목록으로
교육·학습을 위한 AI 활용
코드를 모르던 학습자가 AI와 함께 교통사고 지원 웹앱을 구현하고 검증한 과정
팀 프로젝트에서 AI 코딩 도구와 대화하며 영상 업로드·차량 감지·사진 비교 기능을 구현하고, 작동 범위와 한계를 직접 확인한 학습 사례입니다.
🤖 활용 AI 도구
OpenAI Codex, Ultralytics YOLO
1. 어떤 상황에서 AI를 활용했나요?
프로그래밍을 정식으로 배운 경험이 부족한 상태에서 교통사고 분석 지원 웹앱 팀 프로젝트에 참여했습니다. 제가 맡은 부분은 화면과 영상 업로드, 차량 감지 사진의 비교·확대·저장 기능, 오류와 성능 검증 및 발표자료 지원이었습니다. 팀원들은 사고 상황 문답과 백엔드, 기준·법규·판례 자료와 AI 검색 프로토타입을 맡았습니다.
처음에는 수업의 YOLO 예제를 어떻게 프로젝트에 연결해야 할지 몰라 터미널을 여는 단계부터 도움을 요청했습니다. 이후 팀 일정에 맞춰 작동하는 결과물을 먼저 만들고, 실제 화면과 검증 기록을 보면서 개선하는 방식으로 진행했습니다. 이 사례는 제가 코드를 혼자 작성했다는 이야기가 아니라, 부족한 구현 역량을 AI의 도움으로 보완하고 결과를 확인한 경험입니다.
2. 어떤 AI를 어떻게 활용했나요?
Codex에 기존 팀 코드를 유지하면서 제가 맡은 기능을 구현하도록 요청했습니다. 화면을 확인한 뒤 질문을 쉽게 바꾸고, 결과를 사진 중심으로 구성하고, 원본 비교와 확대를 추가하는 등 구체적으로 수정 의견을 전달했습니다. 코드 작성과 자동 검사는 AI 에이전트가 수행했고, 저는 기능 범위와 화면 방향을 정하고 확인할 항목을 요청했습니다.
차량 인식에는 YOLO를 사용했습니다. 영상을 올리면 검사한 프레임 중 차량이 처음 감지된 장면에서 원본 사진과 차량 표시 사진을 만들고, 같은 시점의 두 사진을 비교하거나 확대·저장할 수 있게 구성했습니다.
특히 “차량을 감지한 사진”과 “사고 순간을 판정한 사진”이 다르다는 점을 구분했습니다. 현재 기능이 충돌 순간이나 과실비율을 영상에서 자동 판단하는 것처럼 설명하지 않도록 화면과 발표 문구를 수정했습니다.
3. 실제로 무엇이 달라졌나요?
팀 웹앱에서 사고 조건 문답, 영상 업로드, 차량 감지 사진, 관련 기준 확인으로 이어지는 흐름을 구현했습니다. 저는 화면·영상 연결과 사진 확인 기능을 맡아 개선했습니다. 사고 기준 자료와 문답, AI 검색 실험은 팀 공동 작업이며 제 개인 단독 성과로 주장하지 않습니다.
기능이 보이는 것에서 그치지 않고 실제 영상의 처리 시간과 자료 보존을 확인하도록 요청했습니다. 2026년 10월 23일 Mac CPU 환경의 기록에서 첫 차량 감지 최초 요청은 두 차례 측정 시 각각 3.168초와 1.886초였습니다. 이는 첫 프레임에서 차량을 찾고 종료한 시험으로, 영상 전체 분석 속도나 사고 판정 정확도를 뜻하지 않습니다.
서버 종료 후 재시작, 백업 후 별도 폴더 복원에서도 시험 자료의 동일 여부를 확인했습니다. 두 번째 시험의 입력 영상·사진 등 16개 파일이 동일함을 확인한 기록이 있습니다. 이 역시 로컬 시험 결과이며 실제 클라우드 장애 복구나 공개 운영 실적은 아닙니다.
4. 저만의 활용 방식과 배운 점은 무엇인가요?
AI에게 “만들어줘”라고 요청하는 것에서 시작했지만, 이후에는 “원본과 같은 시점인가”, “다시 실행해도 자료가 남는가”, “실제 영상으로 측정했는가”, “현재 구현된 기능과 향후 계획이 구분되는가”를 확인하도록 요청했습니다.
