정답 · 해설

해설

【핵심 용어】 ▸ AWS PrivateLink (VPC Endpoint) — VPC에서 Bedrock으로의 트래픽이 AWS 내부 백본 네트워크만 경유 ▸ 인터넷 미경유 — 인터넷 게이트웨이·NAT 거치지 않음 【정답 포인트】 ▸ 데이터 유출 차단 = 네트워크 경로 제어 ▸ 금융·의료 규제(HIPAA·PCI-DSS) 준수 필수 【오답 체크】 (A) (B) IAM — 접근 권한 제어로 네트워크 분리 불가 (D) KMS 암호화 — 전송 중 데이터 보호이나, 트래픽 노출 경로는 막지 못함 【시험 포인트】 ▸ 보안 제어의 3계층(신원·암호화·네트워크) 이해 ▸ 데이터 거주지 요구 = PrivateLink의 핵심 가치

해설

【핵심 용어】 ▸ STT(Speech-to-Text) 파이프라인 — Transcribe(음성→텍스트) → Translate(번역) → Polly(텍스트→음성) 조합이 표준 ▸ 자막 생성 = Transcribe + Translate / 보이스오버 = Polly 【정답 포인트】 ▸ 자막 (A) = Transcribe(음성→텍스트 생성) + Translate(다국어 번역) ▸ 보이스오버 (C) = Polly(번역된 텍스트→음성 합성) 【오답 체크】 (B) Textract — 문서 OCR용, 비디오 음성 추출 불가 (D) Translate — 번역만 가능, 음성 합성 기능 없음 (E) Textract — 텍스트 추출만, TTS 기능 전무 【시험 포인트】 ▸ AWS 미디어 AI 서비스 파이프라인 이해 필수 ▸ 각 서비스의 입출력 모달리티(Speech/Text/Image) 명확히 구분

해설

【핵심 용어】 ▸ RAG + Knowledge Bases — 정책 문서 변경 시 KB만 동기화하면 즉시 반영 ▸ Near real-time — Fine-tune 재학습·재배포 불필요 【정답 포인트】 ▸ 잦은 변경 = 모델 수정 불가, 데이터 계층만 갱신 ▸ Near real-time = 분 단위 동기화로 KB 업데이트 충분 【오답 체크】 (A) Fine-tune — 재학습·검증·배포 사이클로 수일~주 소요 (B) FM 선택 — 기본 모델 선택일 뿐, 정책 변경 반영 메커니즘 아님 (D) Q Business — 가능하나 Knowledge Bases 미활용 시 복잡 【시험 포인트】 ▸ 정책·규정같이 자주 변경되는 정보 = RAG 기반 아키텍처 필수 ▸ Fine-tune은 장기 특성 학습용, 단기 변동성에 부적합

해설

【핵심 용어】 ▸ Fine-tuning — 사전학습된 FM에 태스크 전용 라벨 데이터로 추가 학습 ▸ Pre-training — 대규모 비라벨 데이터로 초기 가중치 학습 ▸ 지도학습 — 라벨된 입출력 쌍으로 학습 【정답 포인트】 ▸ 작은 라벨 셋 + 타깃 태스크 → Fine-tuning 정의와 일치 ▸ 사전학습 모델 → 태스크 특화로 가중치 미세조정 【오답 체크】 (B) Data selection — 학습 데이터 큐레이션 단계로 Fine-tuning 전 준비 (C) Pre-training — 대규모 비라벨 데이터로 일반 지식 습득 (D) Evaluation — 모델 성능 검증 단계로 학습 후 평가 【시험 포인트】 ▸ FM 라이프사이클 단계: Pre-training → Fine-tuning → Evaluation ▸ 라벨 데이터 규모 작음 → Fine-tuning 필요성 증대

해설

【핵심 용어】 ▸ Fairness — 인구통계 그룹 간 편향 제거 및 동등한 승인율 보장 ▸ Explainability — 거부 결정 이유를 사용자가 이해 가능하도록 제시 ▸ Privacy — 개인식별정보(PII) 암호화 및 데이터 보호 【정답 포인트】 ▸ 거부 사유 설명 → Explainability(투명성) ▸ 인구통계 편향 감사 → Fairness(공정성) ▸ PII 암호화 → Privacy(개인정보 보호) 【오답 체크】 (B) 모두 Fairness는 잘못된 매칭, 거부 이유 설명과 암호화는 다른 원칙 (C) 모두 Privacy는 부적절, 거부 사유 설명은 투명성이지 보호 아님 (D) 모두 Explainability는 편향 감사와 암호화를 설명성으로 분류 불가 【시험 포인트】 ▸ Responsible AI 6원칙 이해: Fairness, Explainability, Privacy, Safety, Accountability, Transparency ▸ 각 액션의 의도 파악 후 올바른 원칙 대응 필수

