배우는 AI에서 만드는 AI로! 춘천교육대학교 산학협력단의 프로젝트형 AI 교육을 소개합니다 🤖
안녕하세요, 디지털새싹입니다! 🌱
AI에게 질문하고 답을 받는 것만으로도 충분히 신기했던 때가 있었죠.
하지만 이제는 한 걸음 더 나아가, 학생들이 AI의 성격과 역할을 직접 설계하고 데이터를 구성하며,
반복적인 실험을 통해 성능까지 개선하는 시대가 되었습니다.
AI 스피커와 레고로 미래직업을 구현하고, 지역 문화유산을 설명하는 AI 큐레이터를 만들고,
직접 설계한 보상함수로 자율주행 자동차를 훈련한다면 어떨까요?
오늘 소개해 드릴 춘천교육대학교 산학협력단의 프로그램은 AI를 단순히 배우고 사용하는 데서 멈추지 않아요.
AI에게 어떤 성격을 줄지, 어떤 자료를 읽게 할지, 어떤 행동에 점수를 줄지까지 학생이 직접 정하거든요.
레고로 만든 미래 도시를 설명하는 AI, 우리 지역 문화유산을 안내하는 AI, 트랙을 스스로 완주하는 AI까지!
지금부터 하나씩 만나볼까요? 🚀
🏢 춘천교육대학교 산학협력단의 AI 교육은 무엇이 다른가요?
춘천교육대학교는 오랫동안 초등 교원을 길러온 국립 교육대학교예요.
무엇을 가르칠 것인가만큼이나,
언제 어떻게 가르쳐야 아이가 받아들일 수 있는가를 연구해온 곳이죠.
이 관점은 디지털새싹 프로그램에도 그대로 담겨 있어요.
같은 'AI 교육'이라도 학교급마다 학생이 손대는 지점이 완전히 달라지거든요.
초등학생은 AI에게 건네는 말을 다듬어요. 어떤 성격과 역할을 줄지 정하고,
답변이 어긋나면 프롬프트를 고쳐 다시 물어봅니다.
중학생은 AI가 읽는 자료를 직접 만들어요. 지역 문화유산 정보를 조사해 정리하고,
자료의 구성에 따라 답변의 정확도가 달라진다는 걸 확인할 수 있어요.
고등학생은 AI가 판단하는 기준을 설계해요. 어떤 주행에 점수를 줄지 직접 정하고,
그 기준으로 자율주행 모델을 훈련시킵니다.
말 → 자료 → 기준으로, 학생이 다루는 대상이 한 단계씩 깊어지는 구조예요.
그래서 세 프로그램은 난이도만 다른 것이 아니라, 배우는 내용 자체가 다르답니다. 💡
물론 어느 단계에서도 AI가 한 번에 원하는 답을 주지는 않아요. 학생들은 결과를 확인하고,
원인을 찾고, 다시 설계해 성능을 끌어올리는 과정을 반복합니다. 이 반복이 곧 수업의 본체예요.
🧱 [블럭토커와 레고 활용 2056 미래직업 탐구] (초등학생 5, 6학년)
“AI 스피커와 레고로 2056년 미래직업을 상상하고 직접 구현하는 창의융합 프로젝트 교육”
2056년, 우리는 AI와 어떤 모습으로 살아가고 있을까요?
또 미래 사회의 새로운 문제를 해결하기 위해 어떤 직업이 필요할까요?
학생들은 30년 후 미래 사회의 기술 변화와 생활 모습을 상상하고, 기후·환경·도시·로봇 등
미래에 발생할 수 있는 문제를 찾아보는 시간을 가져요. 이후 모둠별로 해결하고 싶은 문제를 정하고,
음성 기반 AI인 블럭토커와 대화하며 새로운 미래직업과 활동 공간을 구상해요.
학생들은 "이 직업이 정말 미래 문제를 해결할 수 있을까?", "사람과 AI는 어떤 역할을 나누어야 할까?"를
친구들과 함께 고민하며 필요한 아이디어를 선택하고 발전시켜요.
아이디어가 모이면 이제 레고 블록을 꺼냅니다.
학생들은 미래공간의 배경을 세우고, 그 안에서 미래직업이 일하는 장면을 블록으로 묘사하는 시간을 가져요.
머릿속에서는 완벽했던 도시도 막상 쌓아보면 통로가 없거나 건물이 서로 붙어버립니다.
세웠다 허물기를 반복하며 설계를 다시 하게 되는 것, 이것이 블록을 쓰는 이유예요.
