정답 · 해설

해설

【핵심 용어】 ▸ Multi-modal LLM: 텍스트·이미지·오디오 등 여러 모달리티 동시 입력 처리 후 텍스트 출력 ▸ Modality: 데이터 타입(텍스트·이미지·음성 등)을 의미하는 AI 용어 ▸ Vision-Language Model: 이미지 이해 + 자연어 생성 통합(Claude 3 Vision·GPT-4V 사례) 【정답 포인트】 ▸ 입력: 텍스트 + 이미지(사진 속 질문) = 멀티모달 필요 ▸ 출력: 텍스트 답변·설명 = LLM 역할 ▸ 텍스트+이미지 QA: Multi-modal LLM 유일 선택지 【오답 체크】 (A) Computer Vision: 이미지 분류·객체 탐지로 텍스트 응답 생성 아님 / (C) Diffusion Model: 텍스트 설명으로부터 이미지 생성으로 역방향 / (D) Text-to-Speech: 텍스트를 음성으로 변환으로 서면 응답 아님 【시험 포인트】 ▸ 이미지 입력 + 텍스트 출력: Multi-modal LLM(교육·헬스케어 분야 빈출) ▸ Single Modality ≠ Multi-modal: 입출력 타입 개수로 구분

해설

【핵심 용어】 ▸ Evaluation Stage: 학습 완료 후 별도 테스트셋(Holdout Set)으로 모델 성능·정확도·편향 측정 ▸ Quality Gate: 배포 전 성능 기준을 만족하는지 검증하는 필수 체크포인트 ▸ Test Set: 학습·검증에 사용되지 않은 새로운 데이터(공정한 평가) 【정답 포인트】 ▸ '정확도 테스트': 학습 후 별도 단계에서 실시 = Evaluation ▸ 배포 전 필수: Evaluation이 Go/No-Go 결정의 근거 ▸ Accuracy 외에도: Precision·Recall·F1 등 다층 평가 수행 【오답 체크】 (A) Deployment: 배포 단계로 평가 후 단계이며 성능 검증 아님 / (B) Data Selection: 데이터 준비 단계로 테스트 미실시 / (C) Fine-tuning: 모델 학습 단계로 배포 전 성능 검증은 평가 단계 【시험 포인트】 ▸ ML Lifecycle: Data → Preparation → Training → Evaluation → Deployment ▸ Evaluation: 정확도·편향·공정성 검증으로 배포 가능성 판단 단계

해설

【핵심 용어】 ▸ Embedding—객체의 의미를 고차원 벡터로 매핑하는 표현 방식(1,536차원 등). 벡터 간 거리·각도가 의미적 유사도 반영. 【정답 포인트】 ▸ Embedding의 정의=의미+벡터(숫자화). ▸ 고차원 벡터=의미 풍부성(정보 손실 최소화). ▸ 의미 관계 보존=유사 콘텐츠는 벡터 공간에서 가까움. 【오답 체크】 ▸ (B)RAG설명→벡터로 문서 검색(용도이지 정의 아님). ▸ (C)Quantization→모델 가중치 저정밀화(다른 기술). ▸ (D)VectorDB→Embedding 저장소(도구이지 본질 아님). 【시험 포인트】 ▸ Embedding=개념(의미벡터화) vs 용도(검색) 구분 필수. ▸ 고차원 특성=의미 정보 손실 최소화.

해설

【핵심 용어】 ▸ Temperature—LLM 토큰 선택 확률 분포 제어(0~2범위). ▸ 결정적 출력—동일 입력에 항상 같은 결과. ▸ Greedy Decoding—Temperature=0일 때 최고 확률 토큰만 선택. 【정답 포인트】 ▸ 결정적 응답=Temperature=0(필수 자동 설정). ▸ 기술적 파라미터 조정이 프롬프트 추가보다 신뢰도 높음. ▸ 항상 같은 출력 보장. 【오답 체크】 ▸ (B) (C)프롬프트 문구 추가→모델이 무시 가능(완전 보장 아님). ▸ (D)Temperature=1→균등확률로 다양한 토큰 선택(비결정적, 반대방향). 【시험 포인트】 ▸ Temperature 제어=LLM 응답성 핵심 기술. ▸ 파라미터 기반 제어>>프롬프트 지시(기술적 정확성).

