- 인공지능을 만들 수 있는 다양한 도구를 알고 선택할 수 있다.
- 데이터 수집부터 학습·예측까지 모델 개발 과정을 수행할 수 있다.
- 협력적 자세로 역할을 나누어 인공지능 소프트웨어를 개발할 수 있다.
생각 열기 — 코딩을 몰라도 AI를 만든다?
"AI를 만들려면 어려운 코딩과 수학을 다 알아야 하지 않나요?" 예전엔 그랬어요. 하지만 지금은 코딩을 거의 몰라도 웹 브라우저에서 클릭 몇 번으로 나만의 AI 모델을 만들 수 있어요. 웹캠으로 사진을 찍어 가르치면 끝나는 도구들이 있거든요!
덕분에 우리는 어려운 수학 대신 '좋은 문제를 정의하고, 좋은 데이터를 모으고, 결과를 비판적으로 평가하는' 더 중요한 일에 집중할 수 있어요. 이번 차시엔 AI를 만드는 과정을 직접 시뮬레이션하며 그 흐름을 몸으로 익혀 봅시다.
'가위바위보를 알아보는 AI'를 만든다고 해 봐요. 이 AI에게 무엇을(데이터) 얼마나 보여 줘야 잘 맞힐까요? 2단원에서 배운 '데이터가 곧 실력'이라는 말을, 직접 만들면서 확인해 봅시다.
AI를 만드는 도구들
내 수준에 맞게 고르기
티처블 머신
웹캠·이미지·소리로 클릭만 해서 모델을 만드는 구글의 무료 도구. 코딩이 전혀 필요 없어요.
엔트리·스크래치 AI
블록을 끼워 맞춰 AI 기능을 넣어요. 게임·작품에 AI를 더하기 좋아요.
파이썬 + 라이브러리
3단원 정보 과목에서 배운 파이썬으로 더 자유롭게! 직접 코드로 모델을 다뤄요.
생성형 AI 활용
코드 작성이나 아이디어를 생성형 AI의 도움을 받아요. 단, 결과는 꼭 검증!(3단원)
어떤 도구를 쓰든 AI를 만드는 흐름은 똑같아요 — 데이터를 모으고, 학습시키고, 평가하죠. 화려한 도구보다 중요한 건 문제를 잘 정의하고 데이터를 잘 다루는 것이에요. 처음엔 가장 쉬운 도구(티처블 머신)로 전체 과정을 경험한 뒤, 필요에 따라 더 강력한 도구로 나아가면 됩니다.
직접 만들어 보기 — AI 모델 만들기 체험
가위바위보 분류기를 단계별로
티처블 머신으로 '가위바위보 분류기'를 만드는 과정을 시뮬레이션해 봐요. 실제 도구의 흐름과 똑같아요 — 클래스 정하기 → 데이터 모으기 → 학습 → 테스트. 각 단계를 직접 해 보세요!
함께가 멀리 간다 — 협력적 개발
역할 분담과 소통
프로젝트는 팀으로 할 때 더 강해요. 각자의 강점을 살려 역할을 나누되, 자주 소통하고 서로 돕는 것이 핵심이에요.
데이터 담당
데이터를 모으고 다듬어요(전처리·레이블).
모델 담당
도구로 모델을 만들고 학습·테스트해요.
기획·발표 담당
문제 정의를 다듬고 결과를 문서·발표로 정리해요.
검증 담당
성능과 사회적 영향(편향 등)을 비판적으로 점검해요.
개발하다 보면 반드시 막혀요. 모델이 엉뚱하게 답하고, 도구가 오류를 내죠. 이때가 진짜 배움의 순간이에요! ① 당황하지 말고 무엇이 문제인지 좁히기(데이터? 모델? 도구?), ② 오류 메시지를 잘 읽기, ③ 혼자 끙끙대지 말고 팀·선생님·검색·생성형 AI에 도움 구하기(단, 받은 답은 검증!). 막힘을 해결하는 과정에서 가장 많이 배운답니다. "안 되는 것"은 실패가 아니라 배움의 데이터예요.
