정답 · 해설

해설

【핵심 용어】 ▸ Discovery Phase(발견 단계) — AI 프로젝트의 초기 단계. 비즈니스 목표, KPI, 유스케이스 우선순위를 명확히 하는 단계. 기술 투입 전 반드시 필요. 【정답 포인트】 ▸ "6개월 내 매출 연결(ROI)" = 비즈니스 목표 우선 정의. 이해관계자 인터뷰로 실제 문제·기대값 파악. 측정 가능 목표(KPI) 설정. 시간·예산 제약 하에서 우선순위 결정. 기술(FM 학습) 없이도 방향성 확보. 실패 위험 최소화, 성공 확률 극대화. AI 프로젝트 성공의 70%는 초기 발견 단계에서 결정됨. 【오답 체크】 (A) 기술 선행 — 요구사항 불명확(실패 위험) (C) 기성 솔루션 — 맞춤 부족 (D) 복제 — 조직 특성 무시 【시험 포인트】 ▸ AI 프로젝트 = 비즈니스 목표부터. 기술이 아닌 비즈니스 요구 우선. ROI 중심의 프로젝트 관리 철학.

해설

【핵심 용어】 ▸ Data Preprocessing(데이터 전처리) — 원시 데이터를 모델 학습에 적합한 형태로 변환하는 작업. 필터링, 정제, 정규화, 인코딩, 변환 포함. 【정답 포인트】 ▸ "기간·언어로 필터링" = 전처리. 데이터 수집은 완료(수백 개 녹음 보유). 학습 전 데이터 품질 확보 단계. 노이즈 제거(관련 없는 언어, 기간 외 데이터). 학습에 적합한 부분집합 추출. 실무에서 전처리가 전체 시간의 60~80% 차지. ML 프로젝트 성공의 핵심. 【오답 체크】 (A) 수집 단계 — 이미 완료(수백 개 녹음) (C) 피처 엔지니어링 — 새 변수 생성(필터링 아님) (D) 학습 — 더 후단계 【시험 포인트】 ▸ 필터링·정제 = 전처리. 수집과 전처리의 명확한 구분. 생명주기 단계별 특성 이해 필수.

해설

【핵심 용어】 ▸ Few-shot Prompting(소수 샷 프롬프팅) — 관련 예시 몇 개를 제시한 후 문제 제시. 모델이 패턴을 인식해 유사한 응답을 생성. 【정답 포인트】 ▸ "Generic·부적절 응답" → Few-shot + 도메인 컨텍스트로 개선. 예시로 원하는 스타일·톤·형식 제시. 명시적 지시로 조건 강화. 도메인 특화 용어·규칙 포함. 모델이 예시 패턴 인식해 유사하게 생성. 응답 품질·관련성 대폭 향상. 제품 추천 어시스턴트 실무의 표준 기법. 【오답 체크】 (B) 도메인 지시 무시 — 역효과 (C) 형식만 강조 — 내용 개선 아님 (D) Zero-shot — 도움 부족 【시험 포인트】 ▸ 응답 품질 개선 = Few-shot + 도메인 컨텍스트. 프롬프트 엔지니어링의 실용 기법. 예시의 중요성 이해 필수.

해설

【핵심 용어】 ▸ Amazon Bedrock — AWS의 관리형 생성형 AI 서비스. Foundation Models(Claude, Llama 등)를 API로 제공. 텍스트·이미지 생성에 특화. 【정답 포인트】 ▸ "호텔 설명을 일관된 톤으로 생성" = Bedrock. 프롬프트 엔지니어링으로 브랜드 톤·스타일 제어. 수백 개 호텔 설명 자동 생성. 기본 LLM의 일관성 + 프롬프트의 커스터마이제이션. e-커머스 웹사이트의 대규모 텍스트 생성 표준 솔루션. 서버 관리 없이 확장 가능. 【오답 체크】 (A) Comprehend — 텍스트 분석(감정, 엔티티) (B) Personalize — 추천 알고리즘 (C) Rekognition — 이미지 분석 【시험 포인트】 ▸ 텍스트 생성 = Bedrock. AWS AI 서비스별 역할 구분. 생성 vs 분석의 명확한 이해 필수.