해설

【핵심 용어】 ▸ InferenceSpeed—학습 모델이 입력→결과 생성까지 소요시간(밀리초). ▸ 실시간—사용자가 감지 불가능한 대기시간(보통 500ms 이하). ▸ ModelSize&Quantization—작은 모델·저정밀 가중치=빠른 추론. 【정답 포인트】 ▸ '실시간'=InferenceSpeed 필수(모델 선택 최중요 지표). ▸ 대규모 FM은 느림→작은 모델·Quantized 버전 선택. ▸ Latency최소화=사용자 경험 직결. 【오답 체크】 ▸ (A)ModelComplexity—내부 구조로 실시간성 보장 불가. ▸ (B)InnovationSpeed—벤더 기능 업데이트 속도(배포 후). ▸ (D)TrainingTime—학습 소요시간(배포 후 실시간성과 무관). 【시험 포인트】 ▸ 실시간 요구=InferenceSpeed 지표로 측정. ▸ 모델 선택 trade-off=정확도 vs 속도.

해설

【핵심 용어】 ▸ Prompt—사용자가 모델에 전달하는 지시·질문·맥락 텍스트(상호작용 기본 단위). ▸ PromptEngineering—프롬프트 구조·표현을 최적화해 성능 최대화. ▸ Few-shotPrompting—예시 포함으로 모델 이해도 향상. 【정답 포인트】 ▸ Prompt=FM에 전달하는 '지시' 표준용어. ▸ 프롬프트 품질=응답 정확도에 직결(가장 실용적 요소). ▸ AWS AIF 시험 기본 개념. 【오답 체크】 ▸ (B)Direction—일반 영어로 방향, AI 표준용어 아님. ▸ (C)Dialog—대화·대사(프롬프트 개념과 다름). ▸ (D)Translation—번역(명확히 다른 개념). 【시험 포인트】 ▸ Prompt=생성형 AI 기본용어(AWS 시험 필수). ▸ PromptEngineering=AI 모델 활용 핵심 경쟁력.

해설

【핵심 용어】 ▸ Balanced&DiverseData—성별·연령·지역·소득 등 다양한 인구통계 대표성 확보. ▸ SelectionBias—특정 그룹만 포함시 나머지 고객 차별 우려. ▸ FairnessInML—모든 사용자 세그먼트에 동등한 성능. 【정답 포인트】 ▸ 편향 감소=학습 데이터 다양성·균형 확보(기본방법). ▸ 균형 잡힌 데이터=모든 그룹을 공정하게 대우(ResponsibleAI). ▸ 데이터 수집 단계=편향 해결의 가장 효과적 시점. 【오답 체크】 ▸ (A)인구통계 일치만으로는 부족(다양성 부재 가능). ▸ (B)과거 구매자만→선택편향 심화(신규·미구매 제외). ▸ (D)공개 데이터셋도 편향 가능(데이터셋 선택만으로는 불충분). 【시험 포인트】 ▸ ResponsibleAI=데이터 다양성 확보 필수(AWS 핵심). ▸ SelectionBias회피=균형 데이터 수집(시험 빈출).

해설

【핵심 용어】 ▸ F1Score—Precision(정밀도)과Recall(재현율) 조화평균, 불균형 분류 표준 지표. ▸ Precision—예측 양성 중 실제 양성 비율(거짓경보 최소화). ▸ Recall—실제 양성 중 올바르게 예측한 비율(놓침 최소화). 【정답 포인트】 ▸ 이진 분류=F1Score 표준 지표(분류 평가 기준). ▸ 이탈 예측=불균형 클래스(탈락자는 소수)→Accuracy보다 F1 중요. ▸ Precision+Recall 균형=비즈니스 가치. 【오답 체크】 ▸ (B)MSE—회귀 태스크(연속값) 지표. ▸ (C)R²—회귀 모델 설명력 지표. ▸ (D)학습 시간—성능 지표 아님(계산 비용만). 【시험 포인트】 ▸ 분류≠회귀=지표도 상이(F1 vs MSE 구분). ▸ 이탈 예측=비즈니스 가치 있는 이진 분류(빈출).

