정답 · 해설

해설

【핵심 용어】 ▸ Bedrock Agents: 기반 모델에 도구 실행(tool calling) 능력을 부여해 멀티스텝 태스크 수행 ▸ Advanced Prompts: 에이전트의 내부 시스템 프롬프트를 사용자가 직접 편집 가능하게 제공 ▸ Few-shot Prompting: 프롬프트 내 구체적 예시 제공으로 모델 행동 개선 【정답 포인트】 ▸ 에이전트 정확도 향상 경로: 기본 에이전트 프롬프트 → Advanced Prompts로 수정 → Few-shot 예시 추가 → 에이전트가 구체적 사례를 보고 패턴 인식 ▸ 즉시 효과: 라벨 데이터 필요 없고 API 호출로 프롬프트만 수정하면 재배포 가능 【오답 체크】 (B) Guardrail: 콘텐츠 필터링·정책 강제 용도로 정확도 향상 기능 아님 / (C) Ground Truth: SageMaker 라벨링 서비스로 시간 소요. 빠른 개선과 무관 / (D) Lambda: 에이전트 기능 외부 확장으로 프롬프트 개선과 무관 【시험 포인트】 ▸ Bedrock Agents의 prompt engineering: 기본 프롬프트 → Advanced Prompts 편집 → 에이전트 동작 재현 향상 ▸ Few-shot vs Zero-shot: Few-shot(예시 포함) 성능이 30-50% 향상

해설

【핵심 용어】 ▸ IaC: Terraform·CloudFormation·CDK 등으로 클라우드 자원을 코드로 정의·배포·재현 ▸ Repeatability: 동일 코드로 동일 인프라 생성으로 환경 일관성 확보 ▸ Idempotency: 같은 코드 실행 여러 번 → 동일 결과(중복 배포 안전) 【정답 포인트】 ▸ MLOps 맥락: ML 모델은 학습 데이터 + 하이퍼파라미터 + 컴퓨팅 환경 모두가 일치해야 결과 재현 가능 ▸ 확장성: 파일럿 1건 → 프로덕션 100건 동시 배포로 일관된 환경 자동 생성 ▸ 예시: CloudFormation으로 동적 트레이닝 파이프라인 정의 → 매월 자동 스케줄 배포 【오답 체크】 (A) 하이퍼파라미터 튜닝 제거: 과학적 근거 없음. IaC는 인프라만 관리 / (B) 강력한 인스턴스 자동 프로비저닝: IaC는 사용자가 지정한 크기만 생성 / (D) 저비용 인스턴스만 배포: IaC는 지정 인스턴스 타입 그대로 배포 【시험 포인트】 ▸ MLOps의 핵심: 모델 + 데이터 + 인프라의 삼각형 재현성. IaC는 인프라 담당 ▸ AWS 시험: IaC = 일관성·확장성·자동화 삼박자

해설

【핵심 용어】 ▸ Instruction Fine-tuning: (질문/명령어, 응답) 쌍의 라벨 데이터로 모델 미세조정 ▸ QA Pair Format: {"input": "질문", "output": "정답"} 또는 {"instruction": "...", "response": "..."} JSONL 형식 ▸ Continued Pre-training: 비라벨 원문 대량으로 도메인 지식 습득(별개 단계) 【정답 포인트】 ▸ Instruction FT의 원리: 모델이 도메인 특화 '패턴'을 학습해 질문의 형식과 기대 응답의 스타일을 함께 학습 ▸ QA 쌍의 가치: 단순 지식 전수가 아니라 도메인 특화 패턴 인식 ▸ 데이터 양: 100-5000개 쌍이면 충분(통용 모델 기준 수백만과 대비) 【오답 체크】 (A) 문서 병합: Continued Pre-training 데이터 형식으로 Instruction FT 아님 / (B) 외부 리뷰 + 라벨: 감정 분류(Sentiment Analysis) 형식 / (D) Few-shot 프롬프트: Fine-tuning이 아니라 프롬프트 엔지니어링으로 모델 학습 없음 【시험 포인트】 ▸ Fine-tuning 데이터 형식: Instruction FT = 구조화된 (instruction, response) 쌍 ▸ AWS Bedrock: '도메인 QA' + 'instruction' → 항상 QA 쌍 데이터 준비가 정답

