정답 · 해설

해설

【핵심 용어】 ▸ Clustering—비지도학습으로 유사한 고객들을 자동 그룹화(라벨 없이 내재 패턴 발견). ▸ CustomerSegmentation—고객 세그먼트 구분으로 맞춤 전략 수립. ▸ K-means, Hierarchical—표준 군집 분석 알고리즘. 【정답 포인트】 ▸ "그룹화"+"라벨 미정의"=Clustering. ▸ 비지도학습으로 자동 분류(라벨 필요 없음). ▸ 맞춤 UX 제공의 기반. 【오답 체크】 ▸ (A)Classification—사전 정의된 카테고리로 분류(라벨 필요). ▸ (C)Regression—연속 숫자값 예측(고객 그룹화와 무관). ▸ (D)ContentGeneration—텍스트·이미지 생성(세분화와 다름). 【시험 포인트】 ▸ "라벨 없이 그룹화"→Clustering 고정. ▸ 분류/회귀/생성과 명확히 구분.

해설

【핵심 용어】 ▸ SageMakerJumpStart—사전학습 모델 카탈로그(조직 정책으로 승인된 모델만 표시). ▸ ModelDiscoveryControl—FM카탈로그 접근성 관리(ModelCard기반 필터링). ▸ 가시성 제한—직원이 볼 수 있는 FM 목록 사전 정의. 【정답 포인트】 ▸ FM 접근 제어=JumpStart 카탈로그 필터링. ▸ 직원이 볼 수 있는 모델 목록 사전 정의. ▸ 조직 정책 기반 통제. 【오답 체크】 ▸ (A)CostExplorer—비용 분석 도구(접근 제어 기능 없음). ▸ (B)Artifact—규정/보안 문서 저장소(FM 제어 미지원). ▸ (D)OpenSearch하이브리드검색—검색 엔진(모델 카탈로그 접근 제어 아님). 【시험 포인트】 ▸ "FM 접근 제어"→JumpStart ModelCard기반. ▸ 카탈로그 가시성 제한이 핵심.

해설

【핵심 용어】 ▸ BLEU(BilingualEvaluationUnderstudy)—참조 번역과의 n-gram일치도로 상대 비교 지표('좋다/나쁘다' 절대판정 불가). ▸ RelativeComparison—같은 문서에 대한 두 시스템 비교(표준). ▸ 상대 평가—시스템 간 우열 판정. 【정답 포인트】 ▸ "두 방법 비교"+"같은 문서"=BLEU 상대 비교. ▸ BLEU는 상대 성능 비교에 최적화. ▸ 번역기 평가의 표준 지표. 【오답 체크】 ▸ (A)BLEU절대품질—BLEU는 상대 지표(절대해석 불가). ▸ (C) (D)BERTScore—의미 유사도 기반(이 시나리오보다 BLEU가 표준). ▸ 절대·상대 개념 구분. 【시험 포인트】 ▸ "도구 A vs 사람" 비교 시나리오→BLEU상대. ▸ BLEU=상대 지표, 절대 개념 구분 필수.

해설

【핵심 용어】 ▸ Temperature↑—확률 분포를 평탄화해 낮은확률 토큰도 선택 가능(다양·창의적). ▸ SamplingDiversity—높은 Temperature=예측 불가능성 증가. ▸ 창의성 제어—파라미터 조정으로 응답 특성 변화. 【정답 포인트】 ▸ "다양·창의적" 출력=Temperature증가. ▸ 기본값(~0.7) 보다 높게 설정해 창의성 극대화. ▸ 모델 응답 스타일의 핵심 제어. 【오답 체크】 ▸ (B)TopK감소—더 보수적 샘플링(다양성 감소). ▸ (C)응답 길이 증가—길이와 창의성 무관. ▸ (D)프롬프트 짧게—맥락 부족으로 오히려 일관성 떨어짐. 【시험 포인트】 ▸ 창의성/다양성=Temperature 높게 선택. ▸ Temperature vs TopK: 분포형태 vs 샘플제한.

해설

【핵심 용어】 ▸ SageMakerGroundTruth—라벨링 워크플로 자동화+직관적UI+사람워커·AmazonMechanicalTurk통합. ▸ DataLabeling—모델 학습 성능에 직결되는 핵심 단계. ▸ 라벨 품질 보증—높은 정확도 유지. 【정답 포인트】 ▸ "사용자 친화 라벨링 UI"=GroundTruth. ▸ 신규 실제 데이터의 정확한 라벨링으로 오류 최소화. ▸ 대규모 라벨링의 표준 서비스. 【오답 체크】 ▸ (B)Canvas—노코드 ML개발 도구(라벨링 기능 없음). ▸ (C)BedrockPlayground—Bedrock FM테스트환경(라벨링 미지원). ▸ (D)BedrockAgents—에이전트 태스크 자동화(라벨링과 무관). 【시험 포인트】 ▸ "라벨링" 명시→GroundTruth선택. ▸ SageMaker도구: 라벨(GroundTruth) vs 개발(Canvas) vs 테스트(Playground).