해설

【핵심 용어】 ▸ Style Transfer Fine-tuning — 원본 입력을 정제된 출력으로 변환 학습 ▸ Instruction Fine-tuning — 입력-출력 쌍으로 모델 행동 커스터마이즈 ▸ Training Data Format — {"input": "...", "output": "..."} JSONL 형식 필수 【정답 포인트】 ▸ 스타일 변환 = 입력(원본 메시지) → 출력(다듬어진 메시지) 매핑 ▸ 쌍 기반 학습으로만 변환 패턴 습득 가능 【오답 체크】 (A) 입력만으로는 출력 형식 학습 불가능(타깃 없음) (B) 출력만으로는 입력 패턴과의 관계 학습 불가능 (D) 입력·출력 별개 샘플은 대응 관계가 없어 변환 매핑 불가 【시험 포인트】 ▸ Bedrock Fine-tuning 데이터 형식: 반드시 입력-출력 쌍 필요 ▸ Style Transfer, Instruction Tuning 모두 쌍 기반 학습 구조 동일

해설

【핵심 용어】 ▸ Inference(추론) — 이미 학습된 모델이 새로운 데이터로 예측 생성 ▸ Training(훈련) — 모델이 과거 데이터로부터 패턴 습득 ▸ 추론 시점 — 배포 후 실시간 또는 배치 예측 【정답 포인트】 ▸ "학습된 모델"이 핵심: 훈련 완료된 상태에서 실행 ▸ "재입원 예측" = 새 환자 데이터의 결과값 예측 ▸ 추론은 사용 단계 동작 (Training → Inference 순서) 【오답 체크】 (A) 과거 데이터 수집은 데이터 준비 단계(Training 이전) (B) 지표 평가(Metrics)는 모델 검증 단계 (C) 패턴 식별은 탐색적 데이터 분석(EDA) 또는 훈련 중 활동 【시험 포인트】 ▸ ML 라이프사이클: Data Collection → Training → Evaluation → Inference ▸ Inference는 배포된 모델의 실제 사용 단계

해설

【핵심 용어】 ▸ Amazon A2I(Augmented AI) — ML 예측 중 낮은 신뢰도 건을 사람이 검토하는 하이브리드 워크플로 ▸ 신뢰도 임계값(Confidence Threshold) — A2I가 자동 결정을 사람에게 라우팅할 판단 기준 ▸ HITL(Human-in-the-Loop) — 자동화와 인간 검토의 결합 패턴 【정답 포인트】 ▸ 신뢰도 임계값 정의 + 조정 = A2I의 핵심 기능 ▸ Low-confidence 예측 → 사람 검토 워크플로 라우팅 ▸ 임계값 변경으로 자동화/인간검토 비율 동적 조정 【오답 체크】 (A) Personalize는 개인화 추천 서비스(검토 워크플로 없음) (C) Inspector는 보안 취약점 스캔 서비스 (D) Audit Manager는 규정 준수 감사 관리 서비스 【시험 포인트】 ▸ A2I 통합 대상: Textract(문서), Rekognition(이미지), SageMaker(커스텀 모델) ▸ 신뢰도 기반 라우팅으로 인적비용 최적화

해설

【핵심 용어】 ▸ Amazon Q Business — 엔터프라이즈 내부 데이터(SharePoint, Confluence, S3, Salesforce 등)를 자동으로 인덱싱하는 생성형 AI 어시스턴트 ▸ 자연어 질의 — 사내 지식에 즉시 접근 가능하게 하는 서비스 【정답 포인트】 ▸ 사내 지식 검색 + AI 어시스턴트 = Q Business ▸ 다양한 데이터 소스 통합으로 원스톱 질의 체계 구현 【오답 체크】 (A) Rekognition은 컴퓨터 비전(이미지/영상 분석) (B) Textract는 문서에서 텍스트·표 추출용 OCR (C) Lex는 챗봇 구축용 대화 엔진(별도 백엔드 연결 필요) 【시험 포인트】 ▸ 엔터프라이즈 '기성' AI 서비스와 '커스텀' 챗봇 엔진 구분 필수 ▸ Q Business는 관리형 전문 AI로, 기업 데이터 보호 및 인덱싱 자동 처리

