커리큘럼 홈
Phase 6

산업별 프로젝트 & 취업

Phase 6: 산업 프로젝트 & 캡스톤 (8주)

Week 41-48 | 실제 산업 도메인에서 FDE 역량 검증

이 Phase에서는 지금까지 배운 모든 기술을 실제 산업 문제에 적용하고, FDE로서의 역량을 포트폴리오로 증명합니다.

🚀 Phase 6를 시작하며

Phase 1-5에서 FDE에 필요한 모든 기술을 학습했습니다.

이제 실제 산업 문제에 적용할 차례입니다.

Phase 6에서는:

  • 산업 도메인 심화 (금융/헬스케어/제조 중 선택)
  • 모든 기술을 통합한 캡스톤 프로젝트
  • 포트폴리오 완성
  • 면접 대비

Phase 1-5의 기술 역량 + Phase 6의 도메인 전문성 = FDE Ready

📚 Phase 6 전체 목표

이 Phase를 완료하면 다음을 할 수 있습니다:

  • 실제 산업 도메인의 데이터 문제 해결
  • End-to-End 데이터 플랫폼 설계 및 구축
  • 산업별 온톨로지/Knowledge Graph 구축
  • AI 기반 인사이트 시스템 개발
  • 프로덕션 수준의 완성된 프로젝트 포트폴리오
  • FDE 역량 증명 (기술 면접 대비)

Phase 6 구조

Week 41-42: 산업 도메인 심화 학습
Week 43-44: 캡스톤 프로젝트 Part 1 (설계 & 데이터)
Week 45-46: 캡스톤 프로젝트 Part 2 (핵심 기능 구현)
Week 47-48: 캡스톤 프로젝트 Part 3 (완성 & 발표)

Week 41-42: 산업 도메인 심화 학습

학습 목표

  • 3개 산업 도메인 중 1개 선택 및 심화 학습
  • 도메인별 데이터 특성 이해
  • 산업별 온톨로지/표준 학습
  • 도메인 전문가 관점 습득

선택 가능한 도메인

Option A: 금융/핀테크

## 금융 도메인 개요

### 핵심 데이터
- 시장 데이터: 주가, 거래량, 호가
- 거래 데이터: 주문, 체결, 결제
- 리스크 데이터: 신용, 시장, 운영 리스크
- 규제 데이터: 공시, 감독 보고서

### 주요 온톨로지/표준
- **FIBO** (Financial Industry Business Ontology)
  - 금융 상품, 계약, 조직 정의
  - 2,457개 클래스 (2025)
- **FIX Protocol** (거래 메시지 표준)
- **ISO 20022** (금융 메시징 표준)

### 도메인 특수성
- 실시간 처리 요구 (밀리초 단위)
- 규제 준수 필수 (KYC/AML, Basel)
- 높은 데이터 정합성 요구
- 감사 추적 (Audit Trail) 필수

### 참고 자료
- [FIBO GitHub](https://github.com/edmcouncil/fibo)
- [야후 파이낸스 API](https://pypi.org/project/yfinance/)
- [한국거래소 공시 API](https://data.krx.co.kr/)

Option B: 헬스케어/바이오

## 헬스케어 도메인 개요

### 핵심 데이터
- 임상 데이터: EMR/EHR, 진단, 처방
- 유전체 데이터: DNA 시퀀싱, 변이
- 영상 데이터: X-Ray, MRI, CT
- 연구 데이터: 임상시험, 논문

### 주요 온톨로지/표준
- **FHIR** (Fast Healthcare Interoperability Resources)
  - 157개 리소스 (R5 기준)
  - REST API 기반
- **SNOMED-CT** (의학 용어 표준)
- **ICD-10/11** (질병 분류 코드)
- **Gene Ontology** (유전자 기능 분류)