해설

【핵심 용어】 ▸ Accuracy—(TP+TN)/(전체)=올바르게 분류한 전체 샘플 비율. ▸ TruePositive(TP)—실제 양성, 올바르게 예측. ▸ TrueNegative(TN)—실제 음성, 올바르게 예측. 【정답 포인트】 ▸ '전체 중 올바른 비율'=Accuracy의 정의(가장 직관적). ▸ 균형잡힌 데이터셋=Accuracy 신뢰도 높음. ▸ 설명 쉬워 비즈니스 이해관계자 소통 용이. 【오답 체크】 ▸ (B)Precision=TP/(TP+FP)=예측 양성 중 정확한 비율. ▸ (C)F1=Precision·Recall 조화평균(불균형 데이터 특화). ▸ (D)Recall=TP/(TP+FN)=실제 양성 중 올바르게 예측한 비율. 【시험 포인트】 ▸ 분류 평가 지표 4가지=Accuracy, Precision, Recall, F1(정의 명확히). ▸ 문제 키워드 '전체 중'=Accuracy 직접 지칭.

해설

【핵심 용어】 ▸ BatchInference—대규모 데이터를 일괄 처리하는 추론(밤중/정해진 시간). ▸ ScheduledJob—1회/일처럼 정기적 실행(SageMaker 배치 변환). ▸ CostEfficiency—GB급 대량 데이터 효율적 처리(실시간 엔드포인트보다 저비용). 【정답 포인트】 ▸ 일괄+정기적=BatchInference(가격 대비 성능 최고). ▸ GB급 대량=배치 처리 최적(단건 처리 비효율). ▸ 1회/일=즉시성 불필요→Batch적합(저비용). 【오답 체크】 ▸ (B)AsyncInference—큐 기반 단건 요청(대량 배치 아님). ▸ (C)Real-timeInference—엔드포인트 상시 운영(과도한 비용). ▸ (D)ServerlessInference—단건 최적(배치 비효율). 【시험 포인트】 ▸ 추론 방식 선택=데이터 규모·빈도·지연성 조합. ▸ GB급 일괄=BatchInference(SageMakerBatchTransform).

해설

【핵심 용어】 ▸ ModelMonitor—프로덕션 환경에서 데이터 드리프트(입력·예측·라벨 분포 변화)를 지속 감지·모니터링. ▸ DataDrift—시간에 따른 데이터 분포 변화로 모델 성능 저하. ▸ 편향 드리프트—모델 예측의 편향성 변화 추적. 【정답 포인트】 ▸ 프로덕션 배포 후 편향·드리프트 평가=ModelMonitor. ▸ Clarify는 학습/검증 단계 편향 분석(배포 전). ▸ 지속적 모니터링이 필수. 【오답 체크】 ▸ (B)Clarify—학습·검증 시점 편향만 분석(배포 후 모니터링 기능 없음). ▸ (C)ModelCards—메타데이터 문서화(실시간 모니터링 미지원). ▸ (D)FeatureStore—피처 저장소(편향·드리프트 감지 무관). 【시험 포인트】 ▸ SageMaker 도구 역할: 사전(Clarify) vs 사후(ModelMonitor). ▸ 프로덕션 이슈=ModelMonitor 선택.

해설

【핵심 용어】 ▸ IAMResource-levelPolicy—Bedrock 각 모델에 InvokeModel 작업 Allow/Deny 지정(ARN기반 정밀제어). ▸ AccessControl—특정 사용자/그룹에 특정 모델만 호출 권한. ▸ 리소스 ARN—모델별 고유 식별자. 【정답 포인트】 ▸ Bedrock 모델별 접근 제어=IAM 정책(Resource+Action정의). ▸ 리소스 레벨 정책=특정 모델만 명시적 제한 가능. ▸ 세밀한 권한 제어 표준. 【오답 체크】 ▸ (B)STS—임시 자격 발급 도구(모델 선택 제한 무관). ▸ (C)IAMservicerole—역할 기반 권한(구독 제한 개념 없음). ▸ (D)Inspector—보안 취약점 스캔(접근 제어 미지원). 【시험 포인트】 ▸ 리소스별 세밀한 권한=IAM 정책 선택. ▸ STS/role/Inspector=각 다른 목적 도구.

