정답 · 해설

해설

【핵심 용어】 Bedrock Guardrails — Bedrock FM에 적용하는 설정 가능한 안전 정책. 콘텐츠 필터(폭력, 혐오), 금지 주제, PII 마스킹, 응답 길이 제한을 코드 거의 없이 설정 【정답 포인트】 튜터링 앱은 어린이·학생 대상으로 안전성이 중요. LLM의 부적절한 콘텐츠 생성 사전 필터링 필요 = Guardrails. UI에서 간단히 정책 설정만으로 자동 적용 【오답 체크】 (A) Playgrounds: 모델 테스트 환경이지 안전 정책 설정 도구 아님 (B) Clarify: 편향성, 설명가능성 분석 도구 (D) JumpStart: 사전 훈련 모델 카탈로그 【시험 포인트】 '최소 노력' 'safeguard' '안전 규칙' 키워드는 Guardrails

해설

【핵심 용어】 Amazon Nova Lite — AWS의 최신 경량형 FM. 텍스트, 이미지, 비디오 입력 처리(멀티모달), 다국어 지원, 낮은 비용 특징 【정답 포인트】 '멀티모달'(텍스트·이미지·비디오 처리) + '다국어'(한국어, 일본어 등) + '비용 최소' = Nova Lite가 최적. Lite = 경량형으로 빠른 응답과 낮은 토큰 비용 【오답 체크】 (B) Pro: 더 높은 성능이지만 높은 비용 (C) Canvas: 이미지 생성 전문 (D) Reel: 비디오 생성 전문 【시험 포인트】 '멀티모달' '저비용' '다국어' 조합은 Lite

해설

【핵심 용어】 ▸ Bedrock Guardrails Prompt Attack Filter — 프롬프트 인젝션 패턴을 자동 탐지·차단하는 보안 필터. Content Filter(부적절 콘텐츠)와 Denied Topics(특정 주제 금지)를 조합해 다층 방어 구현. 【정답 포인트】 ▸ "최소 노력"은 설정 기반 솔루션을 의미. Prompt Injection은 공격자가 입력에 악의적 지시를 숨겨서 모델을 조종하는 공격. Bedrock Guardrails는 기본 기능으로 코드 거의 추가 없이 설정만으로 인젝션 시그니처 자동 탐지·차단. 모델 개선(Fine-tune)이나 교체 (C)보다 훨씬 빠르고 저비용. 【오답 체크】 (A) Fine-tune — 모델 재훈련은 비용·시간 큼(수주 이상 소요) (C) 모델 교체 — 근본 해결 아니며 마이그레이션 비용 높음 (D) CoT — 추론 프로세스 개선이지 입력 검증 아님 【시험 포인트】 ▸ '최소 노력' + 'injection 방어' 키워드 → Guardrails. AWS 보안 기능의 우선순위 이해 필수. 설정 기반 방어가 개발 기반보다 효율적.

해설

【핵심 용어】 ▸ Inference(추론) — 학습이 완료된 모델이 새로운, 미래에 보지 못한 데이터(unseen data)에 대해 예측값·확률·분류 결과를 생성하는 과정. 배포(Production) 단계의 핵심 활동. 【정답 포인트】 ▸ AI 생명주기: 데이터 수집 → 전처리 → 학습 → 평가 → 배포 → 추론(Inference). 추론은 학습된 모델을 실제 비즈니스 환경에서 사용하는 단계. 사용자의 새로운 입력이 들어올 때 즉시 예측을 반환. 예: 사진 업로드 → 모델 추론 → "개" 분류 반환. 【오답 체크】 (A) 새 알고리즘 생성 — 연구·개발 단계의 활동 (C) 모델 결합 — 앙상블 기법(별도 개념) (D) 데이터 수집 — 생명주기의 첫 단계 【시험 포인트】 ▸ "예측" "배포" "새 데이터" 키워드 → Inference. 기초 개념이므로 100% 정확해야 함. 생명주기 6단계 순서 암기 필수.