해설

【핵심 용어】 ▸ Continued Pre-training(계속적 사전학습) — 이미 학습된 모델을 특정 도메인의 미라벨 텍스트 데이터로 추가 학습. 도메인 전용 용어·표현·개념을 모델의 가중치에 주입. 【정답 포인트】 ▸ "라벨 없는 데이터 + 도메인 지식 부족" = Continued Pre-training이 최적. 라벨을 요구하지 않으면서 도메인 특화 지식을 주입할 수 있는 유일한 방법. Full training은 처음부터 전체 학습(과도한 비용), Supervised fine-tuning은 라벨 필수, RAG는 학습 방식 자체가 아님. 도메인 텍스트 말뭉치로 기존 모델을 지속 학습. 【오답 체크】 (A) Full training — 처음부터 전체 학습(리소스 과다) (B) Supervised fine-tuning — 라벨 필수(불가능) (D) RAG — 외부 문서 검색(모델 학습 X) 【시험 포인트】 ▸ "라벨 없음" → Continued Pre-training, "라벨 있음" → Supervised fine-tuning. 핵심 구분점. Fine-tuning 방식 선택이 프로젝트 성패 결정.

해설

【핵심 용어】 ▸ Transfer Learning(전이학습) — ImageNet 등에서 사전학습된 CNN(ResNet, VGG, EfficientNet)을 특정 이미지 데이터셋에 fine-tuning. 일반 이미지 특징을 재사용해 최소 데이터·시간으로 높은 정확도 달성. 【정답 포인트】 ▸ "객체 이미지 분류 + 최소 개발 노력" = 사전학습 딥러닝 모델의 fine-tuning이 산업 표준. 처음부터 모든 모델을 훈련할 필요 없음. 마지막 몇 계층만 특화되도록 조정하면 충분. 빠르고 비용 효율적. AWS SageMaker JumpStart로 쉽게 구현. 【오답 체크】 (A) 전통 ML + 커스텀 피처 — 수동 피처 엔지니어링 시간 소모 (C) GAN — 생성 모델(분류 용도 부적절) (D) SVM + 수동 피처 — 피처 수동 추출 노력 【시험 포인트】 ▸ "최소 노력", "최소 비용" → 사전학습 모델. Transfer learning의 강력함. AWS managed service의 철학.

해설

【핵심 용어】 ▸ JSONL(JSON Lines) 형식 — 각 라인이 독립적인 JSON 객체. "prompt"와 "completion" 키-값 쌍으로 구성된 지도학습 데이터. Bedrock text-to-text 모델 fine-tuning의 표준 입력 형식. 【정답 포인트】 ▸ Bedrock fine-tuning = "반드시" JSONL with labeled pairs(prompt-completion). AWS 공식 문서에서 이 형식만 지원한다고 명시. 각 라인: {"prompt": "...", "completion": "..."}. CSV나 일반 텍스트는 전처리 필수이며 부적절. 라벨링이 필수이므로 지도학습 방식. 【오답 체크】 (B) 라벨 없는 CSV — fine-tuning에 부적절, 표준 X (C) 표 형식 CSV — Bedrock의 요구사항 미충족 (D) 라벨 없는 TEXT — 프롬프트-응답 쌍 구조 불가능 【시험 포인트】 ▸ Bedrock = JSONL(라벨), SageMaker = 다양한 형식 지원. "Bedrock" 명시되면 JSONL이 정답. AWS 서비스별 입력 형식 차이 암기.

해설

【핵심 용어】 ▸ 모델 커스터마이제이션 스펙트럼 — Prompt Engineering → RAG → Fine-tuning → Continued Pre-training. 왼쪽으로 갈수록 노력·시간·비용·인프라 복잡도 증가. 【정답 포인트】 ▸ 가장 간단(PE) = 프롬프트만 조정 / 가장 복잡(CPT) = 전체 모델 재학습. AWS 권장 = 간단한 방법 시도 후 필요 시 점진 업그레이드. 【오답 체크】 ▸ (B)무작위배열-체계성없음 / (C)모두같음-거짓 / (D)FT먼저-오버엔지니어링비용낭비. 【시험 포인트】 ▸ HOTSPOT드래그드롭. 순서정확히암기필수. AWS개발기법권장순서는자주출제.