해설

【핵심 용어】 ▸ SupervisedLearning—입력-라벨(정답) 쌍으로 학습하는 지도 학습. ▸ LabeledData—각 샘플에 정답이 명시된 데이터셋. ▸ 분류(Classification)와 회귀(Regression)로 분류. 【정답 포인트】 ▸ "라벨된 정답 값" 명시=SupervisedLearning. ▸ (입력,정답) 쌍으로 패턴 학습. ▸ 가장 일반적인 ML 방식. 【오답 체크】 ▸ (B)Unsupervised—라벨 없이 패턴 탐지(군집화, 이상탐지). ▸ (C)Reinforcement—보상 신호 기반 에이전트 학습(정답 라벨 아님). ▸ (D)Transfer—사전학습 모델 재사용(학습 방식 분류 아님). 【시험 포인트】 ▸ "라벨/정답" 키워드→항상 Supervised. ▸ 라벨 없음/보상/사전학습=다른 기법.

해설

【핵심 용어】 ▸ TopKSampling—매 생성 단계에서 확률 높은 상위 K개 토큰만 후보(K↓보수 vs K↑다양). ▸ NucleusSampling(TopP)—유사 확률 기반 필터링 기법. ▸ 토큰 후보 수—샘플링할 토큰의 개수 제한. 【정답 포인트】 ▸ "후보 토큰 수 제어"=TopK로 직접 조절. ▸ K값 커질수록 더 많은 토큰 고려. ▸ 창의성과 보수성의 균형 조절. 【오답 체크】 ▸ (A)Maximumtokens—출력 길이 제한(후보 수와 다름). ▸ (C)Temperature—확률 분포 평탄화(수 제한 아님). ▸ (D)Batchsize—동시 처리 샘플 수(토큰 선택 무관). 【시험 포인트】 ▸ Temperature vs TopK: 분포형태 vs 샘플개수 선택. ▸ "후보" 키워드→TopK 연결.

해설

【핵심 용어】 ▸ TextEmbeddingsModel—텍스트를 고정 차원 벡터로 변환하는 전용 FM(TitanEmbeddings, CohereEmbed등). ▸ VectorRepresentation—RAG, 의미 유사도 검색, OpenSearch 벡터 인덱싱 기반. ▸ 벡터화—텍스트→숫자 변환. 【정답 포인트】 ▸ "텍스트→벡터 변환"=TextEmbeddingsModel. ▸ OpenSearch와 통합하려면 반드시 임베딩 필요. ▸ RAG 시스템의 핵심 구성요소. 【오답 체크】 ▸ (A)TextCompletion—다음 텍스트 생성(벡터화 아님). ▸ (B)InstructionFollowing—지시 따르는 일반 LLM(임베딩 모델 아님). ▸ (D)ImageGeneration—이미지 생성(텍스트 벡터화 미지원). 【시험 포인트】 ▸ "벡터 변환" 키워드→Embeddings 모델. ▸ RAG/검색 챗봇=항상 Embeddings 필요.

해설

【핵심 용어】 ▸ Few-shotPrompting—예시 2개 이상을 프롬프트에 포함해 모델이 형식·톤을 학습(In-contextLearning). ▸ 형식 일관성—재학습 없이 예시로부터 패턴 습득. ▸ 프롬프트 예시—모델 행동의 가이드 역할. 【정답 포인트】 ▸ "형식 예시 여러 개" 제공=Few-shot. ▸ 일관된 출력 형식 맞추기의 표준 기법. ▸ 모델 성능 향상의 실용적 방법. 【오답 체크】 ▸ (A)Zero-shot—예시 없이 지시만(형식 통일 어려움). ▸ (B)Chain-of-thought—추론 과정 단계화(형식 맞추기와 다름). ▸ (C)One-shot—예시 1개만으로는 부족(형식 학습 불완전). 【시험 포인트】 ▸ "여러 예시"→Few-shot, "1개"→One-shot, "없음"→Zero-shot. ▸ 형식·스타일 일관성=Few-shot 표준.