해설

【핵심 용어】 ▸ Bedrock Agents — 다단계 작업을 자동으로 수행하는 자율 AI 어시스턴트. 데이터 조회·API 호출·결과 해석·응답 생성의 전체 워크플로를 자동 실행. 외부 도구 통합 가능. 【정답 포인트】 ▸ 문제의 핵심은 "다단계 복합 프로세스": (1)여러 데이터 소스 평가 (2)외부 API 호출 (3)응답 후보 생성 (4)후보 비교·분석 (5)우선순위 결정. 이는 단순 질문-응답이 아닌 추론과 판단의 반복. Agents는 각 단계를 자동 판단하고 필요한 API 호출 결정, 결과 해석을 반복. 사람의 개입 없이 복잡한 비즈니스 워크플로 자동화. 【오답 체크】 (A) Prompt Management — 프롬프트 저장·버전 관리(관리 기능) (B) Response Streaming — 응답 실시간 전송(전송 기능) (C) Knowledge Bases — RAG로 문서 검색(정보 검색) 【시험 포인트】 ▸ "다단계" "API 호출" "비교·우선순위" "자동 실행" 키워드 → Agents. Bedrock의 고급 기능 이해 필수.

해설

【핵심 용어】 ▸ Nondeterminism(비결정성) — LLM이 동일한 입력값에 대해 매번 다른 출력을 생성하는 현상. 확률적 샘플링(Temperature, Top-p)에서 비롯됨. 【정답 포인트】 ▸ "동일 입력 → 다른 응답" = 비결정성의 정의. LLM의 확률적 특성으로 인한 필연적 결과. Temperature 파라미터가 원인: Temperature 높을수록 다양한 응답, 0에 가까울수록 일정한 응답. 실무에서 일관성이 필요하면 Temperature=0 설정. 【오답 체크】 (A) Hallucination — 거짓 정보 생성 문제(다른 개념) (C) Accuracy — 정확도/성능 지표 (D) Multimodality — 다중 입출력 양식 처리 능력 【시험 포인트】 ▸ 동일 입력에서 상이한 출력 → Nondeterminism. 일관성 문제가 대표 증상. 샘플링 파라미터 조정이 기본 해결책.

해설

【핵심 용어】 ▸ Stable Diffusion on Bedrock — 텍스트 프롬프트를 입력하면 해당 설명에 맞는 이미지를 생성하는 생성형 AI 모델. 이미지 합성(Image Synthesis)의 표준 기술. 【정답 포인트】 ▸ "스토리 삽화 추가" = 텍스트 → 이미지 생성. Stable Diffusion이 정답. 스토리 텍스트로부터 관련 삽화를 자동으로 생성. 학생용 독해 앱의 시각적 보충 자료로 최적. 별도 이미지 소스 불필요, 프롬프트만으로 처리 가능. 고품질 삽화를 빠르게 생성. 【오답 체크】 (B) Polly — 텍스트를 음성으로 변환(오디오북용) (C) Rekognition — 기존 이미지 분석(생성 X) (D) Q Business — 엔터프라이즈 검색·QA 솔루션 【시험 포인트】 ▸ 텍스트→이미지 생성 = Stable Diffusion. 이미지 생성 vs 분석의 명확한 구분 필수. Bedrock의 생성형 AI 모델 선택.

해설

【핵심 용어】 ▸ Batch Transform — SageMaker의 대량 데이터 일괄 처리 방식. 예정된 시간에 여러 레코드를 한 번에 처리해 비용 절감. 예측 작업에 최적화. 【정답 포인트】 ▸ "월별 추세 리포트" = 정기적이고 대량의 데이터 처리. "가장 비용 효율적" 조건에서 Batch Transform이 최적. 실시간 처리 불필요. 스케줄링 가능하고 예측 가능한 부하. 월말에 한 번 처리하는 리포트는 Batch의 완벽한 사용 사례. 개별 요청마다 인스턴스를 구동할 필요 없어 비용 최소화. 【오답 체크】 (A) Real-time — 개별 요청 시 즉시 응답(비용 높음) (C) Serverless — 간헐적 호출에 적합(대량 배치 아님) (D) Asynchronous — 단일 요청 비동기 처리 【시험 포인트】 ▸ "월별 일괄" "비용 효율" 키워드 → Batch Transform. 추론 방식별 특성 이해 필수. 정기성 vs 실시간성의 트레이드오프.