### 도메인 특수성
- 개인정보 보호 (HIPAA, 개인정보보호법)
- 데이터 익명화/가명화 필수
- 높은 정확도 요구 (생명 관련)
- 상호운용성 중요

### 참고 자료
- [FHIR Documentation](https://www.hl7.org/fhir/)
- [SNOMED CT Browser](https://browser.ihtsdotools.org/)
- [Gene Ontology](http://geneontology.org/)

Option C: 제조/공급망

## 제조 도메인 개요

### 핵심 데이터
- IoT 센서 데이터: 온도, 압력, 진동
- 생산 데이터: 작업지시, 실적, 품질
- 설비 데이터: 가동률, 고장, 유지보수
- 공급망 데이터: 주문, 재고, 물류

### 주요 온톨로지/표준
- **OPC-UA** (산업 통신 표준)
- **ISA-95** (제조 통합 표준)
- **Digital Twin** 개념
- **Supply Chain Ontology**

### 도메인 특수성
- 시계열 데이터 중심
- Edge Computing 요구
- 예측 정비 (Predictive Maintenance)
- 실시간 모니터링

### 참고 자료
- [OPC Foundation](https://opcfoundation.org/)
- [ISA-95 Documentation](https://www.isa.org/isa95/)
- [Azure Digital Twins](https://azure.microsoft.com/en-us/products/digital-twins)

산업별 핵심 문제 유형

산업핵심 문제데이터 특성기술 요구
금융사기 탐지, 신용 평가, 포트폴리오 최적화정형, 실시간스트리밍, ML
헬스케어질병 예측, 약물 상호작용, 진단 보조비정형, 민감NLP, KG
제조예측 정비, 품질 관리, 공급망 최적화시계열, 대용량IoT, 시계열 ML

실습: 도메인 리서치 리포트

## 과제 6-1: 도메인 리서치 리포트

### 요구사항

1. 3개 도메인 중 1개 선택
2. 리서치 리포트 작성 (A4 10페이지 이상):
   - 도메인 개요 및 시장 현황
   - 핵심 데이터 유형 및 흐름
   - 주요 온톨로지/표준 분석
   - 데이터 문제 및 기회 (3개 이상)
   - FDE로서 해결 가능한 프로젝트 제안

3. 실제 데이터 확보 계획:
   - 공개 데이터셋 조사
   - API 접근 방법
   - 합성 데이터 생성 계획

### 평가 기준
- 도메인 이해도 (30점)
- 기술적 분석 깊이 (30점)
- 프로젝트 실현 가능성 (20점)
- 데이터 확보 계획 (20점)

Week 43-44: 캡스톤 프로젝트 Part 1

학습 목표

  • 프로젝트 범위 정의 및 설계
  • 데이터 파이프라인 구축
  • 온톨로지/스키마 설계
  • 개발 환경 구성

캡스톤 프로젝트 옵션

Option A: 금융 인텔리전스 플랫폼

## 프로젝트: AI 금융 인텔리전스 플랫폼

### 프로젝트 개요
실시간 금융 데이터를 수집, 분석하여 투자 인사이트를 제공하는
End-to-End 플랫폼 구축

### 기술 스택
- **데이터 수집**: Airflow, Python
- **스트리밍**: Kafka (또는 Kinesis)
- **저장소**: PostgreSQL, Neo4j, Pinecone
- **분석**: Spark, pandas
- **AI**: LangChain, RAG, Multi-Agent
- **인프라**: AWS, Docker, Kubernetes
- **프론트엔드**: Next.js