해설

【핵심 용어】 ▸ PIIScrubbing/Redaction—학습 데이터에서 개인식별정보(이름, SSN, 계좌번호 등) 사전 제거. ▸ ModelMemorization—학습 데이터가 모델 가중치에 내재화되어 배포 후 유출 가능. ▸ 데이터 정제—민감정보 사전 제거. 【정답 포인트】 ▸ Fine-tuning 전 학습 데이터의 PII 제거가 근본 해결책. ▸ 데이터 정제는 학습 전 단계 필수. ▸ 내재화된 정보는 배포 후 통제 불가능. 【오답 체크】 ▸ (A)Guardrails—배포 후 출력 필터(내재화된 데이터 못 막음). ▸ (C)Top-K—샘플링 파라미터(PII 노출과 무관). ▸ (D)S3암호화—저장소 보안(모델 내재화 정보 통제 불가). 【시험 포인트】 ▸ 민감 정보 유출 방지=학습 단계 데이터 정제 필수. ▸ 배포 후 필터=보조 수단일 뿐.

해설

【핵심 용어】 ▸ ReAct(ReasoningandActing)—추론(Reason)과 도구/API호출(Act)을 반복(외부DB조회·API활용). ▸ ToolUse—LLM이 필요시 함수 호출, 결과 받아 재추론. ▸ 동적 정보 통합—실시간 데이터 반영. 【정답 포인트】 ▸ "실시간 재고·위치 확인"=API/DB조회 필요→ReAct. ▸ 추론+액션 반복으로 동적 정보 반영. ▸ 외부 시스템 연동 챗봇의 표준 패턴. 【오답 체크】 ▸ (A)Zero-shot—외부 도구 없이 LLM 지식만(실시간 불가능). ▸ (B)Few-shot—예시 기반(도구 호출 메커니즘 없음). ▸ (C)Least-to-most—복잡한 문제 단계화(도구 호출 미지원). 【시험 포인트】 ▸ "실시간/API/DB" 키워드→ReAct 선택. ▸ 외부 시스템 연동=ReAct 표준.

해설

【핵심 용어】 ▸ BedrockDataPrivacyPolicy—사용자 입력 프롬프트·출력 응답이 AWS계정 내 보관(제3자 공유·학습 이용 없음). ▸ DataIsolation—고객 데이터와 제공자 간 완전 분리. ▸ 데이터 보호—기업 기밀 안전성. 【정답 포인트】 ▸ Bedrock은 입·출력 모두 외부 공유 금지. ▸ 기업 기밀 데이터 사용에 안전한 구조. ▸ AWS 계정 내 완전 격리. 【오답 체크】 ▸ (A)익명화 후 공유—Bedrock 실제 정책과 모순(공유 없음). ▸ (C)입력 비밀+출력 공유—틀린 주장(출력도 보호). ▸ (D)삭제 후 공유—공유 개념 자체가 없음. 【시험 포인트】 ▸ Bedrock=데이터 완전 격리, 제공자 공유 없음. ▸ 기업 데이터 보안이 중요한 질문.

해설

【핵심 용어】 ▸ AmazonTranscribe—음성/영상 오디오를 텍스트로 전사(STT, Speech-to-Text)+정밀 타임코드 생성. ▸ SpeechRecognition—자동 음성 인식으로 자막 데이터 생성. ▸ 타임코드—자막 싱크 자동화. 【정답 포인트】 ▸ 자막 생성=오디오→텍스트 변환→Transcribe. ▸ 타임코드 포함으로 자막 싱크 자동화. ▸ 비디오 처리의 필수 서비스. 【오답 체크】 ▸ (A)Comprehend—텍스트 NLP분석(음성 처리 미지원). ▸ (B)Polly—텍스트→음성(TTS, 반대방향). ▸ (D)Translate—다국어 번역(자막 생성 기능 없음). 【시험 포인트】 ▸ 음성·오디오 처리=Transcribe 선택. ▸ STT vs TTS: Transcribe(음성→텍스트) vs Polly(텍스트→음성).