해설

【핵심 용어】 ▸ Federated Learning: 데이터를 중앙으로 모으지 않고 각 기관·기기 로컬에서 학습 → 모델 가중치만 수집·집계해 전역 모델 생성 ▸ Data Decentralization: 개인정보·기밀 데이터가 원래 위치에서 나가지 않음 ▸ Differential Privacy: 각 로컬 모델 업데이트에 노이즈 추가해 개인 재식별 불가능하게 함 【정답 포인트】 ▸ 규제 환경: GDPR·HIPAA·CCPA 등은 개인데이터 이동 제한으로 중앙 집약 불가 ▸ 연합학습의 장점: (1) 컴플라이언스-데이터 국외 유출 없음, (2) 프라이버시-원문 데이터 노출 없음, (3) 보안-로컬 서버에서만 학습 ▸ 실제 사례: 헬스케어 AI(여러 병원 데이터 활용 시 환자 데이터는 각 병원 내 유지), 금융 신용점수 모델 【오답 체크】 (A) Reinforcement Learning: 정책 학습 기법으로 컴플라이언스와 무관 / (B) Transfer Learning: 기존 모델 가중치 재사용으로 데이터 위치 변하지 않음 / (D) Unsupervised Learning: 비라벨 학습 기법으로 데이터 분산과 별개 【시험 포인트】 ▸ 고규제 산업(의료, 금융, 공공) + '프라이버시·컴플라이언스' → 연합학습 자동 정답 ▸ Federated Learning의 트레이드오프: 통신 비용↑, 수렴 속도↓, 구현 복잡도↑

해설

【핵심 용어】 ▸ Fine-tuning: 모델 가중치 조정으로 행동 패턴(톤, 스타일, 응답 형식) 학습 필요 ▸ RAG: 모델 고정 상태에서 검색 기반 외부 지식 제공으로 최신 정보·실시간 업데이트 가능 ▸ Continued Pre-training: 비라벨 대규모 텍스트로 모델 '기초' 강화해 새 언어·도메인 개념 학습 【정답 포인트】 ▸ 요구사항별 최적 선택: (1) '업계 특화 톤·스타일' → Fine-tuning으로 라벨 데이터로 행동 패턴 학습 / (2) '최신 사내 문서' → RAG로 벡터 인덱스 저장 후 동적 검색 / (3) '새 언어·도메인' → Continued Pre-training으로 의료 분야 대규모 텍스트 학습 ▸ 각 방식의 특성: Fine-tuning은 안정적 스타일, RAG는 실시간 업데이트, Continued PT는 새로운 도메인 학습 【오답 체크】 (B) 모두 Fine-tuning: RAG의 최신 정보 반영 장점 놓침 / (C) 모두 RAG: 톤·스타일은 문서 검색으로 학습 불가. 모델 행동 자체를 바꿔야 함 / (D) 모두 Pre-training: 비용·시간 낭비. 최신 문서는 기초 모델이 이미 학습한 수준 【시험 포인트】 ▸ Bedrock 커스터마이제이션의 삼각형: Fine-tuning(행동)·RAG(지식)·Continued PT(기초) ▸ HOTSPOT 유형: 여러 요구 vs 여러 솔루션 매칭으로 각 솔루션의 강점 이해 필수