### 핵심 기능

#### 1. 데이터 파이프라인
- 실시간 주가 수집 (Yahoo Finance API)
- 뉴스 수집 및 분석 (네이버 뉴스 API)
- 공시 데이터 수집 (DART API)
- 재무제표 ETL

#### 2. Knowledge Graph
- FIBO 기반 금융 온톨로지
- 기업 관계 그래프 (경쟁, 공급, 투자)
- 이벤트 영향 전파 추론

#### 3. AI 분석 시스템
- RAG 기반 리포트 Q&A
- GraphRAG 기반 관계 분석
- Multi-Agent 리서치 시스템
- 자동 투자 리포트 생성

#### 4. 대시보드
- 실시간 시장 현황
- Knowledge Graph 시각화
- AI 인사이트 표시
- 알림 시스템

### 데이터 소스
- Yahoo Finance API (무료)
- 네이버 뉴스 API (무료)
- DART 공시 API (무료)
- 한국투자증권 API (무료/유료)

### 아키텍처

┌────────────────────────────────────────────────────────────┐
│                Financial Intelligence Platform              │
├────────────────────────────────────────────────────────────┤
│                                                             │
│  [데이터 소스]                                               │
│  ├── Yahoo Finance API                                     │
│  ├── 네이버 뉴스 API                                        │
│  ├── DART 공시 API                                         │
│  └── 한국투자증권 API                                       │
│                                                             │
│  [데이터 수집 레이어]                                        │
│  ├── Airflow (배치)                                        │
│  └── Kafka/Kinesis (실시간)                                │
│                                                             │
│  [저장 레이어]                                               │
│  ├── PostgreSQL (정형 데이터)                               │
│  ├── Neo4j (Knowledge Graph)                               │
│  └── Pinecone (Vector Store)                               │
│                                                             │
│  [분석 레이어]                                               │
│  ├── Spark/pandas (데이터 분석)                             │
│  ├── RAG Engine (문서 Q&A)                                 │
│  ├── GraphRAG (관계 분석)                                   │
│  └── Multi-Agent (리서치)                                   │
│                                                             │
│  [서비스 레이어]                                             │
│  ├── FastAPI (백엔드)                                       │
│  ├── MCP Server (Claude 연동)                              │
│  └── Next.js (프론트엔드)                                   │
│                                                             │
│  [인프라]                                                    │
│  ├── AWS (EKS, RDS, S3)                                    │
│  ├── Docker/Kubernetes                                     │
│  └── Terraform (IaC)                                       │
│                                                             │
└────────────────────────────────────────────────────────────┘

Option B: 헬스케어 인사이트 플랫폼

## 프로젝트: AI 헬스케어 인사이트 플랫폼

### 프로젝트 개요
의료 데이터를 통합하고 AI로 분석하여 임상 의사결정을 지원하는 플랫폼

### 기술 스택
- **데이터**: FHIR, SNOMED-CT
- **저장소**: PostgreSQL, Neo4j
- **AI**: LangChain, Medical NLP
- **인프라**: AWS (HIPAA 고려)

### 핵심 기능

#### 1. FHIR 데이터 통합
- Patient, Observation, Condition 리소스 처리
- 다양한 EMR 시스템 데이터 통합
- 데이터 정규화 및 매핑

#### 2. Medical Knowledge Graph
- SNOMED-CT 기반 질병-증상 관계
- 약물 상호작용 그래프
- 환자-진단-처방 관계

#### 3. AI 임상 지원
- 유사 환자 검색
- 진단 보조 (증상 기반)
- 약물 상호작용 경고
- 문헌 기반 Q&A (PubMed)

### 데이터 소스 (합성/공개)
- MIMIC-IV (MIT 의료 데이터, 신청 필요)
- Synthea (합성 환자 데이터, 무료)
- PubMed (의학 논문, 무료)
- RxNorm (약물 데이터, 무료)

### 주의사항
- 실제 환자 데이터 사용 불가 (개인정보)
- Synthea로 합성 데이터 생성
- HIPAA 준수 설계 학습

Option C: 스마트 제조 플랫폼

## 프로젝트: AI 스마트 제조 플랫폼

### 프로젝트 개요
제조 IoT 데이터를 분석하여 예측 정비 및 품질 관리를 수행하는 플랫폼

### 기술 스택
- **데이터**: 시계열 센서 데이터
- **스트리밍**: Kafka, Spark Streaming
- **저장소**: TimescaleDB, InfluxDB
- **AI**: 이상탐지, 시계열 예측

