2020년 이후 인공지능 분야는 극적인 변화를 겪으며, 전문 분야에서 산업 전반에 걸친 필수 역량으로 자리매김했습니다. 입문 과정은 이 분야를 막 시작하는 사람들에게 유용하지만, 대규모 언어 모델을 설계하거나, 실전 수준의 AI 시스템을 구현하거나, 기업 내 AI 이니셔티브를 주도하고자 하는 전문가들에게는 훨씬 더 심도 있는 지식이 필요합니다. 고급 AI 과정은 기초적인 이해와 전문가 수준의 구현 사이의 격차를 해소하며, 오늘날의 경쟁적인 시장에서 요구되는 정교한 기술 역량을 학습자에게 제공합니다. 이 가이드에서는 고급 AI 교육과 입문 과정이 어떻게 다른지, 체계적인 교육 프로그램의 필수 구성 요소는 무엇인지, 그리고 전문가들이 이러한 기술을 활용하여 조직의 변화를 주도할 수 있는 방법을 살펴봅니다.
2026년 고급 AI 과정의 정의
입문용과 고급 AI 교육의 차이는 단순히 “더 어려운” 내용을 다루는 것을 넘어섭니다. 고급 AI 과정은 기계 학습 기초, 선형 대수학, 미적분학에 대한 기초 지식과 파이썬 또는 유사 언어에 대한 프로그래밍 숙련도를 전제로 합니다. 이러한 프로그램은 신경망이 무엇인지 설명하는 대신, 아키텍처 혁신, 최적화 전략, 그리고 실제 운영 환경 배포 시 직면하는 과제들을 심도 있게 다룹니다.
기술적 선행 지식 및 심도
고급 AI 과정에 등록하는 학습자들은 대개 12~24개월의 실무 기계 학습 경험을 보유하고 있으며, 경사 하강법, 역전파, 정규화 기법, 평가 지표와 같은 개념을 이해하고 있습니다. 교육 과정은 이러한 기초를 바탕으로 다음 내용을 심도 있게 다룹니다:
- 구현 수준에서의트랜스포머 아키텍처 및 어텐션 메커니즘
- LoRA, QLoRA 및 전체 매개변수 업데이트를 포함한 대규모 언어 모델을 위한미세 조정 전략
- 모델 정렬을 위한인간 피드백 기반 강화 학습(RLHF)
- DeepSpeed 및 FSDP와 같은 프레임워크를 활용한 다중 GPU분산 훈련
- 양자화, 프루닝, 지식 증류 등을 포함한모델 압축 기법
미세 조정 및 모범 사례에 관한 OpenAI 개발자 가이드는 고급 과정에 포함되는 기술적 세부 사항의 유형을 잘 보여주며, 이론을 넘어 실제 적용에 중점을 둔 구현 단계로 나아갑니다.
연구 기반의 커리큘럼 설계
우수한 고급 프로그램들은 아직 주류 실무에 널리 퍼지지 않은 최첨단 연구를 반영합니다. 스탠퍼드의 고급 NLP 과정(CS224N) 은 강의 계획서 구조를 통해 이러한 접근 방식을 보여주며, 어텐션 메커니즘, 검색 강화 생성(retrieval-augmented generation), 사고의 사슬 프롬프팅(chain-of-thought prompting)에 관한 최신 논문을 발표된 지 몇 주 만에 강의에 통합합니다.
효과적인 고급 AI 과정은 이러한 연구와의 연계성을 유지하면서도 개념을 실제 적용에 기반을 두도록 합니다. 이러한 균형을 통해 학습자들은 혁신을 이끄는 이론적 토대와 실제 배포에 필요한 공학적 타협점을 모두 이해할 수 있습니다.
| 입문 과정의 중점 | 고급 과정의 중점 |
|---|---|
| 신경망이란 무엇인가? | 트랜스포머 메모리 효율 최적화 |
| 간단한 분류기 훈련 | 사용자 정의 어텐션 패턴 구현 |
| 사전 학습된 모델 활용 | 사용자 정의 목표 함수를 활용한 미세 조정 |
| 기본 모델 평가 | 운영 모니터링 및 A/B 테스트 |
| 단일 시스템 훈련 | 다중 GPU 분산 전략 |
전문 AI 훈련의 핵심 기술 모듈
고급 AI 과정의 구성은 전문 분야의 심도 수준에 따라 일반적으로 80~200시간의 강의로 이루어집니다. MammothClub의 AI 및 머신러닝 과정은 포괄적인 프로그램이 학습 경로를 어떻게 구성하여 전문 지식을 단계적으로 쌓아가는지를 보여줍니다.