해설

【핵심 용어】 ▸ Code Translation Quality = 구문·의미·최적화 정확도. 단순텍스트번역과달리구조·로직이해필수. 【정답 포인트】 ▸ 코드변환은정확성최우선. 생성속도·모델크기보다결과물정확도·안정성중요. 느려도정확한코드>빠르지만오류있는코드. 【오답 체크】 ▸ (B)속도-부차적 / (C)창의성-불필요 / (D)모델크기-선택기준아님. 【시험 포인트】 ▸ 코드생성/변환="정확성·품질"관점. 속도·비용은보조적.

해설

【핵심 용어】 ▸ Tools Configuration = Tool Use/Function Calling패턴. 모델이자율적으로외부API호출하도록정의. ReAct아키텍처구현. 【정답 포인트】 ▸ 외부API호출=Tools configuration표준. 모델에게도구정의후입출력스키마명시하면자동호출. Prompt Management와결합시재사용가능. 【오답 체크】 ▸ (A)특수토큰-다른용도 / (C)변수-입력값치환용 / (D)StopSeq-생성중단조건. 【시험 포인트】 ▸ Bedrock Agents/Tool Use="Tools config". 프롬프트템플릿API호출기능필수개념.

해설

【핵심 용어】 ▸ KMS=저장데이터암호화(encryption at rest) / IAM=인증·접근제어. 보안="암호화+접근제어"양축. 【정답 포인트】 ▸ Q Business보안=KMS+IAM조합필수. KMS만으로누가접근할수있는지통제불가, IAM만으로암호화불가. 둘다활성화="데이터보안+프라이버시"완성. 【오답 체크】 ▸ (B)크로스계정-확장통합시나리오 / (C)Inspector-스캔도구인증아님 / (D)퍼블릭-보안위반. 【시험 포인트】 ▸ Q/Bedrock/SageMaker모두KMS+IAM원칙. "암호화"=KMS, "접근"=IAM연결.

해설

【핵심 용어】 ▸ CloudWatch Metrics&Alarms = 사용통계수집+임계값기반경보발동. LastInvocationTime메트릭추적가능. 【정답 포인트】 ▸ "N일미사용"=시간기반사용감지=CloudWatch. CloudWatch Alarms로"마지막호출이후15일경과"조건설정하면자동리포트알림. 다른서비스불가. 【오답 체크】 ▸ (A)TrustedAdvisor-일반권고 / (C)CloudTrail-API감사로그 / (D)Config-구성변화추적. 【시험 포인트】 ▸ "자동모니터링"=CloudWatch / "감사"=CloudTrail / "구성"=Config. 각서비스용도명확히구분.

해설

【핵심 용어】 ▸ Latency&Inference Speed = 실시간응용에서밀리초단위응답. 높은정확도보다"빠른응답"우선. 【정답 포인트】 ▸ "실시간"=SLA엄격. 사용자수초내응답받아야함. 모델선택에서지연시간·추론속도최고우선순위. 정확도="충분히좋은"수준면충분. 【오답 체크】 ▸ (A)모델크기크면느려짐피해야 / (B)학습품질-중요하지만후순위 / (C)범용GPU-지연보장못함. 【시험 포인트】 ▸ "실시간"=지연시간·속도관점 / "배치"=정확도·품질관점.

해설

【핵심 용어】 ▸ SageMaker JumpStart = Managed MLOps. 오픈소스LLM원클릭fine-tuning가능. 인프라·스크립트·모니터링자동화. 【정답 포인트】 ▸ "최소운영노력"=Managed Service활용. JumpStart=클릭만하면끝. 별도인스턴스관리·스크립트작성불필요. 자동배포도가능. 【오답 체크】 ▸ (A)PartyRock-학습기능없음 / (C)커스텀-개발노력많음 / (D)EC2-수동관리필요. 【시험 포인트】 ▸ "최소노력"=Managed(JumpStart/Autopilot) / "최대제어"=직접API/EC2.