### 핵심 기능

#### 1. IoT 데이터 파이프라인
- 센서 데이터 실시간 수집
- Edge 전처리 시뮬레이션
- 시계열 DB 저장

#### 2. 예측 정비
- 이상 탐지 (Isolation Forest, Autoencoder)
- 잔여 수명 예측 (RUL)
- 정비 스케줄링 최적화

#### 3. 품질 관리
- SPC (통계적 공정 관리)
- 불량 예측 및 원인 분석
- Digital Twin 시각화

### 데이터 소스
- NASA Turbofan Engine Degradation (공개)
- SECOM Manufacturing (Kaggle)
- 합성 IoT 데이터 생성

Part 1 마일스톤

## Week 43-44 마일스톤

### Week 43: 설계 단계

#### Day 1-2: 프로젝트 정의
- [ ] 프로젝트 범위 문서화 (PRD)
- [ ] 핵심 기능 목록 (MVP 정의)
- [ ] 성공 기준 정의

#### Day 3-4: 아키텍처 설계
- [ ] 시스템 아키텍처 다이어그램
- [ ] 데이터 흐름 다이어그램
- [ ] 기술 스택 확정
- [ ] 인프라 설계 (비용 추정 포함)

#### Day 5: 온톨로지/스키마 설계
- [ ] 도메인 온톨로지 설계
- [ ] DB 스키마 설계
- [ ] API 인터페이스 설계

### Week 44: 데이터 파이프라인

#### Day 1-2: 개발 환경 구성
- [ ] GitHub 저장소 설정
- [ ] Docker Compose 환경
- [ ] CI/CD 파이프라인 기본 구성

#### Day 3-4: 데이터 수집 구현
- [ ] 데이터 소스 연동
- [ ] ETL 파이프라인 구현 (Airflow)
- [ ] 데이터 품질 검증

#### Day 5: 저장소 구축
- [ ] PostgreSQL 스키마 적용
- [ ] Neo4j 초기 데이터 로딩
- [ ] Vector Store 설정

### 산출물
1. 프로젝트 정의서 (PRD)
2. 아키텍처 문서
3. 온톨로지/스키마 문서
4. 동작하는 데이터 파이프라인
5. 개발 환경 (Docker Compose)

Week 45-46: 캡스톤 프로젝트 Part 2

학습 목표

  • 핵심 기능 구현
  • AI/ML 컴포넌트 개발
  • Knowledge Graph 구축
  • API 개발

Part 2 마일스톤

## Week 45-46 마일스톤

### Week 45: 핵심 기능 구현

#### Day 1-2: Knowledge Graph
- [ ] 온톨로지 Neo4j 구현
- [ ] 데이터 → Triple 변환
- [ ] 기본 추론 규칙 구현
- [ ] 그래프 시각화

#### Day 3-4: RAG 시스템
- [ ] 문서 처리 파이프라인
- [ ] Vector Store 인덱싱
- [ ] RAG Chain 구현
- [ ] 기본 Q&A 테스트

#### Day 5: API 개발
- [ ] FastAPI 엔드포인트 구현
- [ ] 인증/인가
- [ ] API 문서화 (OpenAPI)

### Week 46: AI 기능 구현

#### Day 1-2: Advanced RAG
- [ ] Hybrid Search 구현
- [ ] Re-ranking 적용
- [ ] GraphRAG 연동

#### Day 3-4: Agent 시스템
- [ ] Multi-Agent 설계
- [ ] Tool 구현
- [ ] Agent 테스트

#### Day 5: 통합 테스트
- [ ] E2E 테스트
- [ ] 성능 테스트
- [ ] 버그 수정

### 산출물
1. 동작하는 Knowledge Graph
2. RAG 시스템 (평가 포함)
3. Multi-Agent 시스템
4. API 서버
5. 테스트 결과 리포트