자연어 처리 및 대규모 언어 모델
GPT-4, Claude, Gemini와 같은 모델이 가져온 혁신적인 영향으로 인해, 현대 자연어 처리(NLP)는 고급 AI 과정 분야에서 주류를 이루고 있습니다. 전문가 수준의 교육 과정은 다음을 다룹니다:
트랜스포머 심층 분석: 셀프 어텐션, 멀티헤드 어텐션, 위치 인코딩, 레이어 정규화의 구현 세부 사항. 학습자들은 계산 복잡도와 메모리 요구 사항을 이해하기 위해 트랜스포머를 처음부터 직접 구축합니다.
파인 튜닝 방법론: 파운데이션 모델을 특정 도메인에 적용하기 위한 매개변수 효율적인 접근 방식. 여기에는 지시어 튜닝, 소량 데이터 학습 최적화, 그리고 성능을 극대화하면서 계산 비용을 최소화하는 도메인 적응 전략이 포함됩니다.
검색 강화 생성(Retrieval-Augmented Generation): 대규모 언어 모델을 외부 지식 기반, 벡터 데이터베이스 및 실시간 데이터 소스와 결합하여 환각 현상을 줄이고 사실적 정확도를 향상시키는 통합 패턴.
강화 학습을 활용해 대규모 언어 모델(LLM)에 추론 능력을 가르치는 방법에 관한 2024년 ArXiv 논문과 같은 최근 연구는 정렬 및 추론 능력 향상에 관한 고급 모듈에 정보를 제공하며, 최첨단 기술이 실제로 어떻게 적용되는지 보여준다.
컴퓨터 비전 및 다중 모달 시스템
비전 트랜스포머(ViT)와 확산 모델은 이미지 처리에 혁명을 일으키며 실무자들에게 새로운 기회와 과제를 제시하고 있습니다. 컴퓨터 비전을 다루는 고급 AI 과정에서는 다음을 탐구합니다:
- CNN에서 비전 트랜스포머를 거쳐 현대적인 하이브리드 접근 방식에 이르는 아키텍처의 진화
- 확산 모델의 수학적 원리와 안정적인 학습 절차
- 제로샷 및 퓨샷 시각 분류 기법
- 대규모 비디오 이해 및 시간적 모델링
- 텍스트, 이미지 및 기타 모달리티 간의 교차 모달 학습
실습 프로젝트는 일반적으로 CLIP 스타일 모델의 미세 조정, 맞춤형 확산 스케줄러 구현, 또는 여러 데이터 유형을 아우르는 검색 시스템 구축을 포함합니다.
강화 학습 및 의사결정 시스템
많은 응용 분야에서 지도 학습이 주류를 이루고 있지만, 강화 학습은 로봇 공학, 게임 AI, 추천 시스템, 자원 최적화 분야에서 자율적인 의사 결정을 가능하게 합니다. 심화 교육 과정은 다음을 다룹니다:
- PPO, TRPO 및 A3C 변형을 포함한정책 기울기 방법
- 경험 재현(Experience Replay) 및 타겟 네트워크를 활용한대규모 Q-러닝
- 계획 수립을 위해 환경 역학을 학습하는모델 기반 강화 학습
- 경쟁 및 협력 시나리오를 위한다중 에이전트 강화 학습
- 환경과의 상호작용 없이 기록된 데이터로부터 학습하는오프라인 강화 학습 기법
강화 학습(RL)과 대규모 언어 모델 정렬(RLHF) 간의 연관성으로 인해, 이 주제는 생산 규모에서 생성형 AI를 다루는 모든 이에게 필수적인 주제가 되었습니다.
프로덕션 배포 및 MLOps 기초
구현이 따르지 않는 이론은 그 가치가 제한적입니다. 효과적인 고급 AI 과정은 프로젝트의 성공을 좌우하는 프로덕션 엔지니어링, 인프라 및 운영 관련 문제에 상당한 시간을 할애합니다.