확인 문제
바로바로 채점!
3차시 확인 문제
4문항 · 즉시 채점
1티처블 머신 같은 '노코드 AI 도구'의 가장 큰 장점은?
2이미지 분류 AI를 만드는 과정의 순서로 올바른 것은?
3가위바위보 분류기를 만들 때, 한 동작(예: 보)의 사진만 아주 적게 모으면?
4[OX] 개발 중 막혔을 때는 혼자 끙끙대기보다 문제를 좁히고 팀·자료의 도움을 구하는 것이 좋다.
더 알아보기
교과서 너머의 이야기 — 클릭해서 펼쳐 보세요
도구티처블 머신 — 5분 만에 나만의 AI
구글의 티처블 머신(Teachable Machine)은 웹 브라우저에서 무료로 쓰는 AI 만들기 도구예요. 과정은 시뮬레이터에서 본 그대로예요. ① 클래스를 정하고(예: 가위/바위/보), ② 웹캠으로 각 클래스의 사진을 여러 장 찍어 데이터를 모으고, ③ '모델 학습' 버튼을 누르면 몇십 초 만에 학습이 끝나고, ④ 웹캠 앞에서 손 모양을 바꾸면 실시간으로 알아맞혀요! 이미지뿐 아니라 소리(박수 vs 휘파람), 자세(앉기 vs 서기)도 만들 수 있어요. 만든 모델은 내보내서 엔트리·스크래치·웹사이트에 넣을 수도 있죠. 직접 해 보면 '데이터를 많이·고르게 모을수록 잘 맞힌다'는 2단원의 교훈을 몸으로 느낄 수 있어요. 수업 시간에 꼭 한 번 만들어 보세요 — 생각보다 훨씬 쉽고 재미있답니다!
연계정보 3단원과 만나기 — 파이썬으로 한 걸음 더
노코드 도구로 흐름을 익혔다면, 정보 과목 3단원에서 배운 파이썬으로 한 걸음 더 나아갈 수 있어요. 파이썬에는 AI를 쉽게 만들도록 돕는 라이브러리(미리 만들어진 기능 묶음)가 많아요 — 표 데이터를 다루는 도구, 기계학습 모델을 한두 줄로 만드는 도구, 딥러닝 도구까지요. 예를 들어 '키로 몸무게 예측' 같은 간단한 회귀 모델은 정말 몇 줄로 만들 수 있어요. 물론 처음엔 어렵게 느껴지지만, 노코드 도구로 'AI가 무엇을 하는지' 충분히 이해한 뒤 코드로 넘어가면 훨씬 쉬워요. 도구는 사다리예요 — 쉬운 칸(티처블 머신)부터 밟고 올라가면, 어느새 코드로 더 자유롭게 AI를 다루는 자신을 발견하게 될 거예요. 진로 선택 과목 「데이터 과학」도 이 길의 연장선에 있답니다.
협업코드를 함께 쓰는 법 — 깃과 클라우드 협업
여러 사람이 한 프로젝트를 만들 때 파일을 어떻게 공유할까요? 정보 3단원에서 살짝 본 깃(Git)·깃허브가 그 답이에요 — 여러 명이 같은 코드를 동시에 고치고, 누가 무엇을 바꿨는지 기록하며, 문제가 생기면 과거로 되돌릴 수 있죠. 코드가 아닌 자료는 구글 문서·드라이브 같은 클라우드로 함께 편집해요. 이런 협업 도구의 공통점은 '동시에, 기록을 남기며, 되돌릴 수 있게' 함께 일하게 해 준다는 거예요. 학교 프로젝트라면 거창한 도구가 없어도 괜찮아요 — 공유 폴더 하나, 역할을 적은 표 하나, 그리고 자주 만나 진행을 나누는 약속만 있어도 충분해요. 중요한 건 도구가 아니라 '서로 무엇을 하는지 아는 것'이니까요. 좋은 협업의 경험은 어떤 AI 기술보다 오래 남는 자산입니다.