해설
【핵심 용어】 ▸ Clustering = 비지도학습. 라벨없이유사성기준으로자동그룹화. K-means, DBSCAN등. 【정답 포인트】 ▸ 라벨없는이미지→지도학습불가→비지도필수. 클러스터링으로"밝기""색상""강도"기준으로자동분할. 의료영상진단널리사용. 【오답 체크】 ▸ (A)LogisticReg-지도학습 / (B)Decision Tree-지도분류 / (D)DimReduction-차원축소. 【시험 포인트】 ▸ "라벨없음"=Unsupervised(clustering/dim reduction). "라벨있음"=Supervised(분류/회귀).
해설
【핵심 용어】 ▸ Amazon Nova — Micro=텍스트전용(경량·저가) / Lite=멀티모달(텍스트·이미지·비디오). 【정답 포인트】 ▸ 문서·이미지처리→텍스트만필요면Micro(저비용) / 이미지도필요면Lite(중비용). 비용최소화=용도맞는모델선택. Micro로충분하면Lite고를필요없음. 【오답 체크】 ▸ (A)Transformer-둘다기반 / (B)텍스트/숫자-둘다텍스트 / (D)CPU/GPU-배포환경선택. 【시험 포인트】 ▸ Nova라인업(Micro/Lite/Pro). Bedrock모델비교증가추세.
해설
【핵심 용어】 ▸ AI Agent = 자율적다단계작업수행. Tool Use로OpenSearch→CSV생성→S3업로드자동화. ReAct패턴활용. 【정답 포인트】 ▸ "다단계자동화"+"운영효율"=AI Agent정답. 고정소프트웨어는비즈니스로직변경시코드수정필요. Agent는프롬프트만수정하면작업추가가능. 【오답 체크】 ▸ (B)FM+few-shot-단일응답만생성 / (C)소프트웨어-유연성낮음 / (D)Decision Tree-분류모델. 【시험 포인트】 ▸ AI Agent=다단계자동워크플로우해결책. "API호출"="도구사용"→Agent생각.
해설
【핵심 용어】 ▸ Amazon Nova Pro — 텍스트·이미지·비디오멀티모달처리+fine-tuning가능한고성능FM. 【정답 포인트】 ▸ Bedrock멀티모달(텍스트·이미지·비디오)입력+fine-tuning가능=Nova Pro. 조직특화데이터로커스터마이징가능. 【오답 체크】 ▸ (B)Titan MultimodalEmbeddings-텍스트·이미지만지원, FT불가 / (C)Titan Text-텍스트만 / (D)Nova Micro-복잡비디오미지원. 【시험 포인트】 ▸ Bedrock모델입력형식+FT가능여부구분필수.
해설
【핵심 용어】 ▸ Bedrock Batch Inference = JSONL형식대량요청비동기처리. 즉각응답불필요한대규모데이터최적화. 【정답 포인트】 ▸ 대량프롬프트+즉시성불필요=Batch Inference최선. JSONL파일제출후결과대기. 추가개발로직불필요. 【오답 체크】 ▸ (A)실시간-높은비용+즉시응답필요 / (C)Agents-상호작용중심 / (D)Lambda-커스텀개발필요. 【시험 포인트】 ▸ 즉시성=핵심. 없으면배치최선. 개발시간·운영복잡도대폭감소.
해설
【핵심 용어】 ▸ RAG = 질의시점에외부지식베이스검색+컨텍스트활용+더정확한응답. 재학습불필요. 【정답 포인트】 ▸ RAG핵심="외부지식참조"+"재학습없음". 기존학습모델활용+최신정보·특화정보동적제공. 효율성+정확성동시확보. 【오답 체크】 ▸ (A)RAG는재학습안함 / (C)제한아니라외부지식통합 / (D)번역전문기술아님. 【시험 포인트】 ▸ RAG vs Fine-tuning명확구분. RAG=동적정보 / FT=모델수정.
