교육목적

AI융합전공은 인공지능 기반의 디지털 전환 수요에 대응하여, AI 소프트웨어 개발 역량(컴퓨터학부), ICT 응용 및 서비스 설계 역량(스마트IT학부), 센서·신호·제어 및 임베디드 시스템 역량(전기전자공학과)을 융합한 교육을 제공한다.
이를 통해 학생들이 데이터 수집-분석-모델 개발-시스템 구현-검증·운영으로 이어지는 전 과정을 경험하고, 산업·지역사회 현장에서 즉시 활용 가능한 문제해결형 융합 실무 인재로 성장하도록 하는 것을 목적으로 한다.

교육목표

가. 데이터·AI 핵심역량 확보

• 데이터사고및시각화와 데이터베이스 기반의 데이터 이해 및 관리 역량을 확보하고, 머신러닝·딥러닝을 중심으로 모델 설계·학습·평가 능력을 체계적으로 습득
• 멀티모달 응용(자연어처리, 컴퓨터비전, 오디오신호처리) 역량을 통해 다양한 데이터 유형에 대한 문제해결 능력을 강화

나. 응용 도메인 기반 AI 적용역량 강화

• 통신·보안·모빌리티 등 실제 산업 도메인에서 요구되는 AI 적용 능력을 배양
• AI 결과를 서비스 형태로 구현하고 운영하는 관점(클라우드 연계 포함)을 함께 갖춤

나. 응용 도메인 기반 AI 적용역량 강화

• 통신·보안·모빌리티 등 실제 산업 도메인에서 요구되는 AI 적용 능력을 배양
• AI 결과를 서비스 형태로 구현하고 운영하는 관점(클라우드 연계 포함)을 함께 갖춤

다. 임베디드·센서·시스템 구현 및 실증역량 확보

• 마이크로프로세서및실험, 지능형임베디드시스템설계, AI센서응용공학, 인공지능시스템, 인공지능소프트웨어응용을 통해 센서 데이터 획득부터 임베디드 적용, 시스템 통합까지 수행할 수 있는 구현 역량을 확보
• 팀 기반 프로젝트를 통해 요구사항
  정의-설계-구현-검증-문서화·발표까지 완결된 성과물을 도출

특성화계획

가. 특성화 방향

• AI융합전공(AI Convergence)은 데이터(저장·관리)-모델(학습·추론)-서비스(클라우드·보안·통신)-시스템(센서·임베디드)을 하나의 흐름으로 연결하는 “전 주기형 AI 융합교육”을 특성화 방향으로 설정
• 특히 컴퓨터학부의 데이터베이스·데이터분석·AI, 스마트IT학부의 정보통신·보안·모빌리티 AI, 전기전자공학과의 센서·임베디드·AI 시스템을 결합해 “실제 적용 가능한 AI”를 교육의 최종 산출물로 삼음

나. 3대 특성화 촉(전공 핵심 정체성)

(1) 데이터 기반 AI 촉(Data Foundation)

• 데이터사고및시각화, 데이터베이스, 빅데이터분석을 기반으로 데이터 수집·저장·조회·품질관리·분석까지 수행하는 역량을 강화
• 모델 개발의 전제 조건인 데이터 거버넌스(스키마/정합성/전처리)를 실습 중심으로 체득

(2) 응용·서비스 촉(Application and Service)

• 정보통신인공지능, 인공지능사이버보안, 스마트모빌리티인공지능실습을 통해 산업 도메인에서 요구하는 AI 적용 역량을 강화
• 클라우드컴퓨팅과 연계해 AI 모델의 서비스화(연동·운영 관점)를 경험

(3) 시스템 구현 촉(Device and System)

• 마이크로프로세서및실험, 지능형임베디드시스템설계, AI센서응용공학, 인공지능시스템, 인공지능소프트웨어응용을 통해 센서 데이터 획득부터 엣지/임베디드 적용, 시스템 통합까지 구현 역량 확보
• “모델 성능”뿐 아니라 “현장에서 동작하는 시스템” 완성을 목표로 운영

다. 트랙 운영(선택형 심화 구조)

학생이 진로에 맞춰 심화 학습을 할 수 있도록 3개 트랙을 운영

• 트랙 1: AI·데이터 트랙 (데이터베이스, 빅데이터분석, 머신러닝, 딥러닝 중심으로 데이터 기반 AI 개발 역량 강화)
• 트랙 2: AI 응용 트랙(통신·보안·모빌리티) (정보통신인공지능, 인공지능사이버보안, 스마트모빌리티인공지능실습과 자연어처리·컴퓨터비전·오디오신호처리 등을 연계해 응용 역량 강화)
• 트랙 3: 임베디드·센서·AI시스템 트랙 (마이크로프로세서, 임베디드 설계, 센서 응용, AI 시스템 과목군을 중심으로 디바이스/현장 적용 역량 강화)