모델 서빙 아키텍처
노트북 실험에서 실제 서비스로 넘어가려면 지연 시간과 처리량의 상충 관계, 자동 확장 패턴, 비용 최적화를 이해해야 합니다. Hugging Face의 ‘추론 엔드포인트(Inference Endpoints)’ 문서는 고급 과정에서 다루는 실용적인 패턴을 제공합니다:
- 배치 대 실시간 추론 결정 프레임워크
- 양자화 및 동적 배칭을 통한GPU 메모리 최적화
- 단일 GPU 용량을 초과하는 대규모 모델을 서비스하기 위한모델 병렬화
- 중복 계산을 줄이기 위한캐싱 전략
- 이종 하드웨어 간부하 분산
Hugging Face의 Transformers 서비스 및 배포 가이드에서는 단순한 구현 방식에 비해 추론 비용을 3~10배까지 절감할 수 있는 TGI 및 vLLM과 같은 최적화된 런타임에 대한 심층적인 기술 정보를 제공합니다.
엔터프라이즈 MLOps 모범 사례
조직 차원의 AI 성공은 반복 가능한 프로세스, 버전 관리, 모니터링 및 거버넌스에 달려 있습니다. 고급 교육은 다음을 통해 이러한 요소를 다룹니다:
파이프라인 오케스트레이션: Kubeflow, MLflow, Vertex AI와 같은 도구를 사용하여 데이터 전처리, 훈련, 검증 및 배포 단계로 구성된 복잡한 워크플로를 관리합니다. Google Cloud Vertex AI 문서는 엔터프라이즈급 모범 사례에 대한 권위 있는 참고 자료 역할을 합니다.
실험 추적: 하이퍼파라미터 튜닝, 모델 버전 관리, 재현성을 위한 체계적인 접근 방식으로, 팀이 효율적으로 반복 작업을 수행하고 감사 추적을 유지할 수 있도록 지원합니다.
성능 모니터링: 정확도 편차, 지연 시간 백분위수, 처리량 지표 및 비즈니스 KPI를 추적하는 대시보드를 구현하여, 성능 저하가 사용자에게 영향을 미치기 전에 이를 감지합니다.
모델 거버넌스: 규제 당국의 기대치에 부합하는 규정 준수 프레임워크, 편향 탐지, 해석 가능성 요구 사항 및 문서화 표준.
『 머신러닝 시스템』 교재는 이러한 주제를 포괄적으로 다루고 있어, 운영 시스템에 중점을 둔 고급 학습자들에게 유용한 보조 교재가 됩니다.
전문 트랙 및 산업 적용 사례
일반적인 AI 교육은 폭넓은 지식을 제공하지만, 전문가들은 종종 특정 분야에 대한 전문 지식이 필요합니다. 고급 과정에서는 산업 분야에 맞춤화된 전문화 과정을 점점 더 많이 제공하고 있습니다.
의료 및 생명과학
의료 AI 애플리케이션은 데이터 개인정보 보호(HIPAA), 규제 승인(FDA), 안전이 최우선인 성능과 관련된 고유한 과제에 직면해 있습니다. 전문 모듈에서는 다음 내용을 다룹니다:
- 중앙 집중화 없이 분산된 환자 데이터를 기반으로 학습을 수행하는연합 학습
- CT, MRI 및 병리 슬라이드 분석에 최적화된의료 영상 아키텍처
- 비정형 의료 기록에서 구조화된 정보를 추출하기 위한임상 자연어 처리(NLP)
- 분자 특성 예측 및 생성 화학(generative chemistry)을 활용한신약 개발 애플리케이션
금융 서비스 및 리스크 관리
은행, 보험사, 투자 회사는 사기 탐지, 신용 평가, 알고리즘 거래, 규제 준수를 위해 AI를 도입하고 있습니다. 고급 교육 과정에서는 다음을 다룹니다:
- 트랜스포머 및 시계열 컨볼루션 네트워크를 활용한 시계열 예측
- 고차원 거래 데이터의 이상 탐지
- 신용 결정 및 규제 보고를 위한 설명 가능성 요건
- 재정적 동기가 있는 공격에 대한 적대적 강건성
자율 시스템 및 로봇공학
자율주행 차량, 창고 자동화 및 드론 시스템은 불확실성 하에서 실시간 의사결정이 필요합니다. 주요 내용은 다음과 같습니다:
- 카메라, 라이더, 레이더 데이터를 결합한 센서 퓨전
- 학습된 정책을 활용한 경로 계획 및 동작 제어
- 시뮬레이션과 실제 배포를 연결하는 시뮬레이션-실제 전이 기법
- AI 제어 시스템을 위한 안전 검증 방법
연구 통합 및 지속적인 학습
AI 혁신의 속도가 매우 빠르기 때문에 어떤 교육 과정도 몇 달 안에 구식이 될 위험이 있습니다. 뛰어난 고급 AI 과정은 지속적인 학습과 연구 참여를 위한 메커니즘을 포함하고 있습니다.