해설

【핵심 용어】 ▸ Adaptability: 프롬프트·예시·문맥 변경으로 다양한 시나리오에 유연 대응 가능 ▸ Generative AI Flexibility: 하드코드된 if-then 규칙 vs 통계 기반 패턴 학습의 차이 ▸ Domain·Market Scaling: 미국 vs 일본, 자동차 vs 가전 등 시장별 요구 다름 【정답 포인트】 ▸ 문제 상황: 하드코드 로직의 한계로 불만 유형별 조건 분기로 인한 코드 복잡도 기하급수적 증가 ▸ 생성형 AI의 적응성: 프롬프트 기반으로 '미국 자동차 불만' vs '일본 가전 불만'을 같은 모델에 다른 프롬프트로 처리 ▸ 모델 가중치 변경 없이 프롬프트만 수정 → 분 단위 배포 가능 【오답 체크】 (A) Predictability: 생성형 AI는 오히려 확률 기반이라 비예측 출력 가능이 약점 / (C) 입력 변화에 덜 민감: 거짓. 프롬프트 워딩 미세 변화도 출력에 영향 / (D) Explainability: 생성형 AI는 '왜 이렇게 분류했나?' 설명이 어려운 블랙박스 【시험 포인트】 ▸ 생성형 AI의 핵심 강점: Adaptability = 프롬프트·문맥 중심 유연 대응 ▸ 다중 시장·제품 확장 → 적응성. 규제·감사 요구 → 설명성

해설

【핵심 용어】 ▸ Binary Classification: 두 개의 클래스(Yes/No, Fraud/Non-fraud)로 샘플 분류 ▸ Logistic Regression·SVM·Random Forest·Neural Net: 다양한 이진 분류 알고리즘 ▸ Threshold: 확률 0.5 이상 → 사기 플래그, 미만 → 정상으로 비즈니스 요구에 따라 조정 가능 【정답 포인트】 ▸ 문제의 본질: 거래 특성(금액, 시간, 위치 등) → 두 클래스 중 하나 선택으로 정확히 분류(Classification) 문제 ▸ 이진 분류의 표준 접근: 과거 거래(라벨: 사기 여부) 데이터로 학습 후 새 거래 입력 → 모델 → 사기 확률 계산 → threshold 비교 → 플래그 【오답 체크】 (A) Regression: 연속값 예측(집값, 온도 등)로 거래의 사기 여부는 이산값(Yes/No) / (B) Diffusion: 생성형 AI의 이미지·텍스트 생성 기법으로 분류와 무관 / (D) Multi-class: 3개 이상 클래스로 이 문제는 2개만 필요 【시험 포인트】 ▸ ML 문제 유형 구분: 연속값 → Regression. 2개 클래스 → Binary Classification. 3+ 클래스 → Multi-class. 생성 → Generative Model ▸ 금융·사기 탐지 시험: 항상 Binary Classification(사기·정상) 또는 Precision·Recall 중심

해설

【핵심 용어】 ▸ Responsible AI 6대 원칙: Fairness(공정성)·Explainability(설명성)·Privacy(프라이버시)·Safety(안전)·Robustness(견고성)·Transparency(투명성) ▸ 액션별 매칭 기준: 데이터·모델 특성 검토 → Fairness. 출력 및 근거 설명 → Explainability. 민감 데이터 처리 → Privacy 【정답 포인트】 ▸ (1) '데이터 편향 감사' → Fairness로 학습 데이터의 차별 가능성 측정 / (2) '결정 근거 공개' → Explainability로 신뢰도 증대 / (3) 'PII 마스킹' → Privacy로 개인 재식별 방지해 GDPR·CCPA 준수 【오답 체크】 (B) 모두 Fairness: 근거 공개와 PII 마스킹은 공정성과 다른 영역 / (C) 모두 Explainability: 편향 감사는 설명성이 아니라 공정성이며 프라이버시 보호는 설명성과 무관 / (D) 모두 Privacy: 편향 감사와 근거 공개는 프라이버시와 직접 관계 없음 【시험 포인트】 ▸ 액션의 특징으로 구분: 데이터 특성 검토 → Fairness. 출력·응답 해석 → Explainability. 민감 데이터 처리 → Privacy ▸ 여러 액션 vs 여러 원칙 매칭이 핵심 HOTSPOT 유형