발표자료에서도 기능 목록만 나열하지 않고 실제 화면과 검증 기록, 구현하지 못한 부분을 함께 설명했습니다. AI가 빠르게 많은 결과물을 만들어 주더라도 설명이 실제 구현보다 앞서가지 않게 범위를 확인하는 일이 필요하다는 점을 배웠습니다. 이를 통해 구현을 요청하고 결과를 검토하는 방법을 경험했습니다. 코드 전반을 독립적으로 설명하거나 유지보수할 수 있는 수준에 도달했다고 주장하지는 않습니다.
5. 다른 사람도 어떻게 따라 할 수 있나요?
먼저 자신이 맡은 기능 하나와 완료 기준을 정합니다. 기존 코드와 수업 예제를 AI에 제공하고, 작은 기능부터 실행해 봅니다. 화면을 보고 구체적인 수정 의견을 전달한 뒤 정상 동작뿐 아니라 잘못된 입력, 재시작, 저장 여부를 확인합니다. 마지막으로 구현된 기능·시험 조건·미완료 항목을 구분해 기록합니다.
이번 프로젝트의 다음 단계는 사고 경험자 50명 인터뷰를 목표로 실제로 막히는 과정을 확인하고 화면을 개선하는 것입니다. 이는 향후 계획이며 완료된 인터뷰나 검증된 사용자 효과는 없습니다. 학습용 웹앱의 안내를 확정적인 법률 판단이나 사고 과실 판정으로 제시하지 않습니다.
공동 작업 및 자료 안내
이 글은 팀 프로젝트 중 윤은미의 AI 활용·학습 경험입니다. 문답·백엔드와 사고 기준·법규·판례 자료 및 별도 AI 검색 프로토타입에는 팀원의 기여가 있습니다. 코드 작성과 자동 검사는 AI 도구의 도움을 받았습니다. 팀 발표자료 원본, 타요 캐릭터, 제3자 사고 영상·사진, 개인 연락처가 포함된 대화 캡처는 첨부하지 않습니다.
참고
Ultralytics YOLO 공식 문서: https://docs.ultralytics.com/
손해보험협회 과실비율정보포털: https://accident.knia.or.kr/
측정과 보존 확인 근거: 팀 개발 기록 docs/DEPLOYMENT_BENCHMARK.md, 2026-10-23.
프로그래밍을 정식으로 배운 경험이 부족한 상태에서 교통사고 분석 지원 웹앱 팀 프로젝트에 참여했습니다. 제가 맡은 부분은 화면과 영상 업로드, 차량 감지 사진의 비교·확대·저장 기능, 오류와 성능 검증 및 발표자료 지원이었습니다. 팀원들은 사고 상황 문답과 백엔드, 기준·법규·판례 자료와 AI 검색 프로토타입을 맡았습니다.
처음에는 수업의 YOLO 예제를 어떻게 프로젝트에 연결해야 할지 몰라 터미널을 여는 단계부터 도움을 요청했습니다. 이후 팀 일정에 맞춰 작동하는 결과물을 먼저 만들고, 실제 화면과 검증 기록을 보면서 개선하는 방식으로 진행했습니다. 이 사례는 제가 코드를 혼자 작성했다는 이야기가 아니라, 부족한 구현 역량을 AI의 도움으로 보완하고 결과를 확인한 경험입니다.
2. 어떤 AI를 어떻게 활용했나요?
Codex에 기존 팀 코드를 유지하면서 제가 맡은 기능을 구현하도록 요청했습니다. 화면을 확인한 뒤 질문을 쉽게 바꾸고, 결과를 사진 중심으로 구성하고, 원본 비교와 확대를 추가하는 등 구체적으로 수정 의견을 전달했습니다. 코드 작성과 자동 검사는 AI 에이전트가 수행했고, 저는 기능 범위와 화면 방향을 정하고 확인할 항목을 요청했습니다.
차량 인식에는 YOLO를 사용했습니다. 영상을 올리면 검사한 프레임 중 차량이 처음 감지된 장면에서 원본 사진과 차량 표시 사진을 만들고, 같은 시점의 두 사진을 비교하거나 확대·저장할 수 있게 구성했습니다.
