본문의 사실 근거는 해당 설명 가까이에 연결했다. 이 부록은 다시 찾아 읽을 출발점이다. 로드맵으로는 다룰 범위를 확인하고, 논문으로는 그 방법을 어떤 조건에서 실험했는지 읽고, 공식 문서로는 구현이 실제로 어떻게 동작하는지 확인한다. 서로 다른 역할의 자료를 같은 근거로 취급하지 않는다.
범위와 모델의 기초
AI Engineer 로드맵은 이 책의 학습 범위 기준이다. 사이트의 그래프와 제품 목록은 언제든 바뀌니, 링크를 열 때마다 지금 무엇이 올라와 있는지 본다. 목록에 있는 것을 다 설치할 일은 아니다. 지금 풀어야 할 문제가 무엇인지 먼저 정하고, 그 문제를 푸는 데 지금 쓰는 구현 중에서 어디를 바꿀 수 있는지 살펴본다.
Transformers 문서는 모델 로드·토크나이저·생성의 구현을 확인하는 자료다. 예제 코드를 읽을 때는 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 후보를 어디까지 모았는지, 순위를 어떻게 매겼는지, 재현율과 정답 관련성을 무엇으로 정의했는지는 알고 있어야 한다.
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 표시가 붙어 있다고 넘어가지 말고, 그 대목을 열어 정말 그 주장을 받치는지 매번 확인한다.
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. 모델은 다음에 무엇을 할지 제안하는 데까지만 하고, 그 행동을 실제로 실행할 권한은 애플리케이션이 쥔다.
LoRA, QLoRA는 기반 가중치를 고정한 채 파라미터 일부만 학습해 모델의 행동을 바꾸는 방법을 다룬 논문이다. 논문이 특정 장치와 모델에서 낸 수치는 자기 환경에서 다시 재 본다. 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. 목록을 다 읽었다고 해서 구현이 안전해지지는 않는다. 어떤 도구와 데이터를 어디까지 열어 뒀는지는 직접 확인한다.
OpenTelemetry는 요청 경로를 관찰하는 표준 개념과 구현을, Google SRE는 운영 신호를 업무 신뢰성과 어떻게 연결하는지 보여 준다. 데이터 수집량을 늘리기 전에 어떤 장애를 어떤 신호로 구별할지 정한다.
책 이후의 학습 순서
먼저 자신의 업무에서 대표 질문과 실패 비용을 정의한다. 만들어 둔 파이프라인에 자료를 한꺼번에 밀어 넣기 전에, 읽기 권한이 분명한 작은 자료만 먼저 올려 놓고 검색과 출력 형식, 권한과 삭제가 제대로 도는지 확인한다. 그다음 실제 모델 후보를 같은 조건으로 비교하고, 평가를 통과한 범위 안에서만 쓰는 사람을 늘린다.
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. 도구 목록은 외워 둬도 몇 해 지나면 바뀐다. 그런데 무엇이 원인인지 짚고 다음에 무엇을 시험할지 고르는 법은 도구가 바뀌어도 그대로 쓴다.