목록으로
교육·학습을 위한 AI 활용
흩어진 수업 정보를 모으는 AI 앱을 만들며, 처음 만난 기술까지 배웠습니다
수업·과제·기회를 찾던 시간을 0분으로 줄이고, 한 화면에 모아 실제 공부로 바로 시작하게 만든 AI 학습 브리핑입니다.
🤖 활용 AI 도구
Solar, codex, claude code, Ollama 기반 로컬 언어 모델
■ 1. 어떤 상황에서 AI를 활용했나요?
수업을 듣기 전에 이미 매일 30분 넘게 쓰고 있었습니다. 학교 온라인 강의실(eTL)에서 과제와 공지를 확인하고, 학부·본부 게시판에서 장학금과 행사를 찾고, 메일 두 계정과 문자, 캘린더를 차례로 열었습니다. 다섯 곳을 모두 돌아야 오늘 무엇을 배우고 무엇을 제출해야 하는지가 겨우 맞춰졌습니다.
한 곳이라도 빼먹은 날에는 마감이나 배울 기회를 놓쳤습니다. 정보가 없는 것이 아니라 너무 흩어져 있어서, 공부를 시작하기도 전에 집중력이 끊기는 것이 문제였습니다. 챗봇에 매일 물어보는 방식도 맞지 않았습니다. 제가 질문하지 않은 날에는 아무 일도 일어나지 않기 때문입니다.
그래서 목표를 “공부를 대신하는 AI”가 아니라 “배울 것을 찾아다니는 시간을 없애는 AI”로 잡았습니다. 흩어진 학습 정보를 먼저 모으고, 해야 할 일과 확인할 일을 나눈 뒤, 마감과 근거까지 한 화면에서 보여 주는 맥 앱을 만들고 실제 학기 생활에 사용했습니다.
■ 2. 어떤 AI를 어떻게 활용했나요?
앱을 만드는 데에는 학교의 ChatGPT Edu 계정과 Codex를 설계·개발 파트너로 활용했습니다. 다만 이 사례의 주인공은 코드를 만든 과정이 아니라, 완성한 앱 안에서 AI가 매일 학습 준비를 돕는 방식입니다.
앱은 네 단계로 작동합니다.
① 읽기 전용으로 모으기
Gmail 두 계정, 메시지, 캘린더, eTL 과목 공지·과제, 학교 공개 게시판을 함께 읽습니다. eTL의 정확한 마감 시각처럼 원래 구조화되어 있는 정보는 AI가 다시 추측하지 않고 원본 값을 그대로 사용합니다.
② 공부와 관련된 의미로 분류하기
기기 안에서 실행되는 언어 모델이 항목을 ‘오늘 꼭 할 일 / 확인해야 할 것 / 기타’로 나눕니다. 메일 제목만 줄이는 것이 아니라 ‘무슨 맥락인지 / 무엇을 해야 하는지 / 언제까지인지’를 읽을 수 있는 문장으로 바꿉니다.
③ 한 화면과 달력으로 연결하기
결과는 브리핑 보관함에 날짜별로 쌓이고, 마감은 월간 달력에 모입니다. 항목을 펼치면 요약뿐 아니라 출처와 원문 발췌를 함께 볼 수 있어, AI가 왜 그렇게 판단했는지 확인할 수 있습니다.
④ 사용자의 교정을 다음 분류에 반영하기
AI가 중요하다고 했지만 제가 ‘기타’로 옮긴 항목, 반대로 제가 계속 중요하게 올린 항목을 기록합니다. 같은 교정이 반복되면 다음 분류 때 참고하되, 사용자가 정한 규칙이 AI의 추정보다 우선합니다.
앱을 만들며 처음 접한 Swift와 로컬 모델의 원리를 AI에게 묻고 실행으로 확인하기도 했습니다. 그러나 그것은 이 도구를 완성하기 위한 보조 학습이었고, 핵심 활용은 완성된 앱으로 매일의 학습 준비를 자동화한 것입니다.
■ 3. 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 매일 30분 넘게 들던 ‘찾아다니는 시간’이 0분이 된 것입니다. 자동 실행을 켜 두면 밤사이 앱이 새 항목을 모아 정리하므로, 아침에는 다섯 곳을 방문하지 않고 이미 만들어진 화면 하나에서 시작합니다. 내용을 읽고 결정하는 일은 제가 하지만, 어디에 무엇이 있는지 찾아다니는 일은 더 이상 하지 않습니다.
