본문의 사실 근거는 해당 설명 가까이에 연결했다. 이 부록은 다시 찾아 읽을 출발점이다. 로드맵은 범위 확인에, 논문은 방법과 실험 조건의 이해에, 공식 문서는 실제 구현 계약의 확인에 사용한다. 서로 다른 역할의 자료를 같은 근거로 취급하지 않는다.
범위와 모델의 기초
AI Engineer 로드맵은 이 책의 학습 범위 기준이다. 사이트의 그래프와 제품 목록은 바뀔 수 있으며 확인한 내용과 재구성 이유는 ROADMAP-VERIFICATION.md와 PLAN.md에 기록했다. 독자는 목록을 모두 설치하기보다 해결할 문제와 현재 구현의 교체 경계를 먼저 살펴본다.
Transformers 문서는 모델 로드·토크나이저·생성의 구현을 확인하는 자료다. 예제를 읽을 때 문서 버전과 설치 버전을 맞춘다. 모델 카드의 권장 템플릿과 라이선스도 함께 읽는다.
검색과 근거 답변
정보 검색 교재는 검색과 평가의 기초를 보충한다. 벡터 검색을 배울 때도 후보 집합, 순위, 재현율과 정답 관련성의 정의는 필요하다.
RAG 원 논문은 검색과 생성을 결합한 연구 방법을 이해하는 자료다. 이 책의 파이프라인은 논문의 전체 학습·평가를 재현하지 않는다.
SQLite FTS5는 키워드 색인과 질의의 실제 동작을 확인하는 문서다. 한국어 분석·정규화와 식별자 검색은 사용할 토크나이저와 자료에서 직접 검증한다.
ALCE는 인용을 포함한 응답의 평가를 더 깊게 읽을 출발점이다. 인용 형식의 존재와 주장의 근거 지지를 구분하는 습관을 유지한다.
도구·에이전트·학습
MCP 명세는 이 책의 실제 협상 버전에 대응하는 프로토콜 자료다. 구현을 업데이트할 때는 사용 SDK와 서버가 협상하는 버전, 전송과 인증의 계약을 함께 확인한다.
ReAct는 추론과 행동을 결합하는 접근을 설명한다. 모델의 행동 제안과 애플리케이션의 실제 실행 권한은 분리한다.
LoRA, QLoRA는 파라미터 효율적인 적응을 이해하는 자료다. 논문의 특정 장치·모델 성과를 자신의 환경에 그대로 적용하지 않는다. 실제 학습 형식과 손실 설정은 TRL SFT 문서에서 확인한다.
매체·평가·운영
Tesseract와 Whisper는 문자·음성 인식의 공개 구현이다. 본문의 작은 합성 표본 결과는 다양한 실제 사용자 환경을 대표하지 않는다. 새 매체를 도입할 때 변환 정확성과 최종 업무 성공을 모두 측정한다.
모델 평가자 연구는 자동 채점의 가능성과 편향을 살펴보는 자료다. 평가 모델의 결론을 사람의 검토와 대조하고 미채점·불일치를 보존한다.
OWASP 생성형 AI 보안 자료는 위협 모델과 공격 회귀 사례를 확장하는 출발점이다. 목록의 존재가 구현의 안전성 증명은 아니며 자신이 노출한 도구·데이터의 경계를 직접 검증한다.
OpenTelemetry는 요청 경로를 관찰하는 표준 개념과 구현을, Google SRE는 운영 신호를 업무 신뢰성과 연결하는 관점을 제공한다. 데이터 수집량을 늘리기 전에 어떤 장애를 어떤 신호로 구별할지 정한다.
책 이후의 학습 순서
먼저 자신의 업무에서 대표 질문과 실패 비용을 정의한다. 기존 예제에 자료를 대량으로 넣기 전에 작은 허용 자료로 검색·출력 계약·권한과 삭제를 확인한다. 그다음 실제 모델 후보를 같은 조건으로 비교하고, 평가를 통과한 범위에서만 사용자 경험을 확장한다.
검색이 병목이면 분석기·하이브리드·재순위화·근사 검색을 비교한다. 행동이 일관되지 않으면 출력 제약·모델 교체·학습을 비교한다. 지연과 비용이 문제라면 프로파일링과 실제 부하에서 병목을 확인한다. 원인에 맞는 다음 실험을 선택하는 능력이 도구 목록을 외우는 것보다 오래 남는다.