해설
【핵심 용어】 ▸ Trustworthy AI = 공정성·투명성·책임·보안네가지기둥. AI전라이프사이클일관적용. 【정답 포인트】 ▸ 신뢰할수있는AI=단편적기술최적화아님. 개발·배포·운영·모니터링전단계체계적접근. 정책·프로세스·기술통제통합. 【오답 체크】 ▸ (A)GPU-성능개선 / (B)전문가만-다양성해침 / (C)투명성제한-신뢰위배. 【시험 포인트】 ▸ AWS Responsible AI프레임워크필수. 기술+거버넌스+윤리.
해설
【핵심 용어】 ▸ Transfer Learning = 한도메인학습지식→다른도메인·태스크전이. FM의일반능력기반특화도메인fine-tuning. 【정답 포인트】 ▸ FM→다른관련태스크=Transfer Learning정의와일치. 원학습지식활용+새태스크맞게가중치조정. 【오답 체크】 ▸ (A)Hyperparameter-파라미터조정일뿐 / (B)Pre-training-처음부터학습 / (D)RL-다른패러다임. 【시험 포인트】 ▸ "다른관련태스크"=Transfer Learning. AWS자주출제.
해설
【핵심 용어】 ▸ Maximum token count = 모델이한요청응답사이클에서처리할최대토큰수. 각LLM다른컨텍스트윈도우보유. 【정답 포인트】 ▸ 모든Bedrock LLM동작프롬프트=최제약모델토큰제한고려필수. 최대토큰수가실제프롬프트호환성직접영향. 【오답 체크】 ▸ (B)On-demand-대부분공통지원 / (C)Temperature-동일방식지원 / (D)Guardrails-별도서비스호환. 【시험 포인트】 ▸ Bedrock모델간호환성=토큰제한가장실제적차이. 가장제한적모델기준설계.
해설
【핵심 용어】 ▸ Classification=이산범주예측(이탈/유지) / Regression=연속수치예측(판매액) / Clustering=자연적그룹발견(세그먼트). 【정답 포인트】 ▸ 유스케이스와ML접근=결과물특성에달려있음. 이탈=Yes/No(분류), 매출=정확수치(회귀), 세그멘테이션=자동그룹화(클러스터링). 【오답 체크】 ▸ (B)모두분류-연속수치정확도손상 / (C)모두회귀-이진분류부적절 / (D)모두클러스터-특정값예측불가. 【시험 포인트】 ▸ HOTSPOT=각ML방식정의+실제응용정확히구분.
해설
【핵심 용어】 ▸ ML라이프사이클 = 목표→수집→전처리→학습→평가→배포→모니터링. 순차적+모니터링결과반복. 【정답 포인트】 ▸ 올바른순서=(1)목표(2)수집(3)전처리(4)학습(5)평가(6)배포(7)모니터링. 순서벗어나면데이터품질문제·모델오류·배포실패발생. 【오답 체크】 ▸ (B)무작위-실패로이어짐 / (C)학습만-모니터링개선불가 / (D)배포만-검증보증없음. 【시험 포인트】 ▸ ML라이프사이클순서자주출제. HOTSPOT에서정확순서나열필수.
해설
【핵심 용어】 ▸ 모델크기 = 추론지연시간(latency)직접영향. 작은모델=파라미터적음=계산량적음=빠른응답. 【정답 포인트】 ▸ 30초엄격한실시간요구사항=빠른응답최중요. 재학습불가므로커스터마이즈불필요, 비용은secondary. 모델크기작을수록지연시간짧음. 【오답 체크】 ▸ (A)커스터마이즈-시간필요+재학습위배 / (C)비용-30초무관 / (D)Temperature-지연시간무관. 【시험 포인트】 ▸ 실시간AI=정확성보다지연시간우선. 요구사항핵심파악중요.