해설

【핵심 용어】 ▸ ML Lifecycle(기계학습 생명주기) — 문제 정의부터 모니터링까지의 7단계 순차 프로세스. 각 단계를 건너뛸 수 없으며, 모니터링 후 피드백 루프로 돌아옴. 【정답 포인트】 ▸ 올바른 순서: 문제 정의 → 데이터 수집 → 전처리 → 학습 → 평가 → 배포 → 모니터링. 순서는 변경 불가: (1)문제 정의 없이 데이터 수집 불가 (2)전처리 없이 학습 불가 (3)평가 결과 해석 후 배포 결정 (4)배포 후 모니터링으로 성능 추적. 실무에서 단계 건너뜀은 실패의 주요 원인. 【오답 체크】 (B) 학습만 — 전체 프로세스 누락(시작 불가) (C) 배포만 — 평가 생략(품질 미보증) (D) 모니터링만 — 선행 단계 모두 필요 【시험 포인트】 ▸ ML 라이프사이클 7단계 순서 암기 필수. HOTSPOT 문제로 자주 출제. 각 단계의 목적과 엄격한 순서.

해설

【핵심 용어】 ▸ ISO/IEC 42001 — AI Management System의 국제 표준. 조직이 AI를 안전하고 책임감 있게 개발·운영하기 위한 프레임워크·프로세스·제어 체계를 수립했음을 인증. 【정답 포인트】 ▸ ISO 인증은 개인이나 개별 시스템의 인증이 아닌 "조직의 개발 프레임워크" 인증. 회사의 AI 개발 방법론·품질 관리·리스크 관리 체계가 국제 표준을 준수함을 의미. 개인 역량(A, C)이나 각 시스템 인증 (B)이 아닌 조직 차원의 제도화된 접근. 【오답 체크】 (A) 모든 멤버 인증 — 개인 역량 평가(조직 인증 X) (B) 사용 AI 시스템 전부 인증 — 개별 시스템 인증(조직 프레임워크 X) (C) 앱 팀 전원 인증 — 팀 역량 평가(조직 거버넌스 X) 【시험 포인트】 ▸ ISO 인증 = "조직 차원의 프레임워크". 개인·시스템 단위 아님. AI 거버넌스와 규제 준수 이해 필수.

해설

【핵심 용어】 ▸ 프롬프트 엔지니어링 기법 6가지 — Zero-shot(예시 없음), Few-shot(예시 여러 개), Chain-of-Thought(단계별 사고), Least-to-Most(하위→상위), Prompt Chaining, ReAct. 각 기법은 특정 문제 유형에 최적화. 【정답 포인트】 ▸ 기법별 정확한 정의: Zero-shot(예시 없이 직접 지시) / Few-shot(관련 예시 제공 후 문제 해결) / CoT("단계별로 생각해보자" 강요해 복잡 추론 개선) / Least-to-Most(간단한 하위 문제부터 시작해 복합 문제 접근). 각 기법을 정확히 구분하고 상황에 맞게 선택. 【오답 체크】 (B) 모두 Zero-shot — 상황별 기법 다름 (C) 모두 Few-shot — 모든 경우에 예시 필요 X (D) 모두 CoT — 단계별 사고가 항상 필요 X 【시험 포인트】 ▸ 6가지 프롬프트 기법과 각각의 정의·사용 사례 명확히 구분. HOTSPOT으로 매칭 문제 자주 출제. 기법-설명 대응이 핵심.

해설

【핵심 용어】 ▸ Supervised Learning(지도학습) — 입력(특징)과 정답 레이블이 쌍을 이루는 데이터로 학습. 분류·회귀 문제의 표준 접근법. 【정답 포인트】 ▸ "심장병 여부 라벨 존재" = 지도학습. 환자의 특징(연령, 콜레스테롤)과 목표변수(심장병 유무)가 명확히 매핑. 이 쌍을 이용해 패턴 학습 후 신규 환자 리스크 예측. 의료·금융·신용 평가 등 현실 대부분의 실무 문제가 지도학습. 라벨 유무가 세 가지 ML 기법의 핵심 구분점. 【오답 체크】 (A) 비지도학습 — 라벨 없이 데이터 구조 탐색 (C) 강화학습 — 보상 신호로 의사결정 최적화 (D) 반지도학습 — 일부 데이터만 라벨 보유 【시험 포인트】 ▸ "라벨 존재" = 지도학습. 라벨 유무가 ML 기법 구분의 핵심. AIF 시험의 가장 기본적이고 자주 나오는 개념.