품질 기준

## 캡스톤 품질 기준

### 코드 품질
- [ ] Type hints 적용 (Python)
- [ ] 문서화 (docstring)
- [ ] 단위 테스트 커버리지 ≥ 60%
- [ ] 린팅 통과 (ruff/pylint)

### AI 품질
- [ ] RAG Faithfulness ≥ 0.8
- [ ] RAG Relevancy ≥ 0.75
- [ ] Agent 성공률 ≥ 80%

### 성능
- [ ] API 응답 시간 < 2초 (일반)
- [ ] Agent 응답 시간 < 30초
- [ ] 데이터 파이프라인 SLA 준수

### 보안
- [ ] 인증/인가 구현
- [ ] 입력 검증
- [ ] 민감 정보 보호

Week 47-48: 캡스톤 프로젝트 Part 3

학습 목표

  • 프론트엔드 및 대시보드 완성
  • 프로덕션 배포
  • 문서화 및 발표 준비
  • 포트폴리오 완성

Part 3 마일스톤

## Week 47-48 마일스톤

### Week 47: 완성 및 배포

#### Day 1-2: 프론트엔드
- [ ] Next.js 대시보드
- [ ] Knowledge Graph 시각화
- [ ] AI 인사이트 UI
- [ ] 반응형 디자인

#### Day 3-4: 배포
- [ ] Kubernetes 배포 (또는 Vercel/Railway)
- [ ] 환경 변수 관리
- [ ] SSL/HTTPS 설정
- [ ] 모니터링 설정

#### Day 5: QA
- [ ] UAT (User Acceptance Test)
- [ ] 버그 수정
- [ ] 성능 최적화

### Week 48: 문서화 및 발표

#### Day 1-2: 문서화
- [ ] README.md 완성
- [ ] 아키텍처 문서 최종화
- [ ] API 문서 완성
- [ ] 배포 가이드

#### Day 3: 데모 준비
- [ ] 데모 시나리오 작성
- [ ] 데모 데이터 준비
- [ ] 스크린캐스트 녹화

#### Day 4-5: 발표
- [ ] 발표 자료 작성 (10-15분)
- [ ] 발표 리허설
- [ ] 최종 발표

### 산출물
1. 배포된 플랫폼 (URL)
2. GitHub 저장소 (완성)
3. 기술 문서
4. 발표 자료
5. 데모 영상 (5-10분)

📊 캡스톤 평가 기준

전체 평가 (100점)

## 캡스톤 평가 루브릭

### 1. 기술 구현 (40점)

#### 데이터 파이프라인 (10점)
- [ ] 데이터 수집 자동화 (3점)
- [ ] ETL/ELT 파이프라인 (4점)
- [ ] 데이터 품질 검증 (3점)

#### Knowledge Graph (10점)
- [ ] 온톨로지 설계 적절성 (3점)
- [ ] Triple 추출 정확도 (4점)
- [ ] 추론 규칙 구현 (3점)

#### AI/RAG 시스템 (10점)
- [ ] RAG 품질 (Faithfulness ≥ 0.8) (4점)
- [ ] Agent 기능 동작 (3점)
- [ ] 에러 핸들링 (3점)

#### 인프라 (10점)
- [ ] 클라우드 배포 (4점)
- [ ] CI/CD 파이프라인 (3점)
- [ ] 모니터링 (3점)

### 2. 코드 품질 (20점)

- [ ] 코드 가독성/구조 (5점)
- [ ] 테스트 커버리지 (5점)
- [ ] 문서화 (5점)
- [ ] 보안 고려 (5점)

### 3. 비즈니스 가치 (20점)

- [ ] 문제 정의 명확성 (5점)
- [ ] 솔루션 적합성 (5점)
- [ ] 사용자 경험 (5점)
- [ ] 확장 가능성 (5점)

### 4. 발표 및 커뮤니케이션 (20점)

- [ ] 발표 구성 및 흐름 (5점)
- [ ] 기술 설명 명확성 (5점)
- [ ] 데모 품질 (5점)
- [ ] Q&A 대응 (5점)

