정답 · 해설

해설

【핵심 용어】 Modality — 기초 모델이 처리할 수 있는 입력과 출력의 형식. 단일모달 vs 멀티모달(텍스트·이미지·비디오) 【정답 포인트】 이미지 + 설명 생성 필요 = 텍스트와 이미지 모두 처리 = 멀티모달 FM 필수 【오답 체크】 (A) Latency: 응답 속도는 중요하지만 입출력 형식 선택과 별개 (B) Model Size: 컴퓨팅 리소스 요구사항이지 입출력 형식과 무관 (C) Model Customization: 도메인 적응 능력으로 입출력 형식과 무관 【시험 포인트】 기초 모델 선택의 첫 단계. Modality는 FM의 가장 기본적 특성

해설

【핵심 용어】 Classification — 입력 데이터를 사전 정의된 카테고리 중 하나로 분류하는 지도학습. 긍정·부정·중립 세 가지 클래스로 구분 【정답 포인트】 사전 정의된 3개 클래스 중 선택 = Classification. 리뷰마다 단 하나의 극성을 선택하는 구조 【오답 체크】 (A) Open-ended Generation: 새로운 자유로운 텍스트 생성으로 극성 분류와 무관 (B) Text Summarization: 긴 텍스트 요약으로 극성 판정과 무관 (C) Machine Translation: 언어 번역으로 감정 분류와 무관 【시험 포인트】 NLP 작업 유형(Classification vs Generation vs Summarization)의 구분

해설

【핵심 용어】 (1) Embedding(임베딩) — 단어·문장을 수치 벡터로 변환하여 의미를 수치 공간에 표현 / (2) Token(토큰) — 텍스트의 최소 처리 단위. 모델은 다음 토큰을 확률 기반으로 예측 / (3) Model Parameters — 학습 과정에서 최적화되는 가중치와 편향 【정답 포인트】 의미 벡터 = Embedding / 입력 단위 = Token / 학습된 값 = Parameters 【오답 체크】 (B) (C) (D): 모든 개념을 하나로 통일하면 각 용어의 정확한 의미를 놓침 【시험 포인트】 생성형 AI와 NLP의 기초 용어 정확한 이해. 모델 동작 원리 설명 필수

해설

【핵심 용어】 Clustering(클러스터링) — 비지도학습의 대표 작업으로, 레이블 없이 유사성 기반 자동 그룹화. K-Means, DBSCAN 등 활용 【정답 포인트】 라벨 없음 + 유사성 기반 그룹화 = 클러스터링 = 비지도학습의 표본 【오답 체크】 (B) 동물 이미지 인식: 사전 정의 라벨이 있으므로 지도학습(분류) (C) 집값 예측: 특성과 가격의 매핑을 학습하는 지도학습(회귀) (D) 텍스트 생성: 생성형 AI로 비지도학습과는 다른 범주 【시험 포인트】 머신러닝 학습 방식(Supervised/Unsupervised/Reinforcement)의 명확한 구분

해설

【핵심 용어】 Amazon Kendra — 기업용 엔터프라이즈 검색 서비스. 자연어 질의를 이해하고 의미 기반 검색(Semantic Search)으로 관련성 높은 결과 반환 【정답 포인트】 대용량 교육 자료 + 엔터프라이즈 검색 = Kendra. 키워드 검색 아닌 의미 기반 검색으로 높은 정확도 【오답 체크】 (A) Comprehend: 텍스트 분석(감정, 개체명) 서비스로 검색 기능 없음 (B) Textract: PDF·이미지에서 텍스트 추출하는 OCR 서비스 (D) Personalize: 사용자 행동 기반 추천 서비스로 문서 검색과 무관 【시험 포인트】 AWS AI/ML 서비스의 용도별 분류

해설

【핵심 용어】 Amazon Nova Reel — Amazon Bedrock의 비디오 생성 전문 기초 모델. 텍스트 프롬프트로 짧은 형식의 비디오 직접 생성 【정답 포인트】 "가장 운영 효율적" = 비디오 직접 생성 = Nova Reel. 이미지 생성 후 편집 다단계 워크플로우보다 비효율적 【오답 체크】 (A) (B): Titan/Nova Canvas는 이미지 생성 모델로 비디오 생성 후 편집 필요 (D) Nova Pro: 범용 모델로 비디오 생성에 최적화되지 않음 【시험 포인트】 Bedrock의 다양한 기초 모델의 특화 기능과 용도 이해

해설

【핵심 용어】 F1 Score — Precision과 Recall의 조화평균. 불균형 데이터에서 두 지표의 균형을 동시에 반영 【정답 포인트】 클래스 불균형 문제에서는 정확도(Accuracy)만으로는 다수 클래스에 편향 가능. F1 Score는 Precision과 Recall을 모두 고려하여 소수 클래스도 공정하게 평가 【오답 체크】 (A) Accuracy: 전체 맞춘 비율로 불균형 데이터에서 오해의 소지 (B) Recall: 실제 양성 중 감지율만 측정하여 한쪽만 평가 (C) Precision: 예측된 양성 중 정확성만 측정 【시험 포인트】 불균형 데이터셋 평가는 거의 항상 F1 Score 또는 혼동행렬 관련

