3급
제작과 제작 방법 설명에 더해 도구의 설치·설정·업데이트 명령어를 묻습니다. 예제 하나를 고르고, 내 설계와 그 이유를 소리 내어 설명해 보세요.
응시 자격
만 8세 이상부터 응시할 수 있습니다.
화면 공유 인터뷰
소너브 화상 기능을 통해서 전체 후 작업을 진행합니다.
3급 인터뷰 과제 예시
- 을 만들라는 지시를 받으면 즉시 타이핑을 시작해 30초 이내에 완성합니다. 제작을 마친 뒤 60초 이내에 그 스킬이 실제로 동작하는지 검증합니다. 치팅을 막기 위해 스킬 제작 시간은 30초로 제한하며, 동작 증명을 위해 추가 60초가 주어집니다.
- ····· 등 도구를 설치·설정·업데이트하는 명령어를 묻습니다. 주저 없이 직접 명령어를 입력해서 설치·설정을 해야 합니다.
- 특정 주제의 AI를 어떻게 만들지 물으면 주저 없이 즉시 답변을 시작하고 3분 이내에 AI를 어떻게 만드는지에 대한 모든 과정을 마무리합니다.
검증 시간 60초는 스킬 제작이 끝난 뒤부터 별도로 셉니다. 스킬 제작 시간 30초에 포함되지 않습니다.
이 정도 난이도의 문제가 여러 개 주어집니다. 이것이 입문인 3급의 수준입니다.
자격증 공통 안내
인터뷰 질문 예시: 다음 낱말을 맞히는 인공지능
심사관 학생이 공부 노트를 쓸 때 다음 낱말을 맞혀 주는 을 만든다면, 어떻게 만들고 잘 되는지 어떻게 확인하겠습니까? 단계별로 설명해 보세요.
아래 네 단계로 답합니다. 단계마다 무엇을 말할지와 짧은 예를 보였습니다.
-
1. 목표
인공지능이 누구를 위해 무엇을 하는지 — 무엇이 들어가고 무엇이 나오는지 말합니다. 예: “학생이 ‘기계’를 치면 ‘학습’을 추천한다.”
-
2. 데이터
무엇으로, 얼마나 배우는지, 시험용으로 무엇을 떼어 두는지 말합니다. 예: “내 노트 문장 2,000개 — 80%로 배우고 20%는 시험용으로 떼어 둔다.”
-
3. 만드는 방법
안에서 어떻게 동작하는지, 무엇으로 만드는지 말합니다. 예: “ 이 어떤 낱말 뒤에 어떤 낱말이 오는지 세어, 가장 자주 온 다음 낱말을 추천한다.”
-
4. 확인
잘 되는지 어떻게 아는지 — 잴 숫자 하나와 한계 하나를 말합니다. 예: “시험 문장에서 실제 다음 낱말이 추천 세 개 안에 드는 비율을 센다. 바로 앞 낱말 하나만 보므로 긴 문장에서는 틀린다.”
심사관은 주제를 바꿀 수 있습니다 — 예를 들어 스팸 문자 거르기나 점심 메뉴 추천. 그래도 같은 네 단계로 답합니다. 급수가 높을수록 단계마다 더 자세히 설명하고, 인터뷰에는 이 질문 말고도 각 급수에 맞는 여러 질문과 과제가 있습니다.
무엇을 배우나
- 즉시 타이핑을 시작해 요청한 을 30초 이내에 만듭니다.
- 스킬 제작 후 60초 이내에 실제 동작을 검증합니다.
- 특정 주제의 AI 제작 방법을 즉시 답변하고 3분 이내에 전체 제작 과정을 설명합니다.
어떻게 평가하나
- 스킬을 30초 이내에 완성했는가
- 제작 후 60초 이내에 실제 동작을 검증했는가
- 이 수준의 여러 문제에 외부 도움 없이 즉시 대응했는가
예상 인터뷰 질문
아래 11개는 인터뷰에서 심사관이 할 수 있는 질문의 예입니다. 정답 낱말 하나를 맞히는 것이 아니라 소리 내어 설명해 보세요. 펼치면 설명 예시와 꼬리 질문이 보입니다. 공식 시험 문제는 아닙니다.
인공지능의 이름과 회사
-
1
심사관 가 무엇의 줄임말이고, G·P·T 세 낱말이 각각 무슨 뜻인지 설명해 보세요.