실제 브리핑 화면에는 한 시점 기준 ‘오늘 꼭 할 일’ 46건과 ‘확인해야 할 것’ 58건이 출처·마감과 함께 정리되었습니다. 일정 달력에서는 과제, 장학금, 행사, 연구 일정이 한 달 안에서 서로 겹치는 날을 바로 볼 수 있었습니다.
놓침을 줄이는 방식도 달라졌습니다. 전에 확인한 항목은 다시 분석하지 않고, 끝내지 않은 일은 다음 브리핑으로 이어지며, 마감이 지난 일은 ‘오늘’과 분리해 보여 줍니다. 어떤 소스가 실패하면 조용히 0건으로 숨기지 않고 첫 화면에 실패 원인을 남깁니다.
결과적으로 아침의 첫 30분이 정보 탐색이 아니라 실제 공부 시간이 되었습니다. 앱은 현재 15개 화면과 379개 자동 테스트를 갖춘 설치 가능한 프로그램으로 발전했고, 소스와 dmg를 공개해 다른 사람도 확인하고 사용할 수 있게 했습니다.
■ 4. 나만의 방식 또는 개선 포인트는 무엇인가요?
제 방식은 AI에게 판단을 맡기되, 판단의 근거와 통제권은 사람에게 남겨 두는 것입니다.
첫째, 정확히 아는 값은 AI에게 추측시키지 않았습니다. eTL이 제공하는 과제 마감은 원본 값을 우선하고, AI는 문장 속에 숨어 있는 마감만 읽습니다.
둘째, 분류 기준을 프롬프트 안에 숨기지 않았습니다. 사용자가 설정에서 ‘항상 중요’와 ‘무시’를 직접 정하고, 보관함에서 잘못 분류된 항목을 옮길 수 있게 했습니다.
셋째, 실패도 결과로 보여 줍니다. 메일이나 게시판 연결이 끊겼다면 빈 브리핑을 성공으로 저장하지 않고, 어느 소스가 왜 실패했는지를 남깁니다. AI가 만든 요약도 출처와 원문 발췌를 나란히 보여 주어 사람이 확인할 수 있습니다.
넷째, 개인정보 때문에 기본 판단 위치를 이 맥 안으로 두었습니다. 외부 API는 사용자가 직접 선택해야만 켜지며, 켜기 전에 어떤 제목과 본문이 전송되는지 화면에서 먼저 알립니다. API를 선택해도 문서 인식·파일 변환·배경 제거 같은 파일 작업은 계속 기기 안에서 끝납니다.
■ 5. 다른 사람도 따라 할 수 있나요?
맥이 있으면 빌드 없이 dmg를 받아 사용할 수 있습니다. Gmail이나 eTL을 연결하지 않아도 준비된 소스만으로 작동하고, 빠진 소스 하나가 나머지를 막지 않습니다. 학교 공개 게시판 목록도 사용자의 학교와 관심 분야에 맞게 바꿀 수 있습니다.
메모리가 넉넉한 맥에서는 Ollama 기반 로컬 모델을 쓰고, 작은 맥에서는 사용자가 선택한 OpenAI 호환 API를 연결할 수 있습니다. 업스테이지 Solar API와 LG EXAONE 로컬 모델도 선택지로 제공합니다. 기본값은 개인정보를 기기 밖으로 보내지 않는 로컬 모드입니다.
직접 비슷한 학습 도구를 만들 사람은 다음 순서를 그대로 적용할 수 있습니다.
① 매일 학습 전에 반복해서 여는 곳을 적는다.
② 각 소스에서 읽기 전용으로 가져올 수 있는 정보만 정한다.
③ AI가 추측할 것과 원본 값을 그대로 쓸 것을 나눈다.
④ 결과마다 출처·마감·원문 확인 경로를 붙인다.
⑤ 잘못된 분류를 사용자가 고치고 다음 판단에 반영하게 한다.
· 공개 저장소: https://github.com/sesepark/snu-local-agent
· 바로 받는 앱(dmg): https://github.com/sesepark/snu-local-agent/releases
· 59초 실제 조작 영상: https://sesepark.github.io/snu-local-agent/
활용 범위와 출처를 밝힙니다. ChatGPT Edu와 Codex는 앱의 설계·구현·검토에 사용했고, 앱 안의 브리핑 분류에는 Ollama 기반 로컬 언어 모델을 사용했습니다. Solar와 EXAONE은 다른 기기에서도 선택할 수 있도록 추가한 지원 모델입니다. 첨부 화면의 제3자 이름, 메일 내용, 학업·재정 관련 정보는 공개 전에 마스킹했습니다.