해설

【핵심 용어】 ▸ AWS HealthScribe: 의료 대화(의사-환자, 임상 인터뷰) 자동 전사·요약·임상 노트 생성 서비스 ▸ HIPAA Compliance: 환자 의료정보(PHI) 암호화 및 감사 로그 자동 유지 ▸ SOAP Format: 임상 노트의 표준 형식(주관-객관-평가-계획)을 HealthScribe가 자동 생성 【정답 포인트】 ▸ 서비스 특성: 입력(의사-환자 대화) → (1) 음성 텍스트 변환 / (2) 대화 요약 / (3) SOAP 형식 임상 노트 자동 생성 → 출력(구조화된 임상 노트) ▸ '받아쓰기 실력 향상' 의미: 수작업 노트 작성 시간 60-70% 단축으로 의사가 검수만 담당 ▸ 의료 특화: 의료 용어 정확 인식(NLP 모델 포함)·환자 데이터 암호화 전송·EHR 시스템 API 연동 가능 【오답 체크】 (A) Amazon Q Developer: 개발자용 AI 어시스턴트로 의료와 무관 / (B) Amazon Polly: Text-to-Speech(텍스트 읽어주기)로 Speech-to-Text와 정반대 / (C) Amazon Rekognition: 컴퓨터 비전으로 음성 처리 능력 없음 【시험 포인트】 ▸ AWS 의료 AI 서비스: HealthScribe는 유일한 선택지 ▸ '의료'·'임상 노트'·'speech-to-text'·'HIPAA' 키워드 있으면 HealthScribe 자동 정답

해설

【핵심 용어】 ▸ Regression(회귀) — 연속적인 수치 값을 예측하는 지도학습 모델 유형 (가격·수요·온도 등) ▸ Diffusion — 노이즈 제거 과정으로 이미지 등을 생성하는 생성형 모델 ▸ Transformer — 어텐션 기반 시퀀스 처리 아키텍처(LLM의 기반) ▸ Multi-modal — 텍스트·이미지·오디오 등 복수 입력 유형을 다루는 모델 【정답 포인트】 ▸ "numeric predictions(수치 예측)" → 연속 값 예측의 표준 모델은 Regression 【오답 체크】 (A) Diffusion은 이미지 생성용 생성 모델이지 수치 예측 모델이 아님. (C) Transformer는 시퀀스 처리 아키텍처로 수치 예측 전용 개념이 아님. (D) Multi-modal은 입력 유형의 다양성을 뜻할 뿐 예측 종류를 규정하지 않음. 【시험 포인트】 연속 수치 예측=Regression, 분류=Classification 대비로 기억.

해설

【핵심 용어】 ▸ Amazon SageMaker Canvas: 노코드 ML 플랫폼으로 데이터 업로드 → 자동 모델 학습 → 예측 가능 ▸ SageMaker JumpStart: 사전학습 모델(LLM, CV) 카탈로그로 원클릭 배포와 파인튜닝·커스터마이징 지원 ▸ SageMaker Clarify: 모델 편향(Bias) 분석·특성 중요도 분석·설명 가능성(SHAP) 제공 【정답 포인트】 ▸ 각 유스케이스 매칭: (1) '노코드 ML 모델 구축' → Canvas로 비개발자 직원이 CSV 업로드 후 자동 전처리 / (2) '기존 사전학습 모델 활용' → JumpStart로 ImageNet 모델 선택 후 회사 데이터로 파인튜닝 / (3) '모델 편향 감시' → Clarify로 여성/남성 지원자 정확도 차이 감지 【오답 체크】 (B) 모두 Canvas: 모델 카탈로그와 편향 분석은 Canvas 역할 아님 / (C) 모두 JumpStart: 노코드 요구 시 과할 수 있으며 편향 분석도 JumpStart 기능 아님 / (D) 모두 Clarify: Clarify는 편향 분석만으로 노코드 ML과 모델 카탈로그 담당 불가 【시험 포인트】 ▸ SageMaker 기능 구분: Canvas(비기술자)·JumpStart(기술자)·Clarify(ML 엔지니어) ▸ 시험 전략: '노코드' → Canvas. '사전학습·카탈로그' → JumpStart. '편향·공정' → Clarify

