Earticle

초록

영어

This study proposes an educational infrastructure strategy optimized for 'practical AI programming education' (MLOps, sLLM fine-tuning, RAG implementation) in vocational colleges and specialized high schools, distinct from research-centric four-year universities. While the IT industry demands full-stack engineers who integrate proprietary data with open-source models, existing low-spec lab PCs cannot handle high-performance computing, and commercial clouds carry the risk of cost explosion due to pay-as-you-go pricing. This study thus analyzes an approach that deploys a high-performance on-premise GPU server (e.g., NVIDIA RTX 6000 Ada) and allocates independent development sandboxes to students through container-based virtualization (Docker, Kubernetes). Comparing the local server against an AWS g5.12xlarge instance (Seoul region) on an equivalent basis of 96GB GPU memory using a Total Cost of Ownership (TCO) model, the break-even point was about 4 months under 24/7 continuous operation and about 20~34 months when limited to class hours, confirming that the economic advantage of the on-premise approach becomes more pronounced as the utilization rate increases. The study also examines an efficient resource utilization approach that jointly considers the quality and cost of open-source models and commercial APIs. In conclusion, this study proposes a phased infrastructure deployment approach to improve budget efficiency and eliminate educational inequality caused by personal device specs, providing a strategic foundation for nurturing industry-ready software talent.

한국어

본 연구는 연구 중심의 4년제 대학과 차별화되는 전문대학 및 특성화고의 '실무 중심 AI 프로그래밍 교육(MLOps, sLLM 파인튜닝, RAG 구축 등)'에 최적화된 교육 인프라 구축 방안을 제시한다. 산업계는 자체 데이터와 오픈소스 모델을 결합하는 풀스택 인재를 요구하나, 기존 실습실의 저사양 PC는 고성능 연산이 불가능하고 상용 클라우드는 종량제 과금에 따른 비용 폭증 위험을 안고 있다. 이에 본 연구는 고성능 GPU 서버(NVIDIA RTX 6000 Ada 등)를 온프레미스로 구축하고 컨테이너 가상화(Docker, Kubernetes)로 학생에게 독립된 개발 샌드박스를 할당하는 방안을 분석한다. GPU 메모리를 96GB로 동일 기준으로 로컬 서버와 AWS g5.12xlarge 인스턴스(서울 리전)를 총소유비용(TCO) 모델로 비교한 결과, 손익분기점은 24시간 상시 운영 시 약 4개월, 수업시간 한정 시 약 20~34개월로 가동률이 높을수록 온프레미스의 경제적 우위가 뚜렷하였다. 또한 오픈소스 모델과 상용 API의 품질 및 비용을 함께 고려한 효율적 자원 활용 방안을 함께 검토한다. 결론적으로 본 연구는 예산 효율성을 높이고 학생 장비에 따른 교육 격차를 해소하기 위한 단계적 인프라 구축 방안을 제안하여, 실무형 소프트웨어 인재 양성을 위한 전략적 기반을 제공한다.

목차

요약
ABSTRACT
I. 서론
1. 연구의 배경 및 필요성
2. 연구의 목적 및 범위
II. 관련 연구 및 기술동향
1. 교육용 컴퓨팅 인프라 구축에 관한 선행연구
2. AI 교육용 GPU 인프라 구축 및 국내외 사례
3. AI 지원 프로그래밍 도구의 교육점 시사점
4. 클라우드 기반 통합 개발 환경의 교육적 시사점
Ⅲ. AI 프로그래밍 실무 교육과정 분석
1. 기초 프로그래밍 및 데이터 분석 교육
2. 머신러닝 및 딥러닝 프레임워크 기반 교육
3. AI 모델 활용 소프트웨어 개발 교육
4. 인프라 엔지니어를 위한 실무 실습(MLOps)
5. AI 업무 자동화 툴 응용(로우코드 워크플로우)
6. NCS(국가직무능력표준) 과정과의 연계성
Ⅳ. 교육 인프라 구축 유형별 사례 및 분석
1. 일반 PC 기반 실습실(기존 환경 유지)
2. 고성능 GPU 서버 온프레미스 직접 구축
3. 상용 퍼블릭 클라우드 서비스 활용
Ⅴ. 인프라 구축 방안별 비교 분석
1. 교육 인프라 운영, 보안 및 유지보수 관리 관점
2. 경제성 및 장기 총소유 비용 기반 분석
Ⅵ. 결론 및 제언
1. 연구 결과 요약
2. 전문대학 특수성을 고려한 로드맵
3. 향후 연구 방향
References

키워드

저자

• 남현우 [ Hyunwoo Nam | 인덕대학교 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  인공지능연구 논문지 [Journal of The Korean Association of Artificial Intelligence Education]

• 간기

  연3회

• pISSN

  2733-404X

• 수록기간

  2020~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 000 DDC 006