해설

【핵심 용어】 ▸ Fairness(공정성)—모든 후보에게 불편향적 평가, 차별 배제. ▸ Transparency(투명성)—채용 결정 근거 설명 가능, 신뢰 구축. ▸ ResponsibleAI—윤리적 AI운영의 핵심 기둥. ▸ 공정성+설명 가능성—신뢰도 극대화. 【정답 포인트】 ▸ 채용 AI의 Responsible=Fairness (A)+Transparency (E). ▸ 공정성과 설명 가능성이 채용 시스템 신뢰의 핵심. ▸ 편향 배제와 의사결정 투명화 필수. 【오답 체크】 ▸ (B)Tolerance—ResponsibleAI 표준 차원 아님. ▸ (C)Flexibility—운영 유연성(윤리성과 무관). ▸ (D)OpenSource—개발 방식 선택(Responsible과 무관). 【시험 포인트】 ▸ ResponsibleAI 핵심: Fairness+Transparency+Explainability+Privacy+Security. ▸ 채용 맥락에서는 Fairness+Transparency 강조.

해설

【핵심 용어】 ▸ F1Score—이진 분류(예/아니오) 모델의 정밀도·재현율 조화평균. ▸ ChurnPrediction—고객 이탈(Yes/No) 이진 분류 문제. ▸ 클래스 불균형—실제 이탈자는 소수인 상황. 【정답 포인트】 ▸ "이탈 예측 + 정확도"=F1Score. ▸ 실제 이탈/비이탈 vs 예측의 정확한 비교. ▸ 비즈니스 가치 있는 평가 지표. 【오답 체크】 ▸ (A)RMSE—회귀(연속값) 지표(분류 평가 부적합). ▸ (B)ROI—금융 수익성 지표(모델 정확도 평가 아님). ▸ (D)BLEU—기계 번역 품질 지표(분류와 무관). 【시험 포인트】 ▸ "이진 분류 + 정확도"→F1Score선택. ▸ RMSE(회귀) vs F1(분류) 명확히 구분.

해설

【핵심 용어】 ▸ Bedrock Knowledge Bases — 관리형 RAG(Retrieval-Augmented Generation) 서비스로 문서 인덱싱, 자동 검색·주입 기능 완전 통합 제공 ▸ RAG Pattern — 외부 데이터 활용으로 FM의 맥락 확장, Fine-tuning 대체 솔루션 【정답 포인트】 ▸ "회사 정보 추가 + 비용 효율" = Knowledge Bases 필수 선택 ▸ Fine-tuning 없이 즉시 적용 가능하며 관리 용이 【오답 체크】 (B) 다른 FM 선택 — 모델만 변경하면 맥락 부족 문제 근본 해결 불가 (C) Agents — 태스크 자동화·도구 호출 도구이지 맥락 추가와 별개 (D) 커스텀 모델 배포 — 높은 비용과 시간 소요, 비효율적 선택 【시험 포인트】 ▸ RAG 기반 맥락 확장 = Knowledge Bases 필수 선택지 ▸ 비용 효율성과 운영 편의성이 핵심 평가 기준

해설

【핵심 용어】 ▸ SageMaker 라이프사이클 도구 — 각 단계별 전용: 데이터 준비(Data Wrangler) → 학습(Training Jobs) → 배포(Endpoints) → 모니터링(Model Monitor) ▸ End-to-End Workflow — SageMaker 완전한 ML 파이프라인 자동화 【정답 포인트】 ▸ 데이터 준비 = Data Wrangler(시각적 전처리) ▸ 학습 = Training Jobs(분산 학습·하이퍼파라미터 튜닝) ▸ 배포 = Endpoints(실시간 추론 인스턴스) ▸ 모니터링 = Model Monitor(데이터·모델 드리프트 감지) 【오답 체크】 (B) (C) (D) 모든 단계를 단일 도구로 처리 불가능, 각 도구는 특정 기능 전담 【시험 포인트】 ▸ SageMaker 도구별 역할 완벽 숙지 필수 ▸ HOTSPOT 문제는 단계별 정확한 1:1 매칭이 핵심

