정답 · 해설

해설

【핵심 용어】 ▸ K-means Clustering — 비지도학습으로 유사한 샘플끼리 자동 그룹화. 라벨 없이 고객 세그먼트 발견. 마케팅, 추천, 리스크 분류에 표준 기법. 【정답 포인트】 ▸ '그룹화' (라벨 없음) = K-means 필수. 고객 세그먼테이션은 마케팅의 기본적 고급 분석. 【오답 체크】 ▸ (A) k-NN: 분류용(그룹 발견 아님) / (C) Decision Tree: 지도학습 분류(라벨 필요) / (D) SVM: 지도학습 분류 【시험 포인트】 ▸ 지도 vs 비지도: '라벨 있음' = 분류 / '라벨 없음' = 클러스터링 구분 필수. 최적 K 선택(Elbow Method) 중요.

해설

【핵심 용어】 ▸ Temperature (온도) — 소프트맥스 확률 분포 조정. 높을수록 낮은 확률 토큰도 선택되어 다양·창의적 출력. 낮을수록 결정적·예측 가능 출력. 【정답 포인트】 ▸ 다양성 ↑ = Temperature ↑ (0.7~1.0 추천). 정밀도 ↑ = Temperature ↓ (0.1~0.3). 【오답 체크】 ▸ (B) Batch size: 병렬 처리 샘플 수(다양성 미영향) / (C) Learning rate: 학습 속도(추론 다양성과 무관) / (D) Optimizer type: 가중치 업데이트 알고리즘 【시험 포인트】 ▸ LLM 추론 파라미터 핵심 3가지: Temperature(다양성), Top-p(선택지), Max tokens(길이). Bedrock, ChatGPT API 등 모두 지원.

해설

【핵심 용어】 ▸ Negative Prompt (부정 프롬프트) — 이미지 생성 시 '포함 금지' 요소를 명시. 'no blurry, no watermark' 같이 표현. 대부분 이미지 생성 FM 지원. 【정답 포인트】 ▸ 제외 요소 명시 = Negative prompt 직접 활용. 포지티브 프롬프트보다 효과적일 수 있음. 【오답 체크】 ▸ (A) Temperature: 텍스트 다양성 제어(이미지 생성과 무관) / (B) 상세 프롬프트: 포함할 항목 강조('제외' 기능 아님) / (D) 모델 교체: 과도한 비용·시간 【시험 포인트】 ▸ 프롬프트 엔지니어링의 기본: positive + negative 동시 활용. Nova Canvas는 Bedrock의 멀티모달 FM.

해설

【핵심 용어】 ▸ ML 패러다임 분류: Classification(이진/다중 분류), Regression(연속값 예측), Clustering(그룹 발견), Reinforcement(보상 최대화). 각 패러다임은 데이터 특성·문제 정의에 의해 결정. 【정답 포인트】 ▸ 태스크 특성 파악 = 올바른 ML 기법 선택의 출발점. 같은 데이터도 목표에 따라 다른 기법 적용 가능. 【오답 체크】 ▸ (B) Classification: 스팸 분류만 / (C) Clustering: 고객 그룹만 / (D) Regression: 집값만 【시험 포인트】 ▸ HOTSPOT 문제: 원문 보기 필수. ML 초급 이론 확인용 기본 문제.

해설

【핵심 용어】 ▸ SageMaker Ground Truth Plus — AWS 전문 라벨러 팀 + 자동 라벨링 관리. 데이터 업로드 → AWS 팀이 라벨링 처리 → 라벨 데이터셋 반환. RLHF FM 파인튜닝용 표준. 【정답 포인트】 ▸ 라벨링 아웃소싱 = Ground Truth Plus 필수. 자사 인력 투입 제로로 고품질 라벨링 데이터 확보 가능. 【오답 체크】 ▸ (A) Data Wrangler: 기존 데이터 전처리 / (C) Transcribe: 음성 → 텍스트 변환 / (D) Macie: 민감정보 탐지 【시험 포인트】 ▸ RLHF 파인튜닝의 병목 = 고품질 인간 라벨 데이터 확보. 대규모 라벨링 프로젝트는 Ground Truth Plus로 최적화.