해설

【핵심 용어】 ▸ Vector Embedding: 텍스트 의미를 고차원 벡터로 변환해 의미적 유사도를 거리·방향으로 표현 ▸ Cosine Similarity: 벡터 간 각도를 통해 의미 유사도 측정 (0~1 범위) ▸ Vector Space: 유사한 텍스트는 벡터 공간에서 가까운 위치에 배치됨 【정답 포인트】 ▸ Embedding의 핵심: 의미를 수학적으로 표현하고 비교 가능하게 만들기 ▸ 유사한 텍스트는 벡터 공간에서 가까운 위치에 배치되어 의미 비교 가능 ▸ RAG·유사도 검색의 기술적 기반으로 활용 【오답 체크】 (A) Chunking: 텍스트 분할 기법으로 embedding과 별개 / (B) Tokenization: 단어/문자를 토큰으로 변환으로 의미 비교 아님 / (D) Token Count: 단순 토큰 개수 세기로 의미 비교와 무관 【시험 포인트】 ▸ Vector Embedding: 의미 → 수학 변환으로 RAG·유사도 검색의 기술적 기반 ▸ Embedding의 결과물은 벡터 데이터베이스에 저장되어 검색·비교에 활용

해설

【핵심 용어】 ▸ Bedrock: AWS 관리형 서비스로 지정된 Region 내에서만 처리해 데이터 이동 없음 ▸ PrivateLink: VPC와 AWS 서비스 간 프라이빗 연결로 인터넷 경유 차단 ▸ VPC Endpoint: 공개 인터넷을 통하지 않는 격리된 네트워크 경로 제공 【정답 포인트】 ▸ 데이터 Region 내 보관: Bedrock 사용으로 관리형 서비스 특성 활용 ▸ 프라이빗 네트워크: PrivateLink + VPC로 인터넷 미경유 ▸ 두 조건 동시 만족: B(Bedrock API 사용) + C(AWS PrivateLink + VPC) 조합 【오답 체크】 (A) Outposts: 온프레 옵션으로 추가 인프라 비용·복잡도 증가로 비용 효율 위반 / (D) Bedrock 온프레: Bedrock은 클라우드 전용 서비스로 온프레 미지원(기술적 불가능) / (E) CloudWatch: 모니터링 도구로 데이터 격리·네트워크 보안과 직접 무관 【시험 포인트】 ▸ AWS 관리형 서비스 + 네트워크 격리: Bedrock + PrivateLink 패턴 ▸ 온프레/Outposts는 '비용 효율적' 요구사항 위반으로 더 많은 관리 필요

해설

【핵심 용어】 ▸ AWS Artifact: AWS 컴플라이언스 리포트(SOC 2·ISO 27001·PCI DSS 등) 및 제3자 감시 보고서 다운로드 포털 ▸ Compliance Reports: 규제 기관·감시자에게 제시할 공식 문서 ▸ Regulatory Compliance: 금융·의료 산업의 국제 규제 준수 증명 【정답 포인트】 ▸ 규제 준수 증명: Artifact로 공식 컴플라이언스 문서 저장소 역할 ▸ 금융기관의 국제 규제 대응: Artifact에서 필요한 리포트 다운로드·제시 ▸ 금융 산업 표준(GDPR·PCI 등) 준수 증거로 활용 【오답 체크】 (A) Amazon Macie: 데이터 분류·탐지 도구로 리포트 생성 목적 아님 / (C) AWS Secrets Manager: 비밀번호·API 키 관리 서비스로 규제 리포트와 무관 / (D) AWS Config: 리소스 구성 변경 추적으로 컴플라이언스 문서 제공 아님 【시험 포인트】 ▸ 규제 증명·리포트: Artifact가 유일한 공식 컴플라이언스 문서 서비스 ▸ 감사자·규제자에게 제시할 증거는 AWS Artifact에서 다운로드