해설
【핵심 용어】 Amazon Q Business Guardrails는 AI 어시스턴트의 대화 범위, 허용 주제, 차단할 콘텐츠를 명시적으로 정의하는 기능입니다. 정책 기반으로 특정 주제에 대한 질문을 거부하거나 특정 키워드를 필터링할 수 있습니다. 【정답 포인트】 ▸ 회사 승인 주제로만 제한하려면 Guardrails를 사용하여 금지된 주제 목록을 정의하고 차단 정책을 설정합니다. ▸ 이는 보안, 규정 준수, 조직 정책을 강제하는 가장 직접적인 방법입니다. 【오답 체크】 (A) Enterprise index — 조직 전체 지식 기반 관리 기능일 뿐 주제 제한과 무관 (B) Starter index — 기본 인덱스 레벨로 주제 제한 기능 없음 (D) Cross-account access — 다중 계정 접근 제어로 주제 제한과 무관 【시험 포인트】 ▸ Q Business의 여러 기능 중 어떤 것이 어떤 목적에 사용되는지 명확히 구분해야 합니다. ▸ 주제/콘텐츠 제한은 Guardrails의 핵심 역할입니다.
해설
【핵심 용어】 Intelligent Document Processing(IDP)는 Textract(광학 문자 인식), Comprehend(텍스트 분석), Bedrock(의미 이해)을 조합하여 문서에서 구조화된 정보를 자동으로 추출하는 프로세스입니다. 【정답 포인트】 ▸ IDP의 핵심 가치는 수작업으로 처리하기 어려운 문서 데이터를 자동으로 파싱하고 구조화하는 것입니다. ▸ 스캔된 이미지나 PDF 문서에서 필요한 정보를 추출하여 데이터베이스나 시스템에 입력할 수 있도록 준비합니다. 【오답 체크】 (A) 사기 거래 예측 — 분류 문제로 IDP와 무관 (B) 제품 추천 — 추천 엔진 또는 협업 필터링으로 IDP와 무관 (C) 감정 분석 — NLP의 감정 분류 기법이지 문서 처리가 아님 【시험 포인트】 ▸ 각 AWS AI 서비스가 어떤 비즈니스 문제를 해결하는지 정확히 알아야 합니다. ▸ IDP는 문서 자동화에 특화된 기술입니다.
해설
【핵심 용어】 Prompt Injection은 사용자가 입력한 프롬프트에 악의적인 지시문을 삽입하여 AI 모델의 시스템 지시(System Prompt)나 보안 규칙을 우회하도록 하는 공격 기법입니다. 【정답 포인트】 ▸ '이전 지시 무시' 패턴은 전형적인 프롬프트 인젝션입니다. ▸ 사용자 입력을 모델 지시의 일부로 포장하여 모델이 의도된 행동을 하도록 강제합니다. 【오답 체크】 (B) Data bias — 학습 데이터의 편향으로 인한 차별적 결과 (C) Hallucination — 모델이 사실이 아닌 정보를 생성하는 현상 (D) Data exposure — 민감 정보의 노출로 다른 보안 리스크 【시험 포인트】 ▸ Prompt Injection은 새로운 AI 보안 위협으로 AWS 시험에서 자주 출제됩니다. ▸ 사용자 입력 검증과 prompt 설계의 중요성을 이해해야 합니다.
해설
【핵심 용어】 Fine-tuning은 라벨이 있는 (입력, 출력) 쌍 데이터를 사용하여 파운데이션 모델의 가중치를 태스크 특화 방향으로 조정하는 학습 기법입니다. 【정답 포인트】 ▸ 고품질 라벨 데이터가 있고 특정 태스크(제품 분류·스펙 추출)에 모델을 특화시켜야 하는 상황에서 Fine-tuning이 최적입니다. ▸ 일반적인 FM을 이커머스 도메인에 최적화하는 과정입니다. 【오답 체크】 (A) Continued pre-training — 비라벨 대규모 데이터로 모델 능력 일반화 (B) Agent — 도구 오케스트레이션이지 모델 커스터마이제이션이 아님 (D) Prompt engineering — 모델 수정 없이 입력 형식만 조정 【시험 포인트】 ▸ Fine-tuning과 Prompt Engineering의 차이를 정확히 이해해야 합니다. ▸ 라벨 데이터가 있으면 Fine-tuning, 없으면 Prompt Engineering을 고려합니다.