수업을 듣기 전에 이미 매일 30분 넘게 쓰고 있었습니다. 학교 온라인 강의실(eTL)에서 과제와 공지를 확인하고, 학부·본부 게시판에서 장학금과 행사를 찾고, 메일 두 계정과 문자, 캘린더를 차례로 열었습니다. 다섯 곳을 모두 돌아야 오늘 무엇을 배우고 무엇을 제출해야 하는지가 겨우 맞춰졌습니다.
한 곳이라도 빼먹은 날에는 마감이나 배울 기회를 놓쳤습니다. 정보가 없는 것이 아니라 너무 흩어져 있어서, 공부를 시작하기도 전에 집중력이 끊기는 것이 문제였습니다. 챗봇에 매일 물어보는 방식도 맞지 않았습니다. 제가 질문하지 않은 날에는 아무 일도 일어나지 않기 때문입니다.
그래서 목표를 “공부를 대신하는 AI”가 아니라 “배울 것을 찾아다니는 시간을 없애는 AI”로 잡았습니다. 흩어진 학습 정보를 먼저 모으고, 해야 할 일과 확인할 일을 나눈 뒤, 마감과 근거까지 한 화면에서 보여 주는 맥 앱을 만들고 실제 학기 생활에 사용했습니다.
■ 2. 어떤 AI를 어떻게 활용했나요?
앱을 만드는 데에는 학교의 ChatGPT Edu 계정과 Codex를 설계·개발 파트너로 활용했습니다. 다만 이 사례의 주인공은 코드를 만든 과정이 아니라, 완성한 앱 안에서 AI가 매일 학습 준비를 돕는 방식입니다.
앱은 네 단계로 작동합니다.
① 읽기 전용으로 모으기
Gmail 두 계정, 메시지, 캘린더, eTL 과목 공지·과제, 학교 공개 게시판을 함께 읽습니다. eTL의 정확한 마감 시각처럼 원래 구조화되어 있는 정보는 AI가 다시 추측하지 않고 원본 값을 그대로 사용합니다.
② 공부와 관련된 의미로 분류하기
기기 안에서 실행되는 언어 모델이 항목을 ‘오늘 꼭 할 일 / 확인해야 할 것 / 기타’로 나눕니다. 메일 제목만 줄이는 것이 아니라 ‘무슨 맥락인지 / 무엇을 해야 하는지 / 언제까지인지’를 읽을 수 있는 문장으로 바꿉니다.
③ 한 화면과 달력으로 연결하기
결과는 브리핑 보관함에 날짜별로 쌓이고, 마감은 월간 달력에 모입니다. 항목을 펼치면 요약뿐 아니라 출처와 원문 발췌를 함께 볼 수 있어, AI가 왜 그렇게 판단했는지 확인할 수 있습니다.
④ 사용자의 교정을 다음 분류에 반영하기
AI가 중요하다고 했지만 제가 ‘기타’로 옮긴 항목, 반대로 제가 계속 중요하게 올린 항목을 기록합니다. 같은 교정이 반복되면 다음 분류 때 참고하되, 사용자가 정한 규칙이 AI의 추정보다 우선합니다.
앱을 만들며 처음 접한 Swift와 로컬 모델의 원리를 AI에게 묻고 실행으로 확인하기도 했습니다. 그러나 그것은 이 도구를 완성하기 위한 보조 학습이었고, 핵심 활용은 완성된 앱으로 매일의 학습 준비를 자동화한 것입니다.
■ 3. 활용 결과 어떤 변화가 있었나요?
가장 큰 변화는 매일 30분 넘게 들던 ‘찾아다니는 시간’이 0분이 된 것입니다. 자동 실행을 켜 두면 밤사이 앱이 새 항목을 모아 정리하므로, 아침에는 다섯 곳을 방문하지 않고 이미 만들어진 화면 하나에서 시작합니다. 내용을 읽고 결정하는 일은 제가 하지만, 어디에 무엇이 있는지 찾아다니는 일은 더 이상 하지 않습니다.
실제 브리핑 화면에는 한 시점 기준 ‘오늘 꼭 할 일’ 46건과 ‘확인해야 할 것’ 58건이 출처·마감과 함께 정리되었습니다. 일정 달력에서는 과제, 장학금, 행사, 연구 일정이 한 달 안에서 서로 겹치는 날을 바로 볼 수 있었습니다.