설명 예시 보기
설명 예시 GPT 는 Generative Pre-trained Transformer 의 줄임말입니다. Generative(생성형)는 글을 새로 만들어 낸다는 뜻, Pre-trained(된)는 아주 많은 글로 미리 해 두었다는 뜻, (트랜스포머)는 2017년 구글 연구진의 논문 " Is All You Need"에서 처음 발표된 설계의 이름입니다. 의 이름(GPT-4·GPT-5 등)과 의 GPT 가 여기서 왔습니다.
꼬리 질문 ChatGPT 와 GPT 는 같은 것일까요, 다른 것일까요?
-
2
심사관 개발사 5곳 이상과 각 회사의 대표 인공지능 이름을 나열하며 설명해 보세요.
설명 예시 보기
설명 예시 예를 들어 — ··, — , Google() — , Meta — , xAI — , — DeepSeek, Mistral AI — Mistral·Le Chat, Alibaba — 입니다. 한 회사가 과 그 모델을 쓰는 앱에 서로 다른 이름을 붙이기도 합니다(OpenAI 의 GPT 모델과 ChatGPT 앱).
꼬리 질문 같은 질문을 서로 다른 회사의 인공지능에게 하면 왜 답이 다를 수 있을까요?
학습·데이터·벡터
-
3
심사관 (Machine Learning)과 (Deep Learning)이 어떻게 다른지 설명해 보세요.
설명 예시 보기
설명 예시 머신러닝은 사람이 규칙을 하나하나 적어 주는 대신 많은 예시()를 보여 주어 컴퓨터가 스스로 규칙을 찾게 하는 방법 전체를 말합니다. 딥러닝은 그 안의 한 갈래로, 의 층을 여러 겹 깊게(Deep) 쌓아 합니다. 전통적인 머신러닝은 어떤 특징을 볼지 사람이 골라 주는 경우가 많지만, 딥러닝은 사진의 이나 글 같은 원래 자료에서 특징까지 스스로 배우고, 그 대신 데이터와 계산이 훨씬 많이 듭니다.
꼬리 질문 오늘날의 은 머신러닝일까요, 딥러닝일까요? 둘 다라면 왜 그럴까요?
-
4
심사관 (Embedding)과 (Vector)가 어떻게 다른지 "강아지"와 "개"의 예로 설명해 보세요.
설명 예시 보기
설명 예시 벡터는 [0.2, -1.5, 3.0] 처럼 숫자 여러 개를 정해진 순서대로 늘어놓은 목록일 뿐이고, 그 자체로는 뜻이 없습니다. 임베딩은 낱말·문장·그림의 뜻을 그런 벡터로 바꾸는 방법(또는 그렇게 만든 벡터)으로, 뜻이 비슷한 "강아지"와 "개"가 서로 가까운 숫자가 되도록 해서 만듭니다. 그래서 모든 임베딩은 벡터지만, 모든 벡터가 임베딩은 아닙니다. 검색·추천·이 뜻을 비교할 때 임베딩을 씁니다.
꼬리 질문 임베딩을 쓰면 낱말이 달라도 뜻이 같은 글을 찾을 수 있는 까닭은 무엇일까요?
-
5
심사관 (Training Data)가 무엇이고, 왜 좋은 가 중요한지 설명해 보세요.
설명 예시 보기
설명 예시 학습 데이터는 이 배우도록 보여 주는 많은 예시 자료(사진·글·소리 등)입니다. 인공지능의 대답은 학습 데이터를 닮아서, 틀린 데이터로 배우면 틀린 답을 냅니다.
꼬리 질문 고양이를 알아보는 인공지능을 만든다면 어떤 사진을 모으겠습니까?
프롬프트와 에이전트
-
6
심사관 (Prompt)와 (System Prompt)가 어떻게 다른지 설명해 보세요.
설명 예시 보기
설명 예시 프롬프트는 사용자가 그때그때 입력하는 질문이나 지시문입니다. 시스템 프롬프트는 대화가 시작되기 전에 앱이나 개발자가 미리 넣어 두는 지시로, 의 역할·말투·지켜야 할 규칙(예: "너는 친절한 영어 선생님이다. 한국어로 답한다.")을 정하며 대화 내내 적용됩니다. 보통 사용자에게는 보이지 않고, 사용자 프롬프트와 부딪치면 대개 시스템 프롬프트를 먼저 따르도록 학습되어 있습니다.
꼬리 질문 학생용 영어 회화 을 만든다면 시스템 프롬프트에 무엇을 적겠습니까?
-
7
심사관 (Agent)와 가 어떻게 다른지 설명해 보세요.