해설

【핵심 용어】 ▸ System Prompt = LLM에게역할·지침·경계선언하는특수메시지. 일반사용자메시지보다높은우선순위. 【정답 포인트】 ▸ System Prompt역할=AI행동양식규정. "고객지원담당자"/"정중하게"/"개인정보거부"등. 매번사용자프롬프트에포함불필요, 한번설정후대화전체적용. 【오답 체크】 ▸ (A)인증-메커니즘아님 / (B)랜덤-반대로일관성강제 / (D)압축-도구아님. 【시험 포인트】 ▸ System vs User분구분. System=설정 / User=질의.

해설

【핵심 용어】 ▸ Hallucination = LLM이자신감있게거짓말생성. RAG로외부신뢰문서근거제시하면크게완화. 【정답 포인트】 ▸ RAG핵심가치=환각감소. 모델이학습데이터없는정보마주칠때, RAG="이문서에있습니다"증거제시. 금융·의료·법률필수. 【오답 체크】 ▸ (B)Security-RAG는보안메커니즘아님 / (C)Nondeterminism-생성무작위성제거못함 / (D)Interpretability-직접개선안함. 【시험 포인트】 ▸ RAG사용이유=Hallucination완화. 다른용도와혼동금지.

해설

【핵심 용어】 ▸ Fairness = AI시스템이인구통계학적속성(성별·인종·나이등)에따라차별하지않도록보장. 【정답 포인트】 ▸ 성별편향=Fairness원칙위반. 해결=편향감지→원인분석→훈련데이터재검토→모델재설정. AWS Responsible AI프레임워크필수. 【오답 체크】 ▸ (A)Governance-조직적의사결정구조 / (B)Explainability-투명화 / (C)Controllability-제어가능성. 【시험 포인트】 ▸ "편향"=Fairness / "왜"=Explainability. 정확한연결고리구분.

해설

【핵심 용어】 ▸ Model Cards = 메타데이터·훈련조건·성능·제약문서화. SageMaker Clarify = 피처중요도·집단편향감지. 【정답 포인트】 ▸ Transparency=Model Cards로"모델정의" / Explainability=Clarify로"왜이예측". 둘합쳐야Responsible AI달성. AWS권장조합. 【오답 체크】 ▸ (B)Pipelines-워크플로우자동화 / (D)Monitor-드리프트감지 / (E)Debugger-훈련과정추적. 【시험 포인트】 ▸ Responsible AI기능=Model Cards+Clarify. SageMaker투명성출제율높음.

해설

【핵심 용어】 ▸ Inference Efficiency = 양자화·프루닝·지식증류등으로에너지소비최소화. 추론에너지가전체탄소발자국대부분. 【정답 포인트】 ▸ 생성형AI환경영향="프로덕션추론"에너지소비핵심. 매일수백만건추론발생하므로각한건효율화면누적절감막대. 따라서**추론아키텍처최적화**직결. 【오답 체크】 ▸ (B)분산모델-오버헤드증가 / (C)하이브리드-네트워크지연비용 / (D)랜덤-예측불가. 【시험 포인트】 ▸ "환경"=추론효율성관점. AWS Sustainability증가추세.

해설

【핵심 용어】 ▸ BLEU = 기계번역·다국어텍스트평가표준메트릭. 생성텍스트vs참조번역n-gram유사도측정. 【정답 포인트】 ▸ 다국어요약(번역)=BLEU측정. ROUGE는단일언어요약(생성vs원본). 문제="다국어"=번역=BLEU필수. 【오답 체크】 ▸ (A)ROUGE-단일언어요약 / (C)AUC-분류평가 / (D)Precision-텍스트유사도아님. 【시험 포인트】 ▸ BLEU=번역 / ROUGE=요약. 정확한메트릭구분.