놓침을 줄이는 방식도 달라졌습니다. 전에 확인한 항목은 다시 분석하지 않고, 끝내지 않은 일은 다음 브리핑으로 이어지며, 마감이 지난 일은 ‘오늘’과 분리해 보여 줍니다. 어떤 소스가 실패하면 조용히 0건으로 숨기지 않고 첫 화면에 실패 원인을 남깁니다.
결과적으로 아침의 첫 30분이 정보 탐색이 아니라 실제 공부 시간이 되었습니다. 앱은 현재 15개 화면과 379개 자동 테스트를 갖춘 설치 가능한 프로그램으로 발전했고, 소스와 dmg를 공개해 다른 사람도 확인하고 사용할 수 있게 했습니다.
■ 4. 나만의 방식 또는 개선 포인트는 무엇인가요?
제 방식은 AI에게 판단을 맡기되, 판단의 근거와 통제권은 사람에게 남겨 두는 것입니다.
첫째, 정확히 아는 값은 AI에게 추측시키지 않았습니다. eTL이 제공하는 과제 마감은 원본 값을 우선하고, AI는 문장 속에 숨어 있는 마감만 읽습니다.
둘째, 분류 기준을 프롬프트 안에 숨기지 않았습니다. 사용자가 설정에서 ‘항상 중요’와 ‘무시’를 직접 정하고, 보관함에서 잘못 분류된 항목을 옮길 수 있게 했습니다.
셋째, 실패도 결과로 보여 줍니다. 메일이나 게시판 연결이 끊겼다면 빈 브리핑을 성공으로 저장하지 않고, 어느 소스가 왜 실패했는지를 남깁니다. AI가 만든 요약도 출처와 원문 발췌를 나란히 보여 주어 사람이 확인할 수 있습니다.
넷째, 개인정보 때문에 기본 판단 위치를 이 맥 안으로 두었습니다. 외부 API는 사용자가 직접 선택해야만 켜지며, 켜기 전에 어떤 제목과 본문이 전송되는지 화면에서 먼저 알립니다. API를 선택해도 문서 인식·파일 변환·배경 제거 같은 파일 작업은 계속 기기 안에서 끝납니다.
■ 5. 다른 사람도 따라 할 수 있나요?
맥이 있으면 빌드 없이 dmg를 받아 사용할 수 있습니다. Gmail이나 eTL을 연결하지 않아도 준비된 소스만으로 작동하고, 빠진 소스 하나가 나머지를 막지 않습니다. 학교 공개 게시판 목록도 사용자의 학교와 관심 분야에 맞게 바꿀 수 있습니다.
메모리가 넉넉한 맥에서는 Ollama 기반 로컬 모델을 쓰고, 작은 맥에서는 사용자가 선택한 OpenAI 호환 API를 연결할 수 있습니다. 업스테이지 Solar API와 LG EXAONE 로컬 모델도 선택지로 제공합니다. 기본값은 개인정보를 기기 밖으로 보내지 않는 로컬 모드입니다.
직접 비슷한 학습 도구를 만들 사람은 다음 순서를 그대로 적용할 수 있습니다.
① 매일 학습 전에 반복해서 여는 곳을 적는다.
② 각 소스에서 읽기 전용으로 가져올 수 있는 정보만 정한다.
③ AI가 추측할 것과 원본 값을 그대로 쓸 것을 나눈다.
④ 결과마다 출처·마감·원문 확인 경로를 붙인다.
⑤ 잘못된 분류를 사용자가 고치고 다음 판단에 반영하게 한다.
· 공개 저장소: https://github.com/sesepark/snu-local-agent
· 바로 받는 앱(dmg): https://github.com/sesepark/snu-local-agent/releases
· 59초 실제 조작 영상: https://sesepark.github.io/snu-local-agent/
활용 범위와 출처를 밝힙니다. ChatGPT Edu와 Codex는 앱의 설계·구현·검토에 사용했고, 앱 안의 브리핑 분류에는 Ollama 기반 로컬 언어 모델을 사용했습니다. Solar와 EXAONE은 다른 기기에서도 선택할 수 있도록 추가한 지원 모델입니다. 첨부 화면의 제3자 이름, 메일 내용, 학업·재정 관련 정보는 공개 전에 마스킹했습니다.