언제든 되돌릴 수 있으니 "일단 이렇게 해볼까?" 하고 과감하게 시도해볼 수 있고요. 🧱
완성한 뒤에는 다른 모둠의 작품을 둘러보며 "이 공간은 어떤 기능을 할까?", "직업의 특징이 잘 드러날까?"를 점검하고,
피드백을 반영해 블록 모델을 수정합니다.
정답이 없는 재료이다 보니 모둠마다 전혀 다른 방향으로 뻗어나가고, 화면 앞에서는 금세 흩어지던 집중력이
블록 앞에서는 훨씬 길게 이어진다는 점이 이 수업에서 자주 확인되는 장면이에요.
후반부에는 학생들이 상상한 미래직업을 수행하는 AI 전문가를 직접 설계해요.
AI에게 어떤 성격과 전문 지식을 부여할지 정하고, 사람을 존중하며 안전하게 대화하기 위해 지켜야 할 윤리 원칙도 세웁니다. 이어서 블럭토커에 적용할 프롬프트와 예상 질문을 작성한 뒤 실제 대화를 통해 AI의 답변을 테스트해요.
AI가 사실과 다른 내용을 말하거나 정해진 역할에서 벗어난 답변을 하면 그 원인을 찾아 프롬프트를 수정합니다.
앞서 블록을 고쳤던 방식 그대로, 이번에는 AI를 고치는 거예요.
이 과정에서 학생들은 생성형 AI의 환각 현상을 이해하고, AI의 답변을 비판적으로 확인하는 습관을 기르게 됩니다.
마지막에는 미래 공간과 직업, AI의 역할과 프로젝트 과정을 프레젠테이션 보드에 정리해
2056 AI와 미래직업 공존 박람회를 열어보는 시간을 가져요.
블록으로 조립한 캐릭터가 곧 말을 거는 AI가 되어, 관람객이 직접 대화해볼 수 있어요.
다양한 언어를 지원하는 음성 기반 AI와 단계별 활동을 활용해 다문화 학생도 언어에 대한 부담을 줄이고
쉽고 즐겁게 참여할 수 있도록 구성했답니다.
AI와 대화하고, 블록으로 만들고, 친구들과 함께 개선하는 전 과정을 통해 학생들은 창의력과 협업 능력, AI 리터러시,
의사소통 능력과 미래 문제 해결 역량을 자연스럽게 키울 수 있어요. ✨
🏛️ [RAG를 활용한 지역 문화유산 큐레이션] (중학생)
“믿을 수 있는 지역 문화유산 데이터를 바탕으로 나만의 AI 큐레이터를 만드는 RAG 프로젝트
AI가 우리 지역의 문화유산을 정확하게 안내하려면 무엇이 필요할까요?
학생들은 AI 스피커에 지역 정보를 질문하며 생성형 AI의 한계와 환각 현상을 확인하고,
신뢰할 수 있는 자료를 근거로 답변하는 RAG 기술의 원리를 배웁니다.
AI가 아는 대로 답하게 두지 않고, 미리 준비해 둔 자료를 먼저 찾아 읽은 뒤 그 내용을 근거로만 답하도록 만드는 기술이에요. 시험을 볼 때 외운 것에만 의존하는 대신, 참고서를 펼쳐놓고 해당 쪽을 찾아 답을 쓰는 것과 비슷하죠.
학생들은 지역 문화유산 자료를 직접 조사한 뒤, AI가 찾아 읽기 좋도록 정리해 RAG 플랫폼에 입력해요.
긴 설명글은 내용이 바뀌는 지점에서 알맞은 크기로 잘라 넣고,
줄글 속에 흩어져 있던 정보는 이름·시대·특징처럼 항목별로 나눕니다.
같은 자료라도 어떻게 정리해서 넣느냐에 따라 AI 답변의 품질이 달라진다는 사실을 직접 확인하게 되죠.
학생들은 AI 큐레이터의 성격과 말투, 음성, 윤리 규칙도 직접 설계합니다.
이후 다양한 질문을 입력해 답변의 정확성을 확인하고, 무관하거나 부적절한 질문에도 지역 안내라는
본래 역할을 유지하도록 방어 규칙을 추가해요.
마지막에는 가까이 다가가면 자동으로 신호를 주고 받는 비콘 장치와 프레젠테이션 보드를 활용해
문화유산 안내 공간을 구성하고, 다른 모둠의 AI 큐레이터를 체험하며 결과물을 함께 개선합니다.