해설

【핵심 용어】 ▸ Amazon SageMaker Canvas — 드래그&드롭, 클릭 기반 노코드 ML 플랫폼 ▸ 비개발자 친화 — 데이터 업로드 → 자동 피처 엔지니어링 → 예측 모델 생성·배포 가능 ▸ 완전한 ML 파이프라인 — 코드 작성 없이 프로덕션 수준 구현 【정답 포인트】 ▸ '노코드' + 'ML 모델 구축·배포' = Canvas 필수 ▸ 비즈니스 사용자도 자체적으로 예측 분석 자동화 가능 【오답 체크】 (B) Rekognition은 사전학습된 이미지 분석 전용(모델 구축 불가) (C) DeepRacer는 강화학습 자동차 교육용 전문 서비스 (D) Comprehend는 사전학습된 자연어처리 API 【시험 포인트】 ▸ '구축·배포' 요구사항은 완전한 ML 파이프라인 필요 → Canvas만 충족 ▸ 기성 AI 서비스와 ML 플랫폼의 기능 범위 차이 인식

해설

【핵심 용어】 ▸ Generation Steps (Diffusion Model) — 확산 모델이 노이즈에서 이미지로 변환하는 반복 단계 수 ▸ 디테일·추상화 제어 — 높을수록 세밀한 노이즈 제거로 디테일·정확도 향상, 낮을수록 빠르고 추상적 결과 【정답 포인트】 ▸ 디테일 수준 제어 = Generation step 수 조절 ▸ 높은 값 → 상세하고 정확한 이미지 ▸ 낮은 값 → 빠르고 창의적 생성 【오답 체크】 (A) Model checkpoint는 모델 버전·가중치 선택(디테일 제어 불가) (B) Batch size는 병렬 처리 이미지 수(개별 이미지 품질 미영향) (D) Token length는 텍스트 시퀀스 길이(이미지 생성 파라미터 아님) 【시험 포인트】 ▸ 확산 모델의 반복 프로세스 이해 필수 ▸ Bedrock 이미지 모델(Stable Diffusion, Nova Canvas)의 핵심 인퍼런스 파라미터 숙지

해설

【핵심 용어】 ▸ AWS PrivateLink — AWS 서비스로 가는 트래픽을 AWS 프라이빗 네트워크에만 격리 ▸ VPC 엔드포인트 — 인터넷 게이트웨이·NAT 거치지 않고 직접 통신 ▸ 규제 준수 — 금융기관·의료기관 등 데이터 거주지 요구사항 충족 【정답 포인트】 ▸ '공용 인터넷 미경유' 요구 = PrivateLink 유일 솔루션 ▸ 데이터 누수 위험 제거 및 보안 컴플라이언스 동시 충족 【오답 체크】 (B) Q는 AI 어시스턴트 서비스(네트워크 격리 기능 아님) (C) CloudFront는 글로벌 콘텐츠 배포 네트워크(캐싱만 담당) (D) CloudTrail은 API 호출 감사 로깅(보안 통신 제공 불가) 【시험 포인트】 ▸ 네트워크 보안과 규제 준수의 교집합 → PrivateLink 선택 ▸ Bedrock·Q Business 등 AWS AI 서비스도 PrivateLink 엔드포인트 지원

해설

【핵심 용어】 ▸ Amazon Bedrock Guardrails — 사용자 입력과 모델 출력을 실시간으로 스캔. 유해 콘텐츠, PII(개인정보), 불법 활동, 할루시네이션 필터링. 【정답 포인트】 ▸ 입력 검증 + 출력 필터링 = Guardrails 필수. 생성형 AI의 위험(편향·거짓·공격·민감정보 유출) 전방위 방어. 【오답 체크】 ▸ (B) Agents: 오케스트레이션 아키텍처(안전 필터 아님) / (C) Inference API: 안전 기능 별도 추가 필요 / (D) 커스텀 모델: 기성 안전 기능 미포함 【시험 포인트】 ▸ Bedrock 안전 계층의 필수 구성요소. 실무: Guardrails 없는 배포는 규제 적발·고객 피해 발생 가능성 높음.

해설

【핵심 용어】 ▸ Amazon Bedrock PartyRock — AWS 계정 불필요, 웹 브라우저에서 무료로 생성형 AI 어플리케이션 프로토타입 빌드. 【정답 포인트】 ▸ '실험·학습' + '저비용' = PartyRock 최고 효율. 신규 사용자·학생의 첫 단계로 최적. 【오답 체크】 ▸ (A) Q Developer: 유료 코드 어시스턴트 / (B) JumpStart: ML 지식 필요 / (D) Q Business: 엔터프라이즈 관리형(비용·복잡도 높음) 【시험 포인트】 ▸ AWS AI 입문용 도구 → PartyRock / 전문가 개발 → Canvas/JumpStart 구분 필수.