해설
【핵심 용어】 Bedrock Custom Model Import는 Amazon SageMaker에서 학습하고 최적화한 커스텀 파운데이션 모델을 Bedrock으로 임포트하여 관리형 추론 서비스로 활용하는 기능입니다. 【정답 포인트】 ▸ Fine-tuned 모델을 내부 배포하려면 먼저 SageMaker에서 학습 및 테스트합니다. ▸ 그 결과를 Bedrock에 임포트하여 스케일 가능한 추론 환경을 구성합니다. ▸ 개발 환경과 프로덕션 환경을 명확히 분리합니다. 【오답 체크】 (A) Guardrails — 응답 안전성 필터링일 뿐 모델 배포가 아님 (B) Personalize — 추천 엔진으로 모델 임포트 기능 없음 (C) Agents — 도구 통합 대화 시스템으로 모델 호스팅과 무관 【시험 포인트】 ▸ Bedrock의 Custom Model Import는 SageMaker와의 통합을 이해해야 합니다. ▸ 개발에서 배포까지의 전체 파이프라인을 구성할 때 사용됩니다.
해설
【핵심 용어】 Conversion Rate는 AI 추천을 받은 고객 중 실제로 구매로 이어진 비율입니다. 이는 AI 솔루션의 비즈니스 임팩트를 가장 직접적으로 측정하는 지표입니다. 【정답 포인트】 ▸ Bedrock을 통한 개인화 추천의 성공을 평가할 때 최종 비즈니스 결과인 매출을 반영하는 지표를 사용합니다. ▸ Conversion Rate는 AI 추천이 실제로 구매 의사결정을 변화시켰는지 보여줍니다. 【오답 체크】 (A) Cross-domain performance — 모델의 기술적 성능일 뿐 매출과 간접적 (B) Solution efficiency — 시스템 효율성 지표로 수익성과 다름 (C) User satisfaction — 중요하지만 직접적인 매출 지표가 아님 【시험 포인트】 ▸ AI 솔루션의 비즈니스 가치를 평가할 때 기술 지표보다 비즈니스 지표를 우선합니다. ▸ 매출, 비용 절감, 효율성 증대 등 조직의 목표와 직결된 지표를 선택해야 합니다.
해설
【핵심 용어】 Amazon SageMaker Catalog는 AWS DataZone에 기반한 데이터 거버넌스 솔루션으로, 조직 내에서 승인된 데이터 자산을 중앙에서 관리하고 발견할 수 있게 합니다. 【정답 포인트】 ▸ SageMaker에서 모델 학습 시 승인된 데이터만 사용하고 윤리 및 규정 준수를 보장합니다. ▸ Catalog를 통해 승인된 데이터세트만 접근하도록 제한할 수 있습니다. 【오답 체크】 (B) Clarify — 모델 편향 분석과 설명력(Explainability) 평가 도구 (C) Model Registry — 모델 메타데이터 및 버전 관리 (D) Model Cards — 모델 문서화 템플릿으로 데이터 거버넌스와 무관 【시험 포인트】 ▸ 데이터 거버넌스는 Catalog, 편향 검토는 Clarify, 모델 추적은 Registry입니다. ▸ 각각의 역할을 명확히 구분하는 것이 중요합니다.
해설
【핵심 용어】 Bedrock Agents는 사용자의 자연어 요청을 해석하고, 필요한 백엔드 API를 자동으로 결정하여 호출하고, 결과를 종합하여 최종 응답을 생성하는 오케스트레이션 서비스입니다. 【정답 포인트】 ▸ 여행 예약 완료라는 구체적인 액션(API 호출)을 수반하는 AI 애플리케이션은 Agents가 정확합니다. ▸ Agents는 사용자 의도 파악, 적절한 도구 선택, 순차 작업 실행, 결과 통합을 자동으로 처리합니다. 【오답 체크】 (B) Intelligent prompt routing — 여러 모델 중 최적의 모델 선택 (C) Knowledge Bases — 정보 검색(RAG)용으로 액션 자동화 불가 (D) Guardrails — 응답 안전성 검증일 뿐 액션 실행 기능 없음 【시험 포인트】 ▸ Agents는 실제 비즈니스 액션(예약, 주문, 결제)을 트리거하는 유일한 도구입니다. ▸ 이것이 생성형 AI를 실제 자동화로 연결하는 핵심 기능입니다.