해설

【핵심 용어】 ▸ Guardrails for Amazon Bedrock: 유해·비의료적·PII 콘텐츠 탐지·필터링 서비스 ▸ Responsible AI: 공정성·안전성·투명성·설명가능성을 갖춘 AI 시스템 설계 원칙 ▸ Content Filters: 의료 맥락에서 위험한 응답 자동 차단 【정답 포인트】 ▸ LLM 응답의 안전성 검증: Guardrails로 자동 필터링 ▸ 의료 정보 정확성 보장: 유해·부정확 응답 차단으로 Responsible AI 실현 ▸ 의료 분야 특성: 오답 응답이 환자 피해 직결로 필터링 필수 【오답 체크】 (B) Amazon Inspector: EC2·컨테이너 취약점 스캔으로 인프라 보안 / (C) Amazon Rekognition: 이미지·영상 분석으로 의료 QA와 무관 / (D) AWS Trusted Advisor: 비용·성능·보안 모범 사례 조언으로 LLM 응답 필터링 아님 【시험 포인트】 ▸ LLM 응답 안전성: Guardrails(Bedrock 전용 기능) ▸ 의료·금융 등 고위험 산업: Guardrails 필수로 Responsible AI 표준

해설

【핵심 용어】 ▸ BLEU (Bilingual Evaluation Understudy): 번역·요약·생성 태스크용 메트릭으로 예측 텍스트와 참조 텍스트의 n-gram 일치도 측정 ▸ ROUGE: 요약 평가 표준 지표(BLEU보다 더 정밀) ▸ N-gram Overlap: 1-gram·2-gram·3-gram 단위의 일치율 계산 【정답 포인트】 ▸ 텍스트 생성·요약 평가: BLEU/ROUGE 계열로 참조 텍스트 비교 ▸ 단순 분류 지표 아님: 텍스트 수열 유사도를 세밀하게 측정 ▸ BLEU는 국제 표준: 요약·번역·캡셔닝 등 널리 사용 【오답 체크】 (A) F1 Score: 분류 태스크(정밀도·재현율 조화평균)로 요약 평가 부적합 / (C) Accuracy: 분류 정확도로 텍스트 생성 태스크 미평가 / (D) MSE: 회귀 태스크(연속값 예측)용 메트릭 【시험 포인트】 ▸ 생성형 AI 텍스트 품질: BLEU/ROUGE 지표로 출제 빈도 높음 ▸ 분류 ≠ 생성: 지표도 다르므로 시험 함정 주의

해설

【핵심 용어】 ▸ Fine-tuning: 사전학습된 FM에 태스크별 라벨 데이터로 추가 학습해 점진적 가중치 조정 ▸ Task-specific Performance: 해당 태스크에 대해 일반 FM보다 정확도·성능 향상 ▸ Transfer Learning: 사전학습 지식을 보유한 채로 새 태스크에 맞춤 【정답 포인트】 ▸ 새 라벨 데이터: Fine-tuning의 핵심 입력 ▸ 특정 태스크 성능↑: Fine-tuning의 목표·결과 ▸ 사전학습 가중치 활용: 적은 데이터로도 효과적(Transfer Learning의 장점) 【오답 체크】 (A) Fine-tuning은 모델 크기·복잡도 미변경으로 추론 속도 동일 / (B) '처음부터 재학습': Pre-training으로 Fine-tuning과 정반대 / (C) Continued Pre-training: 추가 사전학습으로 새 지식 학습(Fine-tuning과 다름) 【시험 포인트】 ▸ Fine-tuning: 소규모 라벨 데이터로 특정 태스크 맞춤(AWS Bedrock·SageMaker 핵심 기능) ▸ Pre-training ≠ Fine-tuning: 개념 구분 필수로 오류 유발 구간