해설

【핵심 용어】 ▸ 문서 자동화 파이프라인 — 문서 입수 → 내용 추출(Textract) → AI 처리(Bedrock) → DB 저장의 4단계 표준 아키텍처. AWS 생산성 자동화의 전형. 【정답 포인트】 ▸ 올바른 순서: (1)제품 가이드 업로드(입수) (2)Textract로 텍스트·이미지 추출 (3)Bedrock으로 요약·분류·정제(AI 처리) (4)DB에 저장. 각 단계는 이전 단계의 출력을 입력으로 사용. 순서 바뀌면 파이프라인 실패. Textract는 추출 전문, Bedrock은 처리 전문으로 역할 분담. 【오답 체크】 (B) 무작위 순서 — 파이프라인 작동 불가 (C) 배포만 — 선행 처리 과정 필요 (D) 평가만 — 전체 워크플로 누락 【시험 포인트】 ▸ 문서 처리 자동화 4단계 순서 암기. Textract는 추출, Bedrock은 처리 역할 명확히 이해. HOTSPOT으로 단계 배열 문제 자주 출제.

해설

【핵심 용어】 ▸ Data Retention Policy(데이터 보존 정책) — 조직이 특정 데이터를 얼마나 오래 보관하고 언제 삭제할지 규정하는 정책. 데이터 라이프사이클 관리의 핵심. GDPR, CCPA 등 규제 준수 필수. 【정답 포인트】 ▸ "저장·삭제 가이드라인" = 보존 정책. 데이터 라이프사이클의 시간 차원을 관리. 개인정보 최소 보유 기간 설정, 만료 후 자동 삭제 규칙 정의. 법적 준수뿐 아니라 보안·스토리지 비용 최적화. 규제 산업(의료, 금융, CCPA)에서 필수 거버넌스. 【오답 체크】 (A) 비식별화 — 개인정보 마스킹(삭제 정책 X) (B) 품질 기준 — 데이터 정확도·일관성(시간 정책 X) (D) 로그 저장 — 감사 추적(보존 규칙 X) 【시험 포인트】 ▸ 데이터 보존 기간·삭제 규칙 = Retention Policy. 시간 기반 라이프사이클 관리. 규제 준수와 보안의 교집합 개념.

해설

【핵심 용어】 ▸ AWS Lambda — 서버 관리 없는 컴퓨팅 서비스. Python PIL, OpenCV 라이브러리로 이미지의 전치, 회전 등 간단한 기하학적 변환 수행 가능. 이벤트 기반 실행. 【정답 포인트】 ▸ "이미지 수치 변환(전치·회전)" = Lambda가 최적. 간단한 기하학적 변환은 딥러닝 불필요. 서버 관리 없이 이벤트 기반 실행. 소량 처리 시 비용 저렴. 확장성 높음. 운영 복잡도 최소. 가벼운 컴퓨팅 작업에 가장 효율적인 솔루션. 【오답 체크】 (A) 딥러닝 — 오버엔지니어링(과도한 복잡도) (C) Bedrock LLM — 텍스트/이미지 생성용(변환 아님) (D) Glue Data Quality — 데이터 품질 검증 【시험 포인트】 ▸ 간단한 이미지 변환 = Lambda. 딥러닝 vs 함수형 프로그래밍 구분. "운영 효율" = 최소 복잡도의 도구 선택.

해설

【핵심 용어】 ▸ Amazon Q Developer — IDE에 네이티브 통합된 AI 어시스턴트. 선택된 코드에 대한 단위 테스트 및 문서 자동 생성. VSCode, JetBrains 등 주요 IDE 지원. 【정답 포인트】 ▸ "최소 노력으로 테스트·문서" = IDE 내 통합 도구. 코드 선택 → Q Developer가 테스트·문서 자동 생성. 별도 업로드, 앱 개발 불필요. 보안(코드가 IDE 내 유지), 속도(실시간 생성), 맥락(선택 코드 기반). 최소 마찰로 완성. 개발자 생산성 극대화. 【오답 체크】 (A) 제3자 서비스 업로드 — 보안 위험, 불편함 (B) FM 앱 개발 — 과도한 시간·비용 투자 (D) 수동 작성 — 최악의 선택(생산성 0) 【시험 포인트】 ▸ IDE 통합 AI = 최소 마찰 개발. Q Developer의 자동 테스트·문서 생성 능력. AWS 개발 생산성 도구 이해 필수.