해설

【핵심 용어】 ▸ Diversity — 데이터셋에 성별·연령·지역·소득 등 다양한 인구통계 하위 집단이 골고루 포함되는 품질 속성 ▸ 데이터 대표성 — 편향 없는 공정한 예측 모델 구축의 필수 요소 【정답 포인트】 ▸ 모든 인구통계 포함 = Diversity(다양성) 추구 ▸ 특정 그룹에 편향되지 않은 데이터셋 구성 【오답 체크】 (A) Accuracy — 라벨 정확성을 의미하며 인구통계 다양성과 무관 (C) Recency bias — 최신 데이터 과다 사용으로 인한 시간 편향 (D) Reliability — 데이터 일관성·신뢰도로 대표성과 다른 개념 【시험 포인트】 ▸ 데이터 품질 속성의 명확한 구분 필수 ▸ 편향 방지 관점에서 Diversity는 필수 항목

해설

【핵심 용어】 ▸ RAG (Retrieval Augmented Generation) — 질의 시 대규모 문서 DB에서 관련 정책 문서 검색해 LLM에 전달, 정확하고 최신 답변 생성 ▸ 문서 기반 QA의 표준 기법 — Fine-tune 없이 실시간 정책 반영 가능 【정답 포인트】 ▸ 대규모 문서 DB 기반 QA 챗봇 = RAG 필수 ▸ 정책 변경 시 모델 재학습 불필요 【오답 체크】 (B) Few-shot — 프롬프트에 예시 포함만 하며 문서 검색 기능 없음 (C) Temperature — 응답 다양성 조절일 뿐 정보 소스 확보 안함 (D) 토큰 축소 — 비용 최적화 기법, HR 정책 정확성 담보 불가 【시험 포인트】 ▸ 프롬프트 엔지니어링 vs 검색 기반 기법 구분 필수 ▸ 규모가 큰 문서 DB = RAG 선택의 핵심 단서

해설

【핵심 용어】 ▸ BERTScore — 사전학습된 BERT 임베딩으로 단어의 의미적 유사도 평가 ▸ 의미 기반 평가 — BLEU·ROUGE는 n-gram 정확 일치만 고려하므로 창의적 변형 텍스트 평가 불가 【정답 포인트】 ▸ 창의적 철자·줄임말 = 정확한 단어 일치 불가능 ▸ 의미 유사성을 평가하는 BERTScore만 적합 【오답 체크】 (A) F1 score — 분류 태스크의 정밀도·재현율 조화평균 (C) ROUGE — n-gram 기반 겹침, 창의적 변형 반영 안함 (D) BLEU — 정확한 단어 일치 기반, 창의적 표현 평가 불가 【시험 포인트】 ▸ 생성형 AI 평가 지표의 특성 이해 필수 ▸ 의미 기반 평가 vs 형태 기반 평가 구분 중요

해설

【핵심 용어】 ▸ NLP (Natural Language Processing) — 텍스트 이해, 분류, 감정 분석 등 자연언어 처리 AI 분야 ▸ 텍스트 분류 — 고객 피드백을 의미론적으로 분석하여 카테고리 할당 【정답 포인트】 ▸ 텍스트 기반 자동 분류 = NLP의 표준 응용 ▸ 언어 이해와 의미 추출 기술 필요 【오답 체크】 (A) Computer Vision — 이미지·비디오 처리 기술, 텍스트 분석 불가 (C) 추천 시스템 — 고객 선호도 학습, 텍스트 분류와 다른 목표 (D) 사기 탐지 — 이상 거래 패턴 탐지로 분류 범주화와 무관 【시험 포인트】 ▸ AI 서브도메인별 용도 명확히 구분 ▸ 입력 데이터 유형(텍스트 vs 이미지)이 AI 기법 결정의 핵심

해설

【핵심 용어】 ▸ Bedrock Guardrails — 입력 필터링(금지 주제·유해 콘텐츠)과 출력 검증(사실성 확인, 환각 탐지) 통합 ▸ Contextual Grounding — 회사 문서 기반 사실 검증으로 FM 환각 방지 【정답 포인트】 ▸ FM 환각 방지 = Guardrails 필수 ▸ 규제 준수(금융·의료)에서 출력 통제는 필수 요구사항 【오답 체크】 (A) AWS Config — AWS 리소스 준수 모니터링, FM 응답 검증 불가 (C) Fraud Detector — 비정상 거래·사기 탐지, 응답 사실성과 무관 (D) Audit Manager — 감사 추적 리포트 생성, 응답 신뢰도 평가 기능 없음 【시험 포인트】 ▸ AWS 서비스 기능의 정확한 이해 필수 ▸ 생성형 AI 신뢰성 확보의 핵심 도구로 Guardrails 중요

해설

【핵심 용어】 ▸ Diffusion (Stable Diffusion, Amazon Titan Image Generator) — 이미지 생성 표준 모델 ▸ LLM (Claude, Titan Text) — 자연언어 텍스트 생성 전담 모델 【정답 포인트】 ▸ 모달리티별 올바른 모델 선택이 핵심 ▸ 이미지와 텍스트는 상이한 생성 메커니즘 필요 【오답 체크】 (B) Diffusion으로 텍스트 슬로건 생성 불가능 (C) LLM은 이미지 생성 기능 없음 (D) VAE는 구형 기술, 현재 Diffusion으로 완전 대체됨 【시험 포인트】 ▸ 생성형 AI 모델의 데이터 모달리티 특화도 이해 필수 ▸ 멀티모달 콘텐츠 생성 시 적절한 모델 조합 선택 능력