해설

【핵심 용어】 Data Labeling — 원본 데이터에 정답 라벨(클래스 값, 범주)을 부착하는 작업. 지도학습의 가장 기초적이고 필수적인 전처리 단계 【정답 포인트】 거래 레코드에 '개인' 또는 '비즈니스' 카테고리를 명시적으로 추가 = 라벨링의 정의 【오답 체크】 (A) Data Encoding: 범주형 데이터를 수치로 변환(One-hot, Label encoding) (C) Data Normalization: 숫자 피처의 범위 표준화 (D) Data Balancing: 클래스별 샘플 수 조정 【시험 포인트】 '카테고리 부착' '라벨 추가' '정답 삽입' 표현은 항상 Labeling

해설

【핵심 용어】 Summarization(요약) — 긴 원문의 핵심 내용을 압축하여 짧은 텍스트로 재구성. 생성형 AI의 가장 대표적이고 실용적인 유스케이스 【정답 포인트】 '대형 정책 문서에서 핵심 인사이트 추출' = 긴 문서를 짧고 의미 있는 요약으로. 직원들이 정책 요점을 빠르게 이해 【오답 체크】 (A) Regression: 연속 수치 예측으로 요약과 무관 (B) Clustering: 유사한 데이터를 그룹화하는 비지도학습 (D) Classification: 미리 정의된 클래스로 분류 【시험 포인트】 '추출' '요약' '핵심 정보' 키워드는 Summarization

해설

【핵심 용어】 SageMaker Clarify — 모델 예측의 공정성과 설명가능성을 분석. SHAP 기반으로 각 피처의 기여도를 시각화 및 정량화 【정답 포인트】 '피처 영향을 보여준다' = 입력 피처가 모델 예측에 얼마나 기여했는지를 명시적으로 표시 = 설명가능성(Explainability) 요구 【오답 체크】 (A) Canvas: 노코드로 ML 모델 구축 (C) Feature Store: 피처 저장 및 관리 (D) Ground Truth: 라벨링 작업 아웃소싱 【시험 포인트】 '피처 영향' '설명가능성' '해석' 키워드는 Clarify

해설

【핵심 용어】 데이터 타입: Tabular(표 형식, 행·열), Text(자연언어), Audio(음성), Image(사진), Video(영상), Time Series(시계열) 【정답 포인트】 고객 거래 기록(행·열) → Tabular / 이메일(자연언어) → Text / 통화 녹음(음성) → Audio / 제품 사진(시각) → Image 【오답 체크】 (B) 모두 Tabular: 텍스트, 음성, 이미지는 비정형 데이터 (C) 모두 Text: 거래 기록은 표 형식 (D) 모두 Audio: 거래, 이메일, 사진은 음성 데이터 아님 【시험 포인트】 HOTSPOT은 각 항목을 정확히 매칭. 비정형 데이터 타입 구분 핵심

해설

【핵심 용어】 Time Series Data(시계열 데이터) — 일정한 시간 간격으로 수집된 순차적 데이터. 시간에 따른 변화 패턴이 핵심 특징 【정답 포인트】 '하루 동안' 인터넷 속도 수집 = 시각별(00:00~23:59) 순차적 기록 = 시간 순서가 중요한 시계열 데이터 【오답 체크】 (A) Tabular: 시간 정보가 없는 단순 테이블 (B) Text: 텍스트 데이터 아님 (D) Audio: 음성 데이터 아님 【시험 포인트】 '시간에 따른' '변화' '추세' '예측' 표현은 Time Series

해설

【핵심 용어】 Autoencoder(오토인코더) — 입력 데이터를 저차원 잠재공간으로 인코딩 후 재구성하는 비지도학습 모델. 재구성 오차로 이상 판별 【정답 포인트】 '라벨 없는' 데이터 = 이상/정상 정답 없음 = 비지도학습. Autoencoder는 정상 패턴 학습 후 오차 크기로 이상 감지 【오답 체크】 (A) Linear Regression: 연속 수치 예측(지도학습) (B) Classification: 미리 정의된 클래스 분류(지도학습, 라벨 필요) (C) Decision Tree: 규칙 기반 분류(지도학습) 【시험 포인트】 '라벨 없음' '이상 감지' 조합은 Autoencoder

해설

【핵심 용어】 Conversion Rate(전환율) — AI 어시스턴트와 상호작용한 고객 중 실제 구매로 이어진 비율. 매출 증대의 직접적 지표 【정답 포인트】 '매출에 주는 직접 영향' = AI가 실제로 얼마나 구매를 촉진했는지를 정량화해야 함. 전환율은 AI의 실질적 ROI를 평가하는 가장 명확한 메트릭 【오답 체크】 (B) 상호작용 수: 참여도 측정이지 실제 매출 기여 아님 (C) 감정 점수: 만족도 간접 지표일 뿐 구매 결정과 약한 연결 (D) NLU 정확도: 기술 성능 지표이지 비즈니스 영향 아님 【시험 포인트】 '매출' '직접 영향' 키워드는 비즈니스 성과 지표(전환율, ROI)