학술 연구 소양
전문 AI 실무자는 최신 논문의 연구 결과를 읽고, 평가하며, 이를 적용할 수 있어야 합니다. 본 교육 과정은 다음을 통해 이러한 역량을 함양합니다:
- 연구 방법론, 결과 및 한계를 심층적으로 분석하는논문 읽기 세미나
- 학습자가 논문에서 제시된 기법을 직접 구현해 보는재현 프로젝트
- 'Papers with Code'와 같은 리소스를 활용하여 구현 결과를 발표된 결과와 비교하는벤치마크 참여
- 벤치마크에 대한 과적합, 통계적 문제, 또는 일반화 능력의 한계를 파악하기 위한비판적 분석 능력
이러한 연구적 기반을 통해 전문가들은 혁신 기술이 주류 도구로 자리 잡기 몇 달 또는 몇 년 전에 이를 도입할 수 있습니다.
오픈 소스 기여 경로
PyTorch, TensorFlow, Hugging Face Transformers와 같은 주요 AI 프레임워크에 기여하면 심도 있는 기술적 통찰력을 얻을 수 있을 뿐만 아니라 전문가 네트워크도 구축할 수 있습니다. 고급 프로그램은 학습자들에게 다음을 안내합니다:
- 기술 수준에 맞는 첫 기여 과제 파악하기
- 프로젝트 거버넌스 및 코드 검토 프로세스 이해
- 아키텍처 지식이 필요한 기능 구현 또는 버그 수정
- 변경 사항 문서화 및 유지 관리자의 피드백에 적극적으로 대응하기
이러한 기여 활동은 고용주에게 전문성을 입증하는 포트폴리오 자료가 되는 동시에, 더 넓은 생태계를 강화하는 데 기여합니다.
윤리, 안전 및 책임 있는 AI 개발
윤리적 토대가 없는 기술적 역량은 중대한 위험을 초래합니다. 현대의 첨단 AI 과정들은 윤리를 사후 고려 사항으로 취급하기보다는, 책임감 있는 개발 관행을 커리큘럼 전반에 걸쳐 통합하고 있습니다.
정합성 및 안전 공학
AI 에이전트의 미래를 확보하기 위한 딥마인드(DeepMind)의 게시물은 시스템 수준의 안전성, 레드팀 훈련, 다층 방어 접근법에 대한 업계의 관점을 조명합니다. 고급 교육 과정은 다음을 통해 이러한 개념을 실제 적용으로 전환합니다:
- 모델의 취약점을 식별하기 위한적대적 테스트 방법론
- 헌법적 AI 및 토론 기반 접근법을 포함한정렬 기법
- 분포 변화나 안전하지 않은 출력을 감지하는모니터링 시스템
- 중대한 결정을 위한‘휴먼-인-더-루프(Human-in-the-loop) ’ 아키텍처
거버넌스 및 정책 프레임워크
AI 규제는 전 세계적으로 진화하고 있으며, EU AI 법, 유네스코의 ‘인공지능 윤리에 관한 권고안’, 그리고 분야별 지침과 같은 프레임워크를 통해 준수 의무가 부과되고 있습니다. 전문가 수준의 교육에서는 다음을 다룹니다:
- 주요 관할권별 규제 현황
- 고위험 AI 시스템에 대한 문서화 요건
- 응용 분야에 적합한 편향성 감사 및 공정성 지표
- 차등 프라이버시 및 보안 계산을 포함한 개인정보 보호 기술
이러한 역량을 바탕으로 실무자들은 복잡한 법적·윤리적 환경을 헤쳐나가며 비즈니스 가치를 창출할 수 있습니다.