해설

【핵심 용어】 ▸ SageMaker Model Registry — 모델 아티팩트 중앙 저장소로 버전 관리, 승인 상태 추적, 메타데이터 관리 ▸ 모델 생명주기 관리 — 팀 협업·감사 추적·배포 자동화 지원 【정답 포인트】 ▸ 모델 저장·관리·버전 관리의 표준 서비스 ▸ 프로덕션 배포 전 승인 워크플로우 통합 【오답 체크】 (A) Audit Manager — AWS 준수 감사 리포트 생성 (B) Model Monitor — 프로덕션 모델 데이터 드리프트 탐지 (D) SageMaker Canvas — 노코드 모델 구축 도구 【시험 포인트】 ▸ SageMaker 서비스들의 역할 명확히 구분 ▸ Model Registry = 저장·버전·배포 생명주기 관리의 핵심

해설

【핵심 용어】 ▸ SHAP (Shapley Additive Explanations) — 게임 이론 기반으로 각 피처가 개별 예측에 기여한 정도 정량화 ▸ SageMaker Clarify — SHAP 내장된 표준 모델 설명 기법 제공 【정답 포인트】 ▸ 예측 '왜?'에 답변하는 설명 가능성 = Shapley values ▸ 규제 준수(GDPR·금융감독)에서 설명 가능성 필수 【오답 체크】 (B) 정확도 지표 — 전체 모델 성능만 평가, 개별 예측 설명 불가 (C) 혼동 행렬 — 분류 성능 분석일 뿐 피처 기여도 미제시 (D) 보안 추론 — 모델 보호 기능, 설명성과 무관 【시험 포인트】 ▸ Model Explainability vs Model Performance 개념 분리 ▸ 이해관계자 신뢰 구축의 핵심 = 개별 예측 설명 가능성

해설

【핵심 용어】 ▸ Unsupervised Learning (Clustering) — 라벨 없는 데이터에서 자체 패턴으로 자동 그룹화 ▸ K-means, DBSCAN — 클러스터링 알고리즘 표준 방식 【정답 포인트】 ▸ 라벨 없이 유사성 기반 그룹화 = Unsupervised Learning ▸ 고객 세분화, 제품 카테고리 발굴의 표준 기법 【오답 체크】 (B) Supervised — 라벨 데이터 필수, 분류·회귀 목표 (C) Reinforcement — 보상 신호 기반 의사결정 학습 (D) Semi-supervised — 라벨 데이터 일부만 사용 【시험 포인트】 ▸ ML 패러다임 선택의 첫 결정 = 라벨 가용성 ▸ 라벨 없음 → Unsupervised가 자동 선택지

해설

【핵심 용어】 ▸ Amazon Translate — 실시간·배치 다국어 번역 서비스로 200+ 언어 쌍 지원 ▸ 뉘앙스·문맥 보존 — 신경망 기반 고품질 번역 제공 【정답 포인트】 ▸ 텍스트 기사 다국어화 = Translate 전담 서비스 ▸ 자동화 파이프라인 통합으로 운영 효율화 【오답 체크】 (A) Transcribe — 음성을 텍스트로 변환(STT), 기사 번역 불가 (C) Personalize — 개인화 추천 엔진, 번역 기능 없음 (D) Textract — 문서 OCR·정보 추출, 언어 변환 불가 【시험 포인트】 ▸ AWS AI/ML 서비스의 도메인별 전문성 명확히 인식 ▸ 텍스트 언어 변환 = Translate의 유일한 솔루션

해설

【핵심 용어】 ▸ Few-shot Prompting — 프롬프트에 공개 문서에서 발췌한 (질문-답변) 예시 쌍 포함 ▸ 패턴 학습 — 모델이 예시로부터 변환 패턴을 학습해 유사 질의에 일관된 응답 생성 【정답 포인트】 ▸ 공개 문서 예시 활용 = Few-shot의 핵심 ▸ 비용 저렴(Fine-tune 불필요), 빠른 구현 가능 【오답 체크】 (A) Complexity-based — 비표준 용어, 프롬프트 예시와 무관 (B) Zero-shot — 예시 없이 일반 명령만 제공, 일관성 낮음 (D) Directional stimulus — 행동 지시 힌트 제공, 문서 기반 학습과 다름 【시험 포인트】 ▸ 프롬프트 엔지니어링 기법 3가지(Zero/Few/In-context) 명확 구분 ▸ 문서·예시 활용 = Few-shot 선택의 필수 단서