해설

【핵심 용어】 ▸ Bedrock Fine-tuning: 소규모 고품질 데이터(100개 대화)로 모델 동작 맞춤화(빠르고 비용 효율적) ▸ Tone Adaptation: 회사의 글쓰기 스타일·어조를 모델에 학습시키는 프로세스 ▸ Few-shot Learning: 적은 수의 예시로 패턴 습득 【정답 포인트】 ▸ 100개 예시: Fine-tuning 최적 데이터 규모(충분하고 과하지 않음) ▸ 톤 맞춤: Fine-tuning이 전문으로 Style Transfer 구현 ▸ Bedrock은 구성 간단: SageMaker보다 단순해 최우선 선택 【오답 체크】 (A) Personalize: 개인화 추천 서비스로 응답 생성과 무관 / (B) HyperPod: 대규모 사전학습(GB급 데이터)용으로 100개는 과도 / (C) TensorRT: 추론 최적화 라이브러리로 톤 학습 기능 없음 【시험 포인트】 ▸ 소규모 고품질 데이터 + 맞춤화: Bedrock Fine-tuning(시험 빈출 패턴) ▸ 사전학습 ≠ Fine-tuning: 데이터 규모로 구분(GB 규모 = Pre-training, 수백 개 = Fine-tuning)

해설

【핵심 용어】 ▸ Prompt Injection: 공격자가 사용자 입력으로 시스템 프롬프트·지시를 탈취·우회하는 '입력 경로 취약점' ▸ Input Vulnerability: 모델 입력 단계에서 발생하는 보안 위험(학습 데이터·모델 자체 아님) ▸ System Prompt Hijacking: 원래 의도와 다른 목적으로 모델을 제어하는 공격 【정답 포인트】 ▸ '입력 취약점' 키워드: Prompt Injection으로 입력 레이어 공격 ▸ 24/7 공개 챗봇: 악의적 사용자 가능성 높음 → 배포 전 필수 점검 ▸ 다른 항목들과 달리: 입력 검증으로 완화 가능한 기술적 방어 있음 【오답 체크】 (A) Data Leakage: 학습 데이터 유출로 운영 중 점진적 문제 / (C) LLM Hallucination: 모델이 거짓 정보 생성으로 입력이 아닌 모델 내부 결함 / (D) Concept Drift: 시간 경과로 데이터 패턴 변화로 배포 후 발생 【시험 포인트】 ▸ '배포 전 해결': 입력 검증·필터링 필요한 것 = Prompt Injection(예방 가능) ▸ Injection 공격 방어: 입력 새니타이제이션·Bedrock Guardrails 등으로 완화

해설

【핵심 용어】 ▸ Bedrock Denied Topics: 차별·증오·폭력 등 사전에 정의된 금지 주제 목록 ▸ Content Filtering: 해당 주제의 입력·출력 자동 탐지 및 차단 메커니즘 ▸ Guardrails: Topic filtering과 Content filters로 Responsible AI 구현 【정답 포인트】 ▸ '차별 콘텐츠 방지': 출력 차단(상호작용 거부)이 핵심 ▸ 사전 정의된 주제: 차별·증오 등 위험 카테고리를 미리 설정 ▸ Bedrock Guardrails: 단순 필터링으로도 효과적(ML 모델 재학습 불필요) 【오답 체크】 (A) 사용자 선호: 맞춤화로 차별 방지 아님으로 오히려 선택지 제한 / (C) 사전 주제로 제한: 정상 대화까지 차단으로 과도한 제약 / (D) 선택 가능한 응답: 여전히 차별 옵션 노출로 문제 미해결 【시험 포인트】 ▸ 차별 방지: Bedrock Denied Topics/Content Filters로 자동 차단 기능 ▸ Block Interaction(상호작용 거부) vs Restrict Topic(주제 제한) 구분 필수