인증 및 전문성 인정
자격증은 고용주와 고객에게 전문성을 입증해 주지만, 제공 기관에 따라 그 수준은 천차만별입니다. 의미 있는 자격증을 제공하는 고급 AI 과정은 일반적으로 다음을 요구합니다:
실습 평가: 객관식 지식보다는 실제 적용 능력을 입증하는 포트폴리오 프로젝트, 카글(Kaggle) 방식의 경진대회, 또는 캡스톤 프로젝트 구현 등이 포함되어야 합니다.
업계 인정: 교육 과정의 엄격성과 실용성을 입증해 주는 기술 기업, 전문 협회 또는 학술 기관과의 파트너십.
지속적인 업데이트: 해당 분야의 발전에 발맞춰 정기적으로 콘텐츠를 갱신함으로써, 수료증이 시간이 지나도 그 가치를 유지하도록 보장합니다.
MammothClub의 기업 인증 프로그램 접근 방식은 공식 자격증과 더불어 측정 가능한 역량 개발 및 포트폴리오 구축을 중점적으로 다룹니다.
실무 중심의 프로젝트 설계 및 포트폴리오 개발
학생에서 실무자로의 전환은 실제 문제를 해결하는 능력을 입증하는 데 달려 있습니다. 우수한 고급 교육 과정은 현장의 과제를 반영한 실질적인 프로젝트 작업을 포함하고 있습니다.
종단간 시스템 구현
단편적인 연습이 아닌 포괄적인 프로젝트를 통해 학습자는 다음을 수행해야 합니다:
- 비즈니스 문제를 머신러닝 과제로 정의하기
- 현실적인(종종 비정형인) 데이터셋을 수집하고 전처리하기
- 적절한 모델 아키텍처와 훈련 전략을 선정
- 모니터링 및 유지보수 계획을 수립하여 시스템을 배포
- 비기술적 이해관계자에게 결과 발표하기
대표적인 프로젝트 예시로는 기업 문서를 위한 검색 강화형 QA 시스템 구축, 특정 프레임워크에 맞춘 코드 생성 모델의 미세 조정, A/B 테스트 인프라를 갖춘 추천 엔진 구현 등이 있습니다.
오픈 소스 포트폴리오 구축
깔끔한 코드, 철저한 문서화, 재현 가능한 결과를 보여주는 GitHub 저장소는 경력을 발전시키는 데 강력한 원동력이 됩니다. 고급 과정에서는 학습자가 다음을 입증할 수 있는 포트폴리오 작품을 만들 수 있도록 안내합니다:
- 테스트, 로깅, 의존성 관리를 포함한소프트웨어 공학적 체계성
- 설계 결정을 설명하는 README, 튜토리얼, 블로그 게시물을 통한의사소통 능력
- 목표 산업이나 직무와 관련된 문제를 해결함으로써 얻은도메인 전문성
이러한 산출물은 공식적인 자격 증명을 보완하는 역량에 대한 구체적인 증거를 제공합니다.
학습 형식 및 시간 투자 고려 사항
고급 AI 과정의 집중도와 구조는 학습 성과에 상당한 영향을 미칩니다. 전문가들은 복잡한 학습 내용에 필요한 집중력을 유지하면서, 학습과 기존 업무 간의 균형을 맞춰야 합니다.
실시간 학습 대 비실시간 학습 옵션
실시간 코호트 기반 프로그램은 강사 및 동료들과 실시간으로 상호작용할 수 있는 기회를 제공하여 책임감을 고취하고, 어려운 개념을 즉시 명확히 이해할 수 있게 해줍니다. 일반적으로 12~16주 동안 주당 10~20시간의 학습이 필요합니다.
자기 주도형 과정은 바쁜 직장인들에게 유연성을 제공하지만, 강한 자기 관리 능력이 요구됩니다. 자동 채점 과제, 동료 코드 검토, 상담 시간과 같은 상호작용 요소들은 학습 참여도를 유지하는 데 도움이 됩니다.
하이브리드 모델은 사전 녹화된 콘텐츠와 정해진 일정의 실시간 세션을 결합하여, 유연성을 제공하면서도 학습 공동체와 전문가와의 소통 기회를 유지합니다.
최적의 형식은 학습 스타일, 일정 제약, 그리고 과거 자율 학습의 성공 여부에 따라 달라집니다.