해설

【핵심 용어】 Amazon OpenSearch Service — Apache Lucene 기반 검색 플랫폼. k-NN(k-Nearest Neighbors) 벡터 검색으로 임베딩 저장 및 검색 최적화 【정답 포인트】 FM 생성 임베딩을 저장해 RAG 시스템에서 검색할 벡터 DB 필요 = OpenSearch가 AWS 생태계의 공식 벡터 스토어 【오답 체크】 (A) Ground Truth: 라벨링 서비스 (C) Transcribe: 음성 인식 (D) Textract: 문서 텍스트 추출 【시험 포인트】 '벡터 DB' 'RAG' '임베딩' 조합은 OpenSearch

해설

【핵심 용어】 Generative AI Chatbot — LLM 기반의 실시간 대화형 응답 시스템. 사람 같은 자연스러운 언어 생성이 핵심 특징 【정답 포인트】 생성형 AI의 본질 = 학습된 패턴으로부터 새로운 콘텐츠 '생성'. 챗봇은 사용자 질문에 맥락에 맞는 응답을 생성하는 생성형 AI의 가장 실용적 유스케이스 【오답 체크】 (A) 수요 예측: 전통적 ML의 회귀/시계열 예측 (C) 분석 대시보드: BI 분석 도구 (D) 규칙 기반 추천: 결정론적 알고리즘 【시험 포인트】 '사람 같은' '대화' '자연언어' 키워드는 생성형 AI

해설

【핵심 용어】 OpenSearch Service — Bedrock의 공식 벡터 DB 파트너. AWS Bedrock Knowledge Bases에서 기본으로 지원하는 벡터 스토어 옵션 【정답 포인트】 Bedrock FM 생성 임베딩을 저장하고 쿼리할 벡터 DB = OpenSearch. Bedrock Knowledge Bases 설정 시 OpenSearch 선택으로 문서 임베딩·인덱싱·검색이 자동 처리 【오답 체크】 (A) DynamoDB: NoSQL 키-값 DB로 벡터 검색 최적화 안 됨 (C) ElastiCache: 인메모리 캐싱 (D) Redshift: 데이터 웨어하우스로 벡터 검색 전문 아님 【시험 포인트】 'Bedrock + 벡터' 조합은 OpenSearch가 표준 통합

해설

【핵심 용어】 Amazon Personalize — 개인화 추천 엔진의 관리형 서비스. 사용자-아이템 상호작용 데이터로 개별 사용자별 맞춤 추천 제공 【정답 포인트】 스트리밍 플랫폼의 추천 = 각 사용자의 시청 이력, 평점 등 분석하여 개인화 추천 = Personalize. 협업 필터링·콘텐츠 기반 필터링 자동 최적화 【오답 체크】 (A) Polly: 텍스트-음성 변환 (B) Comprehend: 자연언어 이해(감정, 엔티티 분석) (C) Transcribe: 음성-텍스트 변환 【시험 포인트】 '추천' '개인화' '사용자 이력' 키워드는 Personalize

해설

【핵심 용어】 SageMaker Model Card — 모델의 용도, 성능 지표, 데이터 특성, 편향성, 제한사항을 표준화된 형식으로 문서화하는 도구 【정답 포인트】 금융(대출) 도메인의 규제 준수 엄격함. 모델의 의사결정 과정을 감사자·규제 당국에 투명하게 설명 = Model Card로 구조화된 문서화 【오답 체크】 (A) Textract: 문서 텍스트 추출 (C) CloudFormation: 인프라 프로비저닝 (D) Comprehend: 감정/엔티티 분석 【시험 포인트】 '감사' '투명성' '규제' '문서화' 키워드는 Model Card

해설

【핵심 용어】 FM 특성: (1) Context Window — 모델이 한 번에 처리할 수 있는 최대 입력 토큰 수 / (2) Architecture — 모델의 기본 구조(Transformer 등) 및 병렬화 방식 / (3) Inference Latency — 응답 생성까지 걸리는 시간 / (4) Modality — 처리 가능한 입출력 데이터 타입 【정답 포인트】 최대 입력 크기 = Context Window / 병렬 계산 기본 = Architecture / 응답 속도 = Inference Latency / 입출력 타입 = Modality 【오답 체크】 (B) 모두 Context Window: 모델 구조, 속도, 입출력과 다른 특성 (C) 모두 Modality: 특성별 정의가 완전히 다름 (D) 모두 Architecture: 입력 크기, 속도, 입출력과 별개 【시험 포인트】 HOTSPOT은 각 항목을 정확히 매칭. FM 특성 차이 이해 필수