### 등급 기준
- 90점 이상: A (FDE Ready)
- 80점 이상: B (Good)
- 70점 이상: C (Needs Improvement)
- 70점 미만: D (Incomplete)

📁 포트폴리오 구성

GitHub 저장소 구조

capstone-project/
├── README.md                    # 프로젝트 개요
├── docs/
│   ├── ARCHITECTURE.md          # 아키텍처 문서
│   ├── API.md                   # API 문서
│   ├── DEPLOYMENT.md            # 배포 가이드
│   └── EVALUATION.md            # 평가 결과
├── src/
│   ├── data/                    # 데이터 파이프라인
│   ├── graph/                   # Knowledge Graph
│   ├── ai/                      # AI/RAG/Agent
│   ├── api/                     # Backend API
│   └── web/                     # Frontend
├── tests/                       # 테스트
├── infra/                       # Terraform/K8s
├── docker-compose.yml
└── .github/workflows/           # CI/CD

README.md 템플릿

# [프로젝트명]

> [한 줄 설명]

## 데모

- **라이브 데모**: [URL]
- **데모 영상**: [YouTube 링크]

## 스크린샷

[대시보드 스크린샷]

## 기술 스택

| 영역 | 기술 |
|------|------|
| 데이터 파이프라인 | Airflow, Spark, Delta Lake |
| 저장소 | PostgreSQL, Neo4j, Pinecone |
| AI/ML | LangChain, RAG, CrewAI |
| 인프라 | AWS, Kubernetes, Terraform |
| 프론트엔드 | Next.js, Tailwind CSS |

## 아키텍처

[아키텍처 다이어그램]

## 주요 기능

### 1. [기능 1]
- 설명
- 기술적 특징

### 2. [기능 2]
...

## 설치 및 실행

```bash
# 클론
git clone [repo-url]
cd [project]

# 환경 변수
cp .env.example .env

# 실행
docker-compose up -d

API 문서

[Swagger UI 링크]

평가 결과

메트릭결과
RAG Faithfulness0.85
Agent 성공률82%
API 응답 시간1.2초

배운 점 / 도전

...

향후 계획

...

라이선스

MIT


---

## 📚 면접 대비

### FDE 기술 면접 예상 질문

```markdown
## 데이터 엔지니어링

1. **파이프라인 설계**
   - "데이터 파이프라인 장애 대응 전략은?"
   - "배치 vs 스트리밍 선택 기준은?"
   - "데이터 품질 보장 방법은?"

2. **분산 시스템**
   - "Spark에서 OOM이 발생하면?"
   - "Airflow DAG 설계 원칙은?"
   - "Delta Lake의 ACID는 어떻게 동작하는가?"

## Knowledge Graph

3. **온톨로지**
   - "온톨로지와 스키마의 차이점은?"
   - "Triple Store의 장단점은?"
   - "SPARQL vs Cypher 비교"

4. **Graph 알고리즘**
   - "PageRank의 원리와 활용?"
   - "커뮤니티 탐지 알고리즘?"
   - "GraphRAG가 일반 RAG보다 좋은 경우?"

## GenAI

5. **LLM 활용**
   - "RAG vs Fine-tuning 선택 기준?"
   - "Hallucination 줄이는 방법?"
   - "프롬프트 엔지니어링 기법?"

6. **Agent**
   - "Agent 루프의 동작 원리?"
   - "Multi-Agent 시스템 설계 원칙?"
   - "MCP의 목적과 장점?"

## 클라우드/인프라

7. **AWS**
   - "서버리스 vs 컨테이너 선택 기준?"
   - "VPC 설계 원칙?"
   - "비용 최적화 전략?"

8. **Kubernetes**
   - "Pod vs Deployment vs StatefulSet?"
   - "서비스 메시의 필요성?"
   - "Auto-scaling 전략?"