이 과정을 통해 학생들은 AI를 단순히 사용하는 것을 넘어, 정보의 출처를 확인하고 데이터를 구조화하며
AI의 신뢰성을 높이는 데이터 아키텍터이자 AI 큐레이터로 성장할 수 있어요. 🔎
🏎️ [DeepRacer, 딥러닝 자율주행 챌린지] (고등학생)
“강화학습과 보상함수 설계를 통해 자율주행 AI를 직접 훈련하는 실전형 딥러닝 프로젝트 교육”
자동차가 운전자 없이 트랙을 스스로 완주하려면 무엇이 필요할까요?
학생들은 1/18 스케일 자율주행 자동차인 DeepRacer를 활용해 강화학습의 원리를 익히고,
직접 설계한 보상함수로 자율주행 AI를 훈련합니다.
먼저 에이전트, 환경, 보상으로 이루어진 강화학습의 구조를 살펴보고 기본 보상함수를 분석하는 시간을 가져요.
가상 트랙에서 첫 번째 모델을 훈련한 뒤 차량이 경로를 벗어나는 구간을 기록하고, 속도와 조향 각도,
트랙 중심과의 거리 등을 확인해 주행 실패의 원인을 찾아요.
기본적인 완주에 성공하면 더 빠르고 안정적인 주행을 위한 모델 고도화를 시작해요. 직선에서는 속도를 높이고
곡선에서는 안정적으로 감속하도록 조건을 설정하는 등 여러 파라미터를 결합해 최적의 보상 전략을 설계해 보아요.
학생들은 히트맵과 보상 그래프, 주행 궤적을 분석해 반복적으로 이탈하는 취약 구간을 찾습니다.
이후 특정 구간의 행동을 교정하는 특수 보상을 추가하고 하이퍼파라미터를 조정해 모델을 다시 훈련해요.
모델 훈련 → 주행 확인 → 데이터 분석 → 보상함수 수정 → 재훈련
이 과정을 반복하면서 학생들은 추측이 아닌 데이터를 근거로 AI의 성능을 개선하고, 이전 모델과 수정한 모델의
주행 결과를 비교하며 보상 전략의 효과를 검증해요.
가상 트랙에서 좋은 기록을 낸 모델도 실제 환경에서는 조명, 카메라 인식, 바닥의 마찰력과 같은 변수로 인해
다르게 작동할 수 있어요. 학생들은 가상 환경과 실물 환경의 차이를 분석하며 Sim2Real과 기술적 강건성의 개념을
이해합니다.
마지막에는 최종 모델을 실물 DeepRacer에 배포하고 자율주행 리그에 참여합니다.
실제 주행 결과와 랩타임을 측정하고, 성공한 전략과 개선할 부분을 함께 분석하며 프로젝트를 마무리해요.
보상함수 설계부터 모델 훈련, 데이터 분석과 실물 테스트까지 경험하며
학생들은 알고리즘 설계 능력, 논리적 사고력, 데이터 분석 역량과 AI 문제 해결 능력을 함께 키울 수 있답니다. 🏁
🌱 마무리하며
춘천교육대학교 산학협력단의 세 가지 프로그램을 따라가다 보면 학생들의 역할이 단계적으로 확장돼요.
초등 단계에서는 AI와 함께 미래 사회를 상상하고 레고로 구현하는 미래직업 기획자가,
중등 단계에서는 지역 문화유산 정보를 조사하고 신뢰할 수 있는 AI 안내 시스템을 만드는
데이터 아키텍터이자 AI 큐레이터가 되죠.
고등 단계에서는 보상함수를 설계하고 자율주행 모델을 훈련하는 딥러닝 엔지니어로 성장합니다.
하지만 모든 프로그램을 관통하는 핵심은 하나예요.
AI가 만든 결과를 그대로 받아들이지 않고, 학생이 직접 문제를 정의하고 결과를 검증하며 더 나은 방향을 결정한다는 것!
AI에게 답을 받는 교육에서 벗어나,AI의 역할을 설계하고 데이터를 만들며,실패의 원인을 찾아 다시 도전하는 교육.
배우는 AI에서 만드는 AI로!
춘천교육대학교 산학협력단과 함께하는 디지털새싹에서 학생들은 미래 기술의 사용자를 넘어,
새로운 가능성을 직접 설계하는 창작자이자 문제 해결자로 성장해보세요. 🤖🌱
