO (USA AI Olympiad / 미국 AI 올림피아드)는 공개 라운드(온라인 예선) 응시 조건과 이후 미국 국가대표팀·대표팀 캠프 선발 자격이 서로 다를 수 있습니다. 해당 시즌 공식 규정을 usaaio.org에서 직접 확인하세요. 한국 거주 학생이 국가대표를 목표로 한다면 IOAI (International Olympiad in Artificial Intelligence / 국제 인공지능 올림피아드) 한국 대표 선발 루트를 준비하게 됩니다. AI 포트폴리오 프로젝트와 올림피아드 수학·ML 이론 준비는 커리큘럼 선에서 병행 설계가 가능합니다. 대회 트랙 상세 내용은 USAAIO 준비 페이지를 참고하세요.
AI 교육, 어디서부터 시작해야 할지 고민이신가요? 레벨 테스트와 무료 상담을 통해 우리 아이에게 맞는 AI 학습 경로를 설계해 드립니다. 해외 거주 가정도 온라인으로 동일하게 상담 가능합니다.
ACADEMIC → INDEPENDENT EXTENSION → VERIFIABLE EC
성적과 학교 필수 제출물을 먼저 지킨 뒤, 새로운 질문의 학생 주도 프로젝트로 분기하고 해당 전형이 허용하는 증거만 기록합니다.
교과 지식 + 새로운 질문 + 새로운 증거 + 학생 주도성 + 검증 = 설명 가능한 EC
CIT는 학생이 배운 내용을 새로운 작업으로 확장하도록 돕습니다. 평가 과제를 복제하거나 학생 대신 학교 과제를 작성하거나 기존 작업을 새 대회 프로젝트로 제시하지 않습니다. 학생이 결정을 내리고 작업을 만들며 모든 부분을 설명할 수 있어야 합니다.
CIT는 평가 제출물을 복제하거나 학생 대신 과제를 작성하지 않으며 수상·국제대회 선발·합격을 보장하지 않습니다.