해설

【핵심 용어】 ▸ Domain-Specific Conversations — 특정 분야의 어휘, 맥락, 암묵적 지식이 자연스럽게 담긴 대화 데이터. 【정답 포인트】 ▸ 어시스턴트 파인튜닝 데이터 = 도메인 관련 대화 텍스트. 일반 데이터보다 도메인 특화 데이터 사용 시 정확도 5배 이상 향상. 【오답 체크】 ▸ (B) 매출 시계열: 시계열 예측용 / (C) 감정 분석: 감정 분류용 / (D) ID 데이터: 메타데이터로 언어 학습 불가 【시험 포인트】 ▸ 파인튜닝 데이터 선택의 핵심 = 타겟 도메인과의 적합성 검증. 전문 어시스턴트는 해당 분야 대화 집합 필수.

해설

【핵심 용어】 ▸ Responsible AI 실천 — 편향 감지·제거 + 공정성 검증 + 투명성 보장. 금융 의사결정 AI는 보호 속성 무관 공정한 승인율 달성 필수. 【정답 포인트】 ▸ 공정·책임 = 데이터 편향 감사 → 다양성 포함 → 재검증. 규제(공정대출법, GDPR 등)도 데이터 투명성 요구. 【오답 체크】 ▸ (B) 모델 복잡도: 공정성과 무관 / (C) 비밀 유지: 공정성 검증 불가능(규제 위반) / (D) 정적 테스트셋: 데이터 드리프트·편향 확대 놓침 【시험 포인트】 ▸ 규제 금융 AI의 의무 = 공정성 입증 + 설명성 투명화. 편향 감사는 데이터 수집 단계부터 시작.

해설

【핵심 용어】 ▸ AWS AI 서비스 전문화: Kendra(검색), Rekognition(이미지/영상), Polly(음성합성), Translate(번역), Comprehend(텍스트분석). 【정답 포인트】 ▸ 각 모달리티(텍스트·이미지·음성)별 전문 서비스 매칭 필수. 태스크 특성에 맞는 최적 서비스 선택으로 비용·성능 최적화. 【오답 체크】 ▸ (B) Kendra: 검색 전용 / (C) Comprehend: 텍스트 감정·엔티티만 / (D) Rekognition: 비전 전용 【시험 포인트】 ▸ AWS 기성 AI 서비스의 모달리티별 역할 분담 구조 이해. HOTSPOT 문제: 원문 보기 필수.

해설

【핵심 용어】 ▸ SageMaker Canvas — 비개발자용 노코드 ML. 클릭·드래그로 데이터 로드 → 자동 피처 생성 → 회귀/분류 모델 학습 → 배포. 【정답 포인트】 ▸ ML 지식 부족 + 예측 모델 = Canvas 필수. 코드 작성 없이도 실무급 예측 분석 자동화 가능. 【오답 체크】 ▸ (B) Clarify: 편향 분석용 / (C) Model Monitor: 배포 후 드리프트 감지 / (D) Data Wrangler: 전처리만 가능 【시험 포인트】 ▸ SageMaker 보조 도구와 완전한 ML 플랫폼(Canvas) 구분 필수. '코드 없이' + '예측' = Canvas 유일한 선택지.

해설

【핵심 용어】 ▸ Responsible AI Training — 팀이 편향의 원인·영향·제거 방법과 AI 설명성·투명성의 중요성 이해. 모든 단계에서 공정성 검증 필수. 【정답 포인트】 ▸ 공정·설명 보장 = 문화·인식 변화 먼저 (기술은 그 다음). 편향 인식이 없으면 모든 단계에서 실수 반복. 【오답 체크】 ▸ (A) 코딩 기술: 공정성 달성에 직접 영향 없음 / (B) 프라이버시·암호화: 보안 문제(공정성·설명성과 별개) / (D) 고급 ML 알고리즘: 공정성 인식 없으면 무의미 【시험 포인트】 ▸ Responsible AI는 기술 문제가 아닌 조직 문화·거버넌스 문제. AWS는 Responsible AI 교육을 조직 의무화.

해설

【핵심 용어】 ▸ Interpretability (해석 가능성) — 모델의 의사결정 로직이 인간에게 명확하고 이해 가능한 정도. SHAP, LIME 등으로 피처별 기여도 시각화. 【정답 포인트】 ▸ '예측 이해' = Interpretability (= Explainability와 유사). 블랙박스 모델도 해석성 도구로 투명화 가능. 【오답 체크】 ▸ (B) Training: 학습 프로세스 / (C) Interoperability: 상호운용성 / (D) Performance: 정확도·F1 등 지표 【시험 포인트】 ▸ 금융·의료·법률 AI는 해석가능성 규제 요구. Responsible AI의 핵심 3축: Fair + Interpretable + Robust.