해설

【핵심 용어】 ▸ Amazon OpenSearch Service (k-NN) — 벡터 검색 엔진. Bedrock Embedding 모델로 이미지·텍스트를 벡터화 → OpenSearch 저장 → 자연어 쿼리로 유사도 검색(cosine similarity). 【정답 포인트】 ▸ 벡터 DB + 유사도 검색 = OpenSearch k-NN. Embedding 모델과 벡터 DB의 결합으로 시맨틱 검색 구현. 【오답 체크】 ▸ (A) Comprehend: 텍스트 감정·엔티티 분석 / (B) Personalize: 협업 필터링 추천 / (C) Polly: 음성 합성 【시험 포인트】 ▸ 멀티모달 AI의 핵심 아키텍처: Embedding + Vector DB. OpenSearch, Pinecone, Weaviate 등 벡터 DB 선택지.

해설

【핵심 용어】 ▸ SageMaker 컴포넌트: Experiments(ML 실험 버전 관리), Feature Store(피처 중앙화), JumpStart(사전학습 모델 갤러리), Ground Truth(라벨링), Pipelines(자동화), Model Registry(배포 관리). 【정답 포인트】 ▸ ML 라이프사이클 전체 커버 → SageMaker 통합 플랫폼. 용도별 도구 조합으로 개발 속도·품질 대폭 향상. 【오답 체크】 ▸ (B) Experiments: 실험 추적 전용 / (C) Feature Store: 피처 저장·배포 전용 / (D) JumpStart: 모델 갤러리 【시험 포인트】 ▸ HOTSPOT 문제: 원문 보기 필수. SageMaker 생태계 전체 이해도 평가.

해설

【핵심 용어】 ▸ Continued Pre-training — 공개 데이터로 학습한 FM을 사내 도메인 데이터(비라벨 포함)로 추가 학습하여 도메인 지식을 모델 가중치에 내재화. RAG와 달리 모델 자체가 도메인 지식을 학습. 【정답 포인트】 ▸ 사내 대규모 문서 활용 = 모델 자체 학습 = Continued Pre-training. 비라벨 데이터도 활용 가능하므로 모든 정보 활용 가능. 【오답 체크】 ▸ (A) Classification: 분류 태스크로 모델 커스터마이즈 방법 아님 / (C) Distillation: 지식 압축 기법 / (D) Regression: 회귀 분석 【시험 포인트】 ▸ FM 커스터마이즈 방법(Fine-tuning vs. Continued Pre-training vs. RAG) 구분. 라벨링 여부와 데이터 규모가 선택 기준.

해설

【핵심 용어】 ▸ Data Drift — 프로덕션 환경의 입력 데이터 분포가 학습 시점의 분포와 달라지는 현상. 모델 성능 저하의 주원인. 임계값 초과 시 적절한 대응 필수. 【정답 포인트】 ▸ 임계값 초과 = 데이터 분포 변화 확인됨 = 모델 성능 저하 위험 = 재학습 필요. 새로운 데이터 특성에 맞춰 모델을 다시 학습하면 성능 회복. 【오답 체크】 ▸ (A) 엔드포인트 재시작: 드리프트 문제와 무관(임시방편) / (B) 모니터링 민감도 조정: 문제 완화가 아닌 기준 변경 / (D) 실험 추적 설정: 현재 드리프트 대응과 무관 【시험 포인트】 ▸ Model Monitor의 드리프트 감지 후 대응 전략. 모니터링 도구와 실제 해결 방안을 구분하는 능력 필수.

해설

【핵심 용어】 ▸ Explainable AI (XAI) — SHAP, LIME 등 해석 기법으로 모델 예측에 어떤 변수가 얼마나 기여했는지 정량적·정성적으로 공개. 금융(신용 결정) 규제 준수와 고객 신뢰 확보에 필수. 【정답 포인트】 ▸ 고객 투명성 요구 = 의사결정 근거 공개 필요 = XAI 활용. "신용한도가 낮은 이유는 A, B, C 변수 때문"이라는 명확한 설명 제공. 【오답 체크】 ▸ (A) 규칙 기반 교체: 과도한 솔루션이며 AI의 이점 포기 / (C) UI+기술 설명: 일반 고객이 이해 불가 / (D) 정확도 증가: 투명성과는 별개 【시험 포인트】 ▸ AI 투명성, 설명 가능성(Explainability)의 중요성. 금융·의료 등 높은 신뢰도가 요구되는 도메인에서 필수.

