## 10\. AI Engineer와 AI Agent Engineer의 차이 \<aside> 💡 **핵심 정리:** 현재 채용시장에서 `AI Engineer`라는 직무명은 매우 넓게 사용됩니다. 실제로는 **LLM을 직접 연구·학습하는 엔지니어**와 **기존 LLM을 활용해 RAG·Agent·AI 서비스를 만드는 엔지니어**가 모두 AI Engineer 범주에 포함될 수 있습니다. \</aside> ### 10-1. AI Engineer = LLM을 직접 개발하는 사람인가? 엄밀히 말하면 **AI Engineer 전체를 LLM 개발자로 정의하는 것은 너무 좁습니다.** LLM 자체를 연구하고 학습하는 직무는 보통 다음과 같은 이름을 사용합니다. * `LLM Research Engineer` * `Research Engineer` * `ML Research Engineer` * `Foundation Model Engineer` * `Research Scientist` 이들은 Transformer 구조 연구, Pre-training, Post-training, SFT, RL, 분산학습, GPU 학습 최적화 등 **모델 자체를 만드는 업무**에 가깝습니다. 반면 최근 `AI Engineer` 공고 중 상당수는 이미 존재하는 GPT, Claude, Gemini, Llama 등의 LLM을 이용해 실제 서비스를 구축하는 역할입니다. ``` AI 분야 ├─ AI Model / Research │ ├─ LLM Research Engineer │ ├─ ML Research Engineer │ ├─ Foundation Model Engineer │ └─ Research Scientist │ └─ AI Application ├─ AI Agent Engineer ├─ LLM Application Engineer ├─ RAG Engineer ├─ AI Solution Engineer └─ AI Backend Engineer ``` ### 10-2. 모델 개발 엔지니어와 Agent/Application 엔지니어 비교 | 구분 | 주요 업무 | 대표 기술 | | --- | ----- | ----- | | LLM Research Engineer | LLM 자체 구조 연구 및 학습 | PyTorch, CUDA, Transformer, Pre-training | | LLM Post-training Engineer | 학습된 모델 성능 개선 | SFT, RL, DPO, DeepSpeed | | ML Engineer | 머신러닝 모델 학습·배포·운영 | PyTorch, TensorFlow, MLOps | | LLM Engineer | LLM 학습부터 서비스 적용까지 폭넓게 담당 | Fine-tuning, Serving, RAG | | AI Agent Engineer | LLM이 도구를 사용하고 작업을 수행하는 Agent 개발 | LangGraph, MCP, Tool Calling, RAG | | LLM Application Engineer | LLM 기반 서비스·업무 시스템 개발 | LLM API, RAG, FastAPI, Vector DB | | AI Engineer | 회사에 따라 위 역할을 폭넓게 통칭 | 공고별로 매우 다양 | ### 10-3. 최근 AI Engineer 공고에 AI Agent 업무가 많은 이유 과거 기업이 AI를 도입하려면 직접 데이터를 모으고 모델을 설계·학습·배포해야 했습니다. ``` 데이터 수집 ↓ 모델 설계 ↓ 모델 학습 ↓ GPU 학습 ↓ 모델 배포 ``` 하지만 현재는 GPT, Claude, Gemini, Llama 등 성능이 높은 기반 모델이 이미 존재합니다. 대부분의 기업은 새로운 LLM을 처음부터 만드는 것보다 기존 LLM과 회사 데이터를 연결하여 업무에 적용하는 것이 비용과 속도 측면에서 현실적입니다. ``` GPT / Claude / Gemini / Llama + 회사 데이터 + RAG + Agent + 기존 업무 시스템 ``` 그래서 최근 채용시장에서는 `AI Engineer`라는 제목을 사용하면서 실제 업무는 다음과 같은 경우가 많습니다. * LLM API 연동 * RAG 구축 * Vector DB 검색 * LangChain / LangGraph * AI Agent 설계 * MCP / Tool Calling * FastAPI 기반 백엔드 * 기존 사내 시스템 및 데이터베이스 연동 ### 10-4. 채용공고를 기술스택으로 구분하는 방법 공고 제목보다 **기술스택과 업무내용을 보는 것이 중요**합니다. **모델 개발·연구 쪽** ``` PyTorch CUDA Transformer Distributed Training Pre-training SFT / RL DeepSpeed Multi-GPU ``` → LLM 자체를 만들거나 개선하는 직무 **AI Agent / Application 쪽** ``` LangChain LangGraph RAG MCP Tool Calling FastAPI Vector DB LLM API Docker ``` → 기존 LLM을 활용하여 실제 AI 서비스를 만드는 직무 ### 10-5. NVIDIA AI CAMPUS 과정의 포지션 NVIDIA AI CAMPUS의 AI Agent 과정은 **Foundation Model을 처음부터 만드는 연구자 양성과정보다는 AI Agent / LLM Application Engineer 양성과정에 더 가깝습니다.** | 영역 | 과정과의 관련성 | | --- | -------- | | LLM을 처음부터 개발 | 낮음 | | Transformer 구조 연구 | 기초 이해 수준 | | 대규모 GPU Pre-training | 핵심 목표 아님 | | 기존 LLM 활용 | 높음 | | RAG | 핵심 | | LangChain / LangGraph | 핵심 | | AI Agent | 핵심 | | NVIDIA NIM / 생성형 AI 서비스 | 높음 | | 멀티모달 AI | 높음 | | 실제 AI 서비스 구축 | 핵심 | ### 10-6. 취업 목표 직무 NVIDIA AI CAMPUS 수료 후에는 다음 직무를 중심으로 채용공고를 찾는 것이 자연스럽습니다. * **AI Agent Engineer** * **LLM Application Engineer** * **Generative AI Engineer** * **RAG Engineer** * **AI Solution Engineer** * **AI Backend Engineer** * **AX Engineer** * **AI Platform Engineer** 기존 웹개발 경험이 있다면 다음과 같은 형태로 기술스택을 확장하는 전략이 좋습니다. ``` 기존 웹개발 경험 + Python + FastAPI + LLM + RAG + LangGraph + MCP + Docker ↓ AI Agent / LLM Application Engineer ``` \<aside> 🎯 **진로 방향:** 모델 자체를 연구하는 `LLM Research Engineer`보다 **LLM을 활용해 실제 서비스를 설계·개발·배포하는 AI Agent / LLM Application Engineer**를 우선 목표로 한다. 과정 수료증 자체보다 RAG·Agent 프로젝트와 실제 배포 경험을 포트폴리오로 보여주는 것이 중요하다. \</aside>