라. 실습·프로젝트 중심 특성화(학습 방법)

• 문제 기반 학습(PBL): 실데이터 또는 실환경 시나리오를 기반으로 과제 수행
• 팀 기반 프로젝트 운영: 학부 혼합 팀 편성, 역할 분담(데이터/모델/서비스/시스템) 체계화
• 중간 점검 체계: 문제정의-데이터/DB 설계-모델 설계-시스템 통합 단계별 리뷰 운영
• 데모데이 운영: 성과물 발표, 포스터·시연, 결과보고서·코드 정리로 포트폴리오 완성

마. 산학·지역 연계 특성화(현장 적용)

• 산학 연계 주제 발굴: 스마트 제조/설비, 안전·재난, 에너지 관리, 스마트시티, 모빌리티 등
• 현장형 프로젝트 운영으로 팀이 데이터 파이프라인(DB 포함)-AI 모델-서비스/시스템까지 구현하고, 결과를 실증 또는 시범 운영 형태로 검증
• 성과 확산: 우수 프로젝트는 경진대회 출전, 산학협력 과제 연계, 특허/논문화 추진

바. 교육 품질관리 및 성과관리(운영 체계)

• 표준 산출물 규격화: 데이터 설명서, DB 스키마 요약, 모델 카드, 실험 기록, 배포/실행 매뉴얼, 발표자료
• 재현성 중심 운영: 동일 환경에서 재실행 가능한 형태로 결과 제출(코드·데이터 버전 관리)
• 성과지표: 참여 학생 수 및 이수율, 프로젝트 성과물 수(시연 가능한 수준), 산학·지역 연계 과제 수, 경진대회 수상/출전 실적, 관련 자격 취득 및 취업 연계 실적, 논문·특허·기술이전 등 연구/산학 성과

운영계획

가. 학생모집(선발인원, 모집학년, 홍보 등)

• 선발인원(권장안): 연 20~40명 내외(학과별 균형 고려)
• 모집학년: 2학년 2학기~4학년(기초 교과 이수 후 신청 권장)
• 학기 초 설명회(3개 학과 합동): 커리큘럼, 진로, 우수 사례 소개
• 전공 체험 프로그램: 미니 프로젝트·해커톤(1일) 운영
• 홈페이지/학과 SNS/학사공지/오리엔테이션 연계 홍보
• 캡스톤 성과 전시회(데모데이)로 후속 모집 유도

나. 선발기준(권장안)

• 기본 요건: 소속 학과 재학생, 일정 학점 이상 이수
• 학업성취도: 전공 기초 과목 성적(프로그래밍, 기초수학, 회로/신호/데이터 관련)
• 학습의지: 지원서(동기·학습계획·희망 트랙)
• 면담/인터뷰(필요 시): 프로젝트 경험, 협업 의지, 시간 투입 가능성
• 우대(선택): 관련 동아리·경진대회·자격증·포트폴리오 보유, 캡스톤 경험

다. 기타 프로그램 운영 계획

• 전공 튜터링/부트캠프: Python·데이터·기초 ML, Git, 협업 도구 온보딩
• 멘토링: 학과별 지도교수 + 산학 멘토(가능 시)
• 산학/현장 연계: 지역 기업·기관의 데이터/문제 제공, 현장 실증 과제
• 성과관리: 중간점검(요구사항/설계 리뷰) + 최종 데모데이(발표·보고서·코드 공개)
• 품질관리: 코드리뷰, 재현 가능한 실험 기록, 데이터/모델 버전관리 지침 운영

기대 효과

가. 학생 측면

• AI 모델 개발부터 시스템 구현까지 아우르는 융합 실무 역량 확보
• 팀 프로젝트 기반 포트폴리오 강화로 취업 경쟁력 제고
• 다양한 전공 학생 간 협업을 통한 문제정의·커뮤니케이션 능력 향상

나. 대학 측면

• AI 중심 학사 구조 강화로 신입생 유치 및 대외 경쟁력 제고
• 캡스톤/산학 성과 축적으로 대학 브랜드 및 지자체·기업 협력 확대
• 융합형 교육 모델(연계전공) 운영 노하우 축적 및 확산

나. 대학 측면

• AI 중심 학사 구조 강화로 신입생 유치 및 대외 경쟁력 제고
• 캡스톤/산학 성과 축적으로 대학 브랜드 및 지자체·기업 협력 확대
• 융합형 교육 모델(연계전공) 운영 노하우 축적 및 확산

다. 지역·산업 측면

• 지역 산업/공공 문제 해결형 인재 공급 및 프로젝트 성과 환류
• 스마트 제조·안전·에너지·도시 서비스 등 분야의 실증 사례 확보
• 산학협력 과제 발굴 및 기술이전·창업 가능성 확대