해설

【핵심 용어】 ▸ Amazon SageMaker Model Monitor — 프로덕션 환경의 데이터 드리프트, 모델 드리프트, 예측 품질 저하를 자동 감지하고 실시간 알림 제공. 배포 후 성능 저하를 조기에 감지하는 것이 핵심. 【정답 포인트】 ▸ 이미 발생한 품질 저하 = 재학습 필요 + 향후 재발 방지 = 모니터링 필수 = Model Monitor. 지속적인 모니터링과 알림으로 문제 재발 시 빠르게 대응. 【오답 체크】 ▸ (A) Clarify: 배포 전 모델 분석·편향 감지 도구 / (C) Feature Store: 특성 데이터 관리 도구 / (D) JumpStart: 모델 카탈로그 【시험 포인트】 ▸ SageMaker 도구의 역할 구분. Clarify(배포 전 분석) vs. Model Monitor(배포 후 지속 모니터링)의 차이 중요.

해설

【핵심 용어】 ▸ Unsupervised Learning — 데이터에 레이블(정답)이 없는 상태에서 데이터 자체의 패턴과 구조를 발견하는 학습 방식. 클러스터링이 대표적 예로 유사한 데이터끼리 자동 그룹화. 【정답 포인트】 ▸ 라벨 없음 + 패턴 발견 + 그룹화 = 비지도학습. 구매 이력은 사전 정의된 세그먼트 없이 데이터 자체로부터 그룹 도출. 【오답 체크】 ▸ (B) 분류: "개" 또는 "고양이" 라벨이 있는 지도학습 / (C) 회귀: 특성을 입력, 가격을 정답으로 하는 지도학습 / (D) 강화학습: 시행착오와 보상으로 학습 【시험 포인트】 ▸ ML 학습 방식(Supervised/Unsupervised/Reinforcement) 구분. 라벨 존재 여부와 목표 함수 형태가 핵심.

해설

【핵심 용어】 ▸ ROUGE (Recall-Oriented Understudy for Gisting Evaluation) — 자동 텍스트 요약 평가의 표준 메트릭. 생성된 요약과 참조 요약 간의 겹치는 n-gram, 부분수열을 비교하여 유사도 측정. 【정답 포인트】 ▸ 텍스트 생성 작업(Text Generation, Summarization) 평가 = ROUGE. LLM의 요약 품질을 객관적으로 자동 계산 가능. 【오답 체크】 ▸ (A) Recall: 분류 작업의 평가 지표 / (B) AUC: 이진 분류 모델의 성능 평가 / (D) MSE: 회귀 작업의 손실함수 【시험 포인트】 ▸ 생성형 AI 평가 메트릭(ROUGE, BLEU, METEOR 등) 이해. 분류/회귀와 텍스트 생성의 평가 방식 다름.

해설

【핵심 용어】 ▸ Amazon Bedrock Model Evaluation — Bedrock의 생성형 AI 모델(Claude, Llama 등) 출력 품질을 평가하는 서비스. 자동 평가(ROUGE, BERTScore 등)와 인간 평가를 모두 지원. 사용자가 정의한 커스텀 프롬프트 세트에 대해 여러 모델의 응답을 비교. 【정답 포인트】 ▸ Bedrock FM 출력 평가(프롬프트 기반) + 휴먼 평가 조합 = Bedrock Model Evaluation. 연구팀이 정의한 프롬프트와 평가 기준에 따라 모델 검증 가능. 【오답 체크】 ▸ (A) Personalize: 추천 시스템용 서비스 / (B) Rekognition: 이미지·비디오 분석 / (D) Comprehend: 자연어 처리(감정 분석, 개체명) 【시험 포인트】 ▸ AWS 생성형 AI 서비스(Bedrock 기반)의 다양한 기능. Model Evaluation, Clarify, Canvas 등을 용도별로 구분 필수.

해설

【핵심 용어】 ▸ 비즈니스 KPI 매핑 — 각 비즈니스 목표에 적합한 지표를 선택하는 것이 매우 중요. 매출 증가(Revenue Growth)는 전환율(Conversion Rate)로 측정, 사용자 참여 증가(User Engagement)는 평균 세션 시간으로 측정. 【정답 포인트】 ▸ 매출 목표 = 전환율: 방문자가 실제 구매로 전환되는 비율이 매출 증가의 핵심. 참여 목표 = 세션 시간: 사용자가 애플리케이션에서 소비하는 시간이 참여도를 나타냄. 【오답 체크】 ▸ (B) (C) (D): 모든 목표에 동일한 지표를 적용하는 것은 비즈니스 목표를 제대로 측정할 수 없음. 【시험 포인트】 ▸ AI/ML 솔루션 배포 후 비즈니스 임팩트를 측정하는 KPI 선택. 기술적 지표(정확도)와 비즈니스 지표(매출, 참여)를 구분 필수.