포트폴리오 발표 가이드

## 10분 발표 구성

### 1. 문제 정의 (2분)
- 어떤 문제를 해결하려 했는가?
- 왜 이 문제가 중요한가?
- 기존 솔루션의 한계는?

### 2. 솔루션 개요 (2분)
- 핵심 아이디어는?
- 어떤 기술을 왜 선택했는가?
- 아키텍처 개요

### 3. 핵심 기술 Deep Dive (3분)
- 가장 도전적이었던 기술적 문제
- 어떻게 해결했는가?
- 배운 점

### 4. 데모 (2분)
- 핵심 기능 시연
- 실제 동작 화면

### 5. 결과 및 향후 계획 (1분)
- 정량적 성과
- 개선 계획
- Q&A 유도

### 발표 팁
- 기술적 깊이와 비즈니스 가치 균형
- "왜"에 집중 (기술 선택 이유)
- 실패 경험도 솔직하게
- 데모는 사전에 충분히 테스트

✅ Phase 6 완료 체크리스트

Phase 6를 완료하면 다음을 보유해야 합니다:

산출물

  • 완성된 캡스톤 프로젝트 (GitHub)
  • 배포된 라이브 서비스
  • 기술 문서 (아키텍처, API, 배포)
  • 데모 영상 (5-10분)
  • 발표 자료

역량

  • 산업 도메인 지식
  • End-to-End 시스템 설계 능력
  • 프로덕션 배포 경험
  • 기술 커뮤니케이션 능력
  • FDE 면접 대비

포트폴리오

  • Phase 1: 데이터 파이프라인 프로젝트
  • Phase 2: 이상탐지 시스템
  • Phase 3: Knowledge Graph 시스템
  • Phase 4: 클라우드 네이티브 프로젝트
  • Phase 5: AI 어시스턴트
  • Phase 6: 캡스톤 (통합 프로젝트)

🎓 FDE Academy 수료 후

커리어 경로

                    ┌─────────────────────┐
                    │   FDE Academy 수료   │
                    └─────────────────────┘
                              │
           ┌──────────────────┼──────────────────┐
           │                  │                  │
           ▼                  ▼                  ▼
    ┌────────────┐    ┌────────────┐    ┌────────────┐
    │    FDE     │    │   Data     │    │    AI      │
    │  (현장 배치) │    │  Engineer  │    │  Engineer  │
    └────────────┘    └────────────┘    └────────────┘
           │                  │                  │
           │                  │                  │
           ▼                  ▼                  ▼
    ┌────────────┐    ┌────────────┐    ┌────────────┐
    │  Solutions │    │    Lead    │    │    ML      │
    │  Architect │    │  Engineer  │    │  Engineer  │
    └────────────┘    └────────────┘    └────────────┘

추천 자격증

자격증난이도추천 시기
AWS SAA중Phase 4 후
AWS Data Analytics중상Phase 6 후
Databricks Data Engineer중상Phase 6 후
Neo4j Certified중Phase 3 후
GCP Professional Data Engineer상취업 후

지속적 학습

## 추천 학습 경로

### 1. 심화 기술
- MLOps (MLflow, Kubeflow)
- 실시간 ML (Feature Store)
- LLMOps (프롬프트 관리, 평가)

### 2. 도메인 전문화
- 금융: Quant 개발
- 헬스케어: FDA 규제, 임상시험
- 제조: Digital Twin, 로보틱스

### 3. 리더십
- 아키텍처 설계
- 팀 리딩
- 기술 컨설팅

📚 추가 학습 자료

필수 도서

  1. Designing Data-Intensive Applications (O'Reilly)

    • 분산 시스템 원리 (필독)

  2. Building Machine Learning Pipelines (O'Reilly)

    • MLOps 실무

  3. Knowledge Graphs (MIT Press)

    • KG 이론 및 응용

온라인 리소스

커뮤니티

  • dbt Community (Slack)
  • LangChain Discord
  • MLOps Community

작성일: 2025-12-05 버전: v1.0 FDE Academy 커리큘럼 최종본