특히 “차량을 감지한 사진”과 “사고 순간을 판정한 사진”이 다르다는 점을 구분했습니다. 현재 기능이 충돌 순간이나 과실비율을 영상에서 자동 판단하는 것처럼 설명하지 않도록 화면과 발표 문구를 수정했습니다.
3. 실제로 무엇이 달라졌나요?
팀 웹앱에서 사고 조건 문답, 영상 업로드, 차량 감지 사진, 관련 기준 확인으로 이어지는 흐름을 구현했습니다. 저는 화면·영상 연결과 사진 확인 기능을 맡아 개선했습니다. 사고 기준 자료와 문답, AI 검색 실험은 팀 공동 작업이며 제 개인 단독 성과로 주장하지 않습니다.
기능이 보이는 것에서 그치지 않고 실제 영상의 처리 시간과 자료 보존을 확인하도록 요청했습니다. 2026년 10월 23일 Mac CPU 환경의 기록에서 첫 차량 감지 최초 요청은 두 차례 측정 시 각각 3.168초와 1.886초였습니다. 이는 첫 프레임에서 차량을 찾고 종료한 시험으로, 영상 전체 분석 속도나 사고 판정 정확도를 뜻하지 않습니다.
서버 종료 후 재시작, 백업 후 별도 폴더 복원에서도 시험 자료의 동일 여부를 확인했습니다. 두 번째 시험의 입력 영상·사진 등 16개 파일이 동일함을 확인한 기록이 있습니다. 이 역시 로컬 시험 결과이며 실제 클라우드 장애 복구나 공개 운영 실적은 아닙니다.
4. 저만의 활용 방식과 배운 점은 무엇인가요?
AI에게 “만들어줘”라고 요청하는 것에서 시작했지만, 이후에는 “원본과 같은 시점인가”, “다시 실행해도 자료가 남는가”, “실제 영상으로 측정했는가”, “현재 구현된 기능과 향후 계획이 구분되는가”를 확인하도록 요청했습니다.
발표자료에서도 기능 목록만 나열하지 않고 실제 화면과 검증 기록, 구현하지 못한 부분을 함께 설명했습니다. AI가 빠르게 많은 결과물을 만들어 주더라도 설명이 실제 구현보다 앞서가지 않게 범위를 확인하는 일이 필요하다는 점을 배웠습니다. 이를 통해 구현을 요청하고 결과를 검토하는 방법을 경험했습니다. 코드 전반을 독립적으로 설명하거나 유지보수할 수 있는 수준에 도달했다고 주장하지는 않습니다.
5. 다른 사람도 어떻게 따라 할 수 있나요?
먼저 자신이 맡은 기능 하나와 완료 기준을 정합니다. 기존 코드와 수업 예제를 AI에 제공하고, 작은 기능부터 실행해 봅니다. 화면을 보고 구체적인 수정 의견을 전달한 뒤 정상 동작뿐 아니라 잘못된 입력, 재시작, 저장 여부를 확인합니다. 마지막으로 구현된 기능·시험 조건·미완료 항목을 구분해 기록합니다.
이번 프로젝트의 다음 단계는 사고 경험자 50명 인터뷰를 목표로 실제로 막히는 과정을 확인하고 화면을 개선하는 것입니다. 이는 향후 계획이며 완료된 인터뷰나 검증된 사용자 효과는 없습니다. 학습용 웹앱의 안내를 확정적인 법률 판단이나 사고 과실 판정으로 제시하지 않습니다.
공동 작업 및 자료 안내
이 글은 팀 프로젝트 중 윤은미의 AI 활용·학습 경험입니다. 문답·백엔드와 사고 기준·법규·판례 자료 및 별도 AI 검색 프로토타입에는 팀원의 기여가 있습니다. 코드 작성과 자동 검사는 AI 도구의 도움을 받았습니다. 팀 발표자료 원본, 타요 캐릭터, 제3자 사고 영상·사진, 개인 연락처가 포함된 대화 캡처는 첨부하지 않습니다.
참고
Ultralytics YOLO 공식 문서: https://docs.ultralytics.com/
손해보험협회 과실비율정보포털: https://accident.knia.or.kr/
측정과 보존 확인 근거: 팀 개발 기록 docs/DEPLOYMENT_BENCHMARK.md, 2026-10-23.