설명 예시 보기
설명 예시 에이전트는 목표를 받으면 스스로 계획을 세우고 도구(파일 읽기·명령어 실행·검색 등)를 써서 결과를 확인하며 일을 끝까지 해 나가는 시스템입니다. 하네스는 을 감싸 에이전트로 움직이게 하는 바깥 으로, 를 넣고, 도구를 연결해 실제로 실행하고, 그 결과를 다시 에게 돌려주는 반복(루프)과 ·를 맡습니다. 쉽게 말해 에이전트 = 언어 모델 + 하네스이고, · 가 하네스의 예입니다. 같은 모델이라도 하네스가 다르면 에이전트의 실력이 달라집니다.
꼬리 질문 같은 모델을 쓰는 두 에이전트의 실력이 다를 수 있는 까닭은 무엇일까요?
-
8
심사관 (Agent)와 (Language Model)이 어떻게 다른지 설명해 보세요.
설명 예시 보기
설명 예시 언어 모델은 글을 입력받아 다음 글()을 이어 쓰는 그 자체로, 혼자서는 파일을 열거나 명령어를 실행하지 못하고 한 번 물으면 한 번 답합니다. 에이전트는 언어 모델을 두뇌로 쓰면서 도구 사용·여러 단계 반복·결과 확인을 더해, "이 를 고쳐 줘" 같은 목표를 받아 스스로 여러 번 행동하며 끝까지 해냅니다. 예를 들어 는 언어 모델이고, 는 Claude 를 쓰는 에이전트입니다.
꼬리 질문 언어 모델에게 "오늘 날씨"를 물으면 왜 틀릴 수 있고, 에이전트는 이것을 어떻게 해결할 수 있을까요?
신경망·언어 모델·컨텍스트
-
9
심사관 (Neural Network)이 무엇이고, 사람의 뇌와 무엇이 같고 다른지 설명해 보세요.
설명 예시 보기
설명 예시 신경망(Neural Network, 인공 신경망)은 사람 뇌의 신경세포()에서 아이디어를 얻은 입니다. 단순한 계산 단위들을 층층이 연결해, 각 단위가 입력에 를 곱해 더한 뒤 를 거쳐 다음 층으로 넘깁니다. 은 를 보고 이 가중치를 고쳐 패턴을 익히는 과정입니다. 뇌에서 아이디어를 얻었지만 실제 뇌와 똑같이 움직이지는 않습니다.
꼬리 질문 신경망의 "층"은 무엇을 뜻하나요?
-
10
심사관 는 입니다. 그렇다면 ·· 도 LLM 인지 하나씩 설명해 보세요.
설명 예시 보기
설명 예시 Gemini(Google)·Claude()·Grok(xAI)은 모두 LLM(Large Language Model, 거대 언어 모델) 계열의 이름이고, 같은 이름의 앱도 있습니다. Codex 는 다릅니다 — 오늘날 Codex 는 의 (Codex CLI·앱)로, LLM 자체가 아니라 계열 (GPT-5-Codex 처럼 코딩용으로 다듬은 모델 포함)을 두뇌로 쓰는 입니다. 2021년에는 같은 이름의 생성 모델 Codex 가 있었습니다. 이름이 모델인지, 앱인지, 에이전트인지 구별해야 합니다.
꼬리 질문 는 LLM 일까요, 앱일까요? 그 안에서 움직이는 것은 무엇일까요?
-
11
심사관 1M(100만) 를 지원하는 를 400K(40만) 토큰 컨텍스트로 줄이면 무엇이 달라지는지 설명해 보세요.
설명 예시 보기
설명 예시 컨텍스트()는 이 한 번에 볼 수 있는 글의 양(토큰 수)입니다. 400K 로 줄이면 대화·읽은 파일·도구 결과를 한 번에 담을 수 있는 양이 40% 로 줄어, 큰 코드베이스나 긴 문서를 한꺼번에 넣지 못합니다. 긴 작업에서는 자리가 더 빨리 차서 앞의 내용을 요약(compact)하거나 잘라 내는 일이 잦아지고, 그 과정에서 앞서 받은 지시나 세부를 잊을 수 있습니다. 그래서 필요한 파일만 골라 읽기·검색()·메모 파일·작업 나누기가 더 중요해집니다. 대신 요청마다 넣는 토큰이 적어 비용과 응답 시간은 줄 수 있습니다. 모델 자체의 지능이 낮아지는 것은 아닙니다.
꼬리 질문 컨텍스트가 줄어든 에이전트에게 긴 작업을 맡긴다면 어떻게 나누어 시키겠습니까?