비용-편익 분석
고급 AI 교육은 상당한 투자가 필요한데, 프로그램 비용은 자기 주도형 수료 과정의 경우 500달러부터 대학 연계 부트캠프의 경우 15,000달러 이상에 이르기까지 다양합니다. 다음 사항을 고려해 보십시오:
| 투자 요인 | 평가 질문 |
|---|---|
| 직접 비용 | 가격에 업데이트 비용이 포함되어 있나요? 할부 결제 옵션이 제공되나요? |
| 시간 투자 | 다른 의무를 고려했을 때 요구되는 진행 속도를 유지할 수 있습니까? |
| 기회 비용 | 학습 기간 동안 무엇을 포기하게 될까요? |
| 경력에 미치는 영향 | 새로운 기술이 소득 증가로 이어지는 데 얼마나 걸릴까요? |
| 고용주의 지원 | 소속 조직에서 교육 비용을 지원하거나 학습 시간을 제공해 줄 것인가? |
많은 전문가들은 전문적인 AI 기술을 습득하면 12~18개월 이내에 20~40%의 급여 인상을 이끌어낼 수 있다는 사실을 확인했으며, 이로 인해 초기 비용이 발생하더라도 체계적인 교육은 투자 대비 수익(ROI) 측면에서 매우 긍정적입니다.
팀 교육 및 기업 내 도입
개인의 역량 강화는 조직의 역량 구축과 근본적으로 다릅니다. 기업 차원에서 첨단 AI를 도입하려면 체계적인 팀 개발, 공유 인프라, 그리고 변화 관리가 필요합니다.
기업 교육 프로그램
AI를 대규모로 도입하는 조직은 자사의 특정 기술 스택, 데이터 환경 및 비즈니스 우선순위에 맞춘 맞춤형 교육의 혜택을 누릴 수 있습니다. 효과적인 기업 교육 프로그램에는 다음이 포함됩니다:
- 기술 격차를 파악하고 숙련도에 따라 학습자를 그룹화하기 위한사전 평가
- 기업의 데이터 소스, 분야별 용어, 기존 툴을 반영한맞춤형 콘텐츠
- 실제 비즈니스 문제를 해결하면서 역량을 키우는팀 프로젝트
- 경영진이 AI의 역량과 한계를 이해할 수 있도록 돕는임원 브리핑
- 오피스 아워 및 도입 컨설팅을 포함한교육 후 지원
MammothClub의 기업 인증 프로그램은 플랫폼이 기술적 엄격성을 유지하면서도 조직의 요구에 맞춰 고급 교육을 어떻게 구성하는지 보여줍니다.
사내 AI 커뮤니티 구축
지속 가능한 조직의 AI 역량을 구축하려면 일회성 교육만으로는 부족합니다. 선도적인 기업들은 다음과 같은 체계를 구축합니다:
- 실무자들이 과제와 해결책을 논의하는 내부 지식 공유 포럼
- 팀이 최신 혁신 동향을 파악할 수 있도록 돕는 연구 논문 독서 모임
- 실험을 장려하는 해커톤 및 혁신 경진대회
- 경험이 풍부한 실무자와 아직 초기 단계에 있는 실무자 간의 멘토링 매칭
이러한 이니셔티브들은 개인의 지식을 직원 이직 이후에도 지속되는 조직적 역량으로 전환시킵니다.
고급 AI를 숙달하려면 단순히 강의를 듣는 것만으로는 턱없이 부족합니다. 직접적인 구현, 연구 참여, 실제 운영 환경 배포 경험, 그리고 분야가 진화함에 따라 지속되는 학습이 필요합니다. AI 이니셔티브를 주도하고자 하는 개인 전문가이든, AI 도입을 통해 경쟁 우위를 확보하려는 조직이든, 올바른 교육 프로그램은 개념 이해에서 측정 가능한 비즈니스 성과 창출에 이르는 여정을 가속화합니다. MammothClub은 AI 지식을 경력을 결정짓는 전문성으로 전환시켜 주는 포괄적인 커리큘럼, 실습 랩, 인증 과정을 제공하며, 급속히 발전하는 이 분야에서 여러분의 기술을 최상의 상태로 유지할 수 있도록 설계된 대화형 부트캠프와 기업 맞춤형 프로그램을 운영합니다.