해설

【핵심 용어】 ▸ Amazon SageMaker Clarify — SHAP(SHapley Additive exPlanations) 값을 기반으로 머신러닝 모델의 예측에 대한 상세 설명을 제공. 각 특성(Feature)이 특정 예측에 얼마나 기여했는지를 정량화하고 모델 편향을 감지·리포팅. 【정답 포인트】 ▸ ML 모델 예측 설명 = SageMaker Clarify. SHAP·LIME 기반 모델 해석, 편향 분석, 기능 중요도 시각화 등 예측 투명성에 필요한 모든 기능 제공. 【오답 체크】 ▸ (A) QuickSight: 비즈니스 인텔리전스·데이터 시각화 / (B) Comprehend: 자연어 처리 / (C) Trusted Advisor: AWS 계정 권장사항 【시험 포인트】 ▸ 설명 가능한 AI(Explainable AI, XAI) 솔루션으로서 SageMaker Clarify의 역할. 모델 해석 및 투명성 확보가 주요 기준.

해설

【핵심 용어】 ▸ Sentiment Analysis — 자연어 처리(NLP)의 대표적인 하위 작업(Sub-task)으로 텍스트에 포함된 감정이나 의견의 극성(Polarity)을 판별. 일반적으로 긍정(Positive), 부정(Negative), 중립(Neutral)의 세 가지 클래스로 분류. 【정답 포인트】 ▸ 감정 분석 = 텍스트 해석 = NLP의 하위 영역. 텍스트를 입력받아 의미를 이해하고 감정 정보를 추출하는 작업으로 자연어 처리에 속함. 【오답 체크】 ▸ (A) Computer Vision: 이미지·비디오 분석 분야 / (B) Robotics: 로봇 제어 및 자율 시스템 / (D) 시계열 예측: 시간 순서 데이터 예측 【시험 포인트】 ▸ AI의 주요 하위 분야(NLP, Computer Vision, Reinforcement Learning 등) 이해. 감정 분석이 NLP의 기초 응용 사례임을 파악 중요.

해설

【핵심 용어】 AWS PrivateLink — VPC 내부 리소스에서 AWS 서비스에 프라이빗하게 접근하는 네트워킹 기술. VPC 엔드포인트 생성으로 인터넷 게이트웨이나 NAT 없이 직접 연결되므로 데이터가 공인 인터넷을 경유하지 않습니다. 【정답 포인트】 VPC 내부 → Bedrock API 접근 + 인터넷 미경유 = PrivateLink 필수 【오답 체크】 (A) CloudFront: CDN 서비스로 VPC-Bedrock 프라이빗 연결과 무관 (B) Glue: ETL 작업 중 데이터 암호화로 네트워크 프라이버시와 별개 (C) Lake Formation: 데이터 레이크 권한 제어로 VPC-API 간 프라이빗 연결과 무관 【시험 포인트】 VPC, PrivateLink, VPC Endpoint의 개념 이해 필수

해설

【핵심 용어】 Large Language Model (LLM) + NLP Sentiment Analysis — 생성형 LLM은 Zero-Shot 또는 Few-Shot으로 별도 학습 없이 비정형 텍스트의 감정을 분석합니다. 【정답 포인트】 비정형 텍스트 피드백 분석 = 자연어 이해 필수 = LLM 또는 NLP 서비스 활용 【오답 체크】 (B) 회귀 알고리즘: 연속 숫자 예측용으로 텍스트 분류에 부적합 (C) 추천 엔진: 사용자 선호도 기반 추천으로 감정 분류와 무관 (D) 시계열 분석: 시간 순서 데이터 예측으로 정적 텍스트 감정과 무관 【시험 포인트】 생성형 AI와 NLP의 융합. 비정형 데이터 분석에 LLM 활용이 표준

해설

【핵심 용어】 머신러닝 최적화: (1) Regularization(정규화) — 과적합 방지 / (2) Data Augmentation(데이터 증강) — 학습 데이터 부족 시 해결 / (3) Bias Mitigation(편향 완화) — 모델의 공정성 문제 해결 【정답 포인트】 Overfitting = Regularization / 라벨 부족 = Data Augmentation / 편향 = Bias Mitigation. 각 문제마다 고유의 해결책 【오답 체크】 (B) (C) (D): 모든 문제에 동일한 기법을 적용하면 제대로 해결 불가 【시험 포인트】 모델 문제 진단과 최적화 기법의 선택. 원인과 각 해법의 정확한 이해 필수