해설

【핵심 용어】 ▸ Transformer-based LLM(대규모 언어 모델) — Attention 메커니즘 기반의 신경망. 텍스트 생성의 현재 표준. GPT, Claude, Llama 등 모든 최신 LLM이 Transformer 기반. 【정답 포인트】 ▸ "수천 개 제품 설명을 일관된 스타일·톤으로 생성" = Transformer 최적. 텍스트 시퀀스 생성에 특화. 스타일·톤 제어 가능(프롬프트 엔지니어링). 대규모 처리 확장성 우수. 일일 대량 생성 가능. Bedrock의 Claude, Llama 같은 LLM들이 모두 Transformer 기반. 텍스트 생성의 업계 표준. 【오답 체크】 (A) VAE — 잠재 표현 학습(생성은 부차적) (C) Diffusion — 이미지 생성 전문(텍스트 아님) (D) GAN — 이미지/영상 생성(텍스트는 비효율) 【시험 포인트】 ▸ 텍스트 생성 = Transformer. 이미지 = Diffusion/GAN. 모달리티별 모델 선택이 핵심. 대규모 텍스트 생성 = LLM의 대표 사용 사례.

해설

【핵심 용어】 ▸ Overfitting(과적합) — 모델이 학습 데이터에만 맞춰져서 새로운 데이터에 일반화되지 못하는 현상. 머신러닝의 가장 흔한 문제. 【정답 포인트】 ▸ "학습 성능 높음 vs 평가 성능 낮음" = 과적합의 정의. 모델이 학습 데이터의 노이즈까지 학습해 독특한 패턴에만 반응. 미본 데이터에는 일반화 실패. 규제화(L1/L2), 드롭아웃, 조기 중단, 데이터 증강 등으로 완화. 실무에서 가장 자주 마주치는 모델 문제. 【오답 체크】 (A) Underfit — 학습·평가 모두 저조 (B) 프롬프트 엔지니어링 — LLM 이슈, ML 모델과 무관 (C) Bias — 편향(공정성 이슈) 【시험 포인트】 ▸ 학습>평가 성능 격차 = Overfitting. 시험에서 가장 자주 출제되는 모델 문제. 해결 기법도 함께 암기 필수.

해설

【핵심 용어】 ▸ Logistic Regression(로지스틱 회귀) — 각 입력 변수의 계수(가중치)를 직접 해석 가능한 선형 분류 모델. 해석 가능성(Interpretability)이 최우선인 도메인의 표준. 【정답 포인트】 ▸ "해석 가능한" 모델 = Logistic Regression. 각 피처가 결과에 미치는 영향을 정량화(계수로 표현). 규제 감시(Regulatory Scrutiny)가 높은 금융·의료·보험에서 필수. 대출 심사 시 '왜 거부했는가'에 대한 설명 가능. 블랙박스 불가 산업의 표준 선택. GDPR, CCPA 등에서 "설명 가능한 AI" 요구. 【오답 체크】 (A) 딥러닝 — 블랙박스(해석 어려움) (C) K-means — 비지도 클러스터링(분류 아님) (D) RCF — 이상 탐지 특화 【시험 포인트】 ▸ 해석 가능성 = Logistic Regression. 규제·준법 산업의 모델 선택. 해석 가능 vs 성능의 트레이드오프 이해.

해설

【핵심 용어】 ▸ Data Residency(데이터 거주지) — 특정 데이터가 정해진 지리적 경계(국가, 지역, 데이터센터)를 벗어나지 않도록 제한하는 정책. GDPR, CCPA 등 규제의 핵심. 【정답 포인트】 ▸ "특정 Region 내 저장 강제" = Data Residency. 개인정보 보호법상 데이터 이동 제한(예: EU 데이터는 EU 내 저장). 주권(Sovereignty) 보호. 업계 규제(금융, 의료). AWS 리전 선택으로 구현. 데이터 이전·백업 정책도 같은 리전 내에서만 허용. 국가별·지역별 규제 차이 대응. 【오답 체크】 (A) Data Mining — 데이터 분석/탐색 (C) Pre-training Bias — 모델 편향 (D) Geolocation Routing — 트래픽 라우팅 【시험 포인트】 ▸ 데이터 지역 제한 = Data Residency. 규제 준수의 지리적 차원. 국가별·지역별 규제 차이 이해 필수.