정답 · 해설

해설

【핵심 용어】 MLOps는 머신러닝 모델을 프로덕션 환경에서 안정적으로 운영하기 위한 체계적인 실천입니다. 지속적 모니터링은 모델 드리프트, 데이터 드리프트, 성능 저하를 조기에 감지하여 대응합니다. 【정답 포인트】 ▸ 오픈소스 사전학습 모델을 프로덕션에서 사용하기 시작하면 모니터링은 필수적입니다. ▸ 모델이 감정 분석 정확도를 유지하는지, 시간에 따른 성능 변화를 지속적으로 검증해야 합니다. 【오답 체크】 (A) 하이퍼파라미터 튜닝 — 모델 개발 단계의 작업 (B) 리뷰 수집 + 라벨 — 새 모델 학습 시에만 필요 (D) 피처 엔지니어링 — 오픈소스 모델 적용 전 단계 【시험 포인트】 ▸ MLOps와 일반 ML의 가장 큰 차이는 '지속성'입니다. ▸ 프로덕션 모델의 성능 유지를 위해서는 배포 후에도 끊임없는 모니터링이 필요합니다.

해설

【핵심 용어】 Bedrock Provisioned Throughput는 커스텀 모델의 추론을 위해 미리 할당된 처리량입니다. 기본 On-Demand 추론은 사전학습 모델에만 지원되고, 커스텀 모델은 반드시 Provisioned Throughput을 구매해야 합니다. 【정답 포인트】 ▸ Bedrock에서 학습하고 커스터마이징한 모델을 실제로 사용하려면 Provisioned Throughput을 구매하는 것이 유일한 방법입니다. ▸ 이는 모델의 계산 리소스를 사전 할당하고 운영 예측 가능성을 보장합니다. 【오답 체크】 (B) SageMaker 엔드포인트 — Bedrock 외부 배포로 Bedrock 서비스 통합 불가 (C) Model Registry 등록 — 메타데이터 관리일 뿐 실제 배포와 무관 (D) Approved 상태 — 배포에 필요조건이 아님 【시험 포인트】 ▸ Bedrock 커스텀 모델의 배포는 명확한 메커니즘을 가집니다. ▸ Provisioned Throughput이 유일하고 필수적인 배포 옵션입니다.

해설

【핵심 용어】 ▸ Multimodal Foundation Models — Claude 3, Nova 등이 텍스트와 이미지를 동시에 처리 가능 ▸ Amazon Bedrock — 관리형 FM 서비스로 멀티모달 모델에 대한 API 접근 제공 【정답 포인트】 ▸ 챗봇이 텍스트·이미지 입력을 모두 처리해야 하므로 멀티모달 기능이 필수입니다. ▸ Bedrock은 Claude 3, Nova 등 멀티모달 FM을 제공하는 유일한 관리형 서비스입니다. 【오답 체크】 (B) Comprehend — 텍스트 감정분석만 가능, 이미지 처리 불가 (C) Q — IDE 코딩 어시스턴트, 멀티모달 입력 미지원 (D) Rekognition — 이미지 분석 전용, 텍스트 입력과 응답 생성 불가 【시험 포인트】 ▸ 멀티모달 입력 처리 = Bedrock만 가능합니다. ▸ 텍스트만 또는 이미지만은 다른 AWS 서비스도 가능하나, 둘 다 필요하면 Bedrock 필수입니다.

해설

【핵심 용어】 ▸ Amazon Q Developer — IDE(VS Code, JetBrains, Visual Studio) 플러그인으로 테스트 코드 자동 생성 ▸ 최소 운영 노력 — IDE 환경에서 추가 인프라 없이 즉시 사용 가능 【정답 포인트】 ▸ Q Developer는 IDE 통합이므로 별도 서버·배포 없이 로컬 개발 환경에서 즉시 테스트 코드 생성합니다. ▸ 관리형 서비스이므로 ML 모델 학습·배포 등의 운영 노력을 완전히 제거합니다. 【오답 체크】 (A) Q Business — 기업 내부 Q&A·문서 검색 도구, 코드 생성 기능 없음 (B) Agents — 복잡한 워크플로우 자동화용, 추가 인프라 필요 (D) Clarify — 모델 편향 감지, 테스트 코드 생성과 무관 【시험 포인트】 ▸ 최소 운영 노력 = IDE 플러그인입니다. ▸ Q Developer가 정답입니다.

해설

【핵심 용어】 ▸ Bedrock Model Evaluation — Bedrock 콘솔에서 여러 FM을 동일 프롬프트로 테스트·비교 가능 ▸ Foundation Model 비교 — 성능, 응답 시간, 비용 등을 한눈에 비교 【정답 포인트】 ▸ Bedrock은 Claude, Llama, Mistral, Nova 등 다양한 FM을 제공합니다. ▸ 모델 평가 기능으로 동일한 프롬프트를 여러 FM에 입력해 응답 품질을 비교합니다. ▸ 콘솔의 Playgrounds에서 즉시 여러 모델을 테스트한 후 최적 선택이 가능합니다. 【오답 체크】 (A) Personalize — 추천 시스템, FM 선택 기능 없음 (C) Q Developer — IDE 코딩 어시스턴트, FM 비교 미제공 (D) Rekognition — 이미지 분석 전용, FM 평가 기능 없음 【시험 포인트】 ▸ FM 선택 = Bedrock Model Evaluation입니다. ▸ 비교·평가는 Bedrock만 가능합니다.

해설

【핵심 용어】 ▸ RAG(Retrieval Augmented Generation) — 기존 FM에 외부 지식 베이스를 연결, 재학습 불필요 ▸ Fine-tuning — 태스크 특화 라벨 데이터로 FM의 가중치 조정 ▸ Continued pre-training — 새로운 도메인의 대규모 비라벨 데이터로 사전학습 계속 진행 【정답 포인트】 ▸ 외부 지식만 추가 필요 → RAG (재학습 불필요, 가장 빠르고 저비용) ▸ 특정 태스크에 FM 맞춤 → Fine-tuning (라벨된 예제 필요, 수일 학습) ▸ 새로운 도메인 대규모 데이터 → Continued pre-training (대규모 컴퓨팅, 가장 많은 노력) 【오답 체크】 (B) (C) (D) — 모든 경우를 한 방법으로 처리 불가능합니다. 【시험 포인트】 ▸ 정확한 매칭이 중요합니다. ▸ 비용·시간·데이터 준비도를 고려한 선택을 해야 합니다.

해설

【핵심 용어】 ▸ Hallucination(환각) — FM이 훈련 데이터에 없는 그럴듯한 거짓 정보를 생성 ▸ 비결정성(Non-deterministic) — 동일 프롬프트에도 매번 다른 응답 생성 ▸ 편향(Bias) — 특정 그룹에 대한 고정관념 또는 부정확한 표현 【정답 포인트】 ▸ 프로덕션 환경에서 FM은 금융 거래·의료 진단 등 정확성이 중요한 분야에 그대로 사용 불가능합니다. ▸ 환각으로 인한 거짓 정보, 비결정성으로 인한 불일관한 응답은 엔터프라이즈 시스템에 치명적입니다. 【오답 체크】 (A) 높은 정확성 — 현재 FM의 주요 단점 (B) 결정적 동작 — FM은 기본적으로 확률 기반 (C) 무시 가능한 리소스 — FM은 높은 계산 비용 필요 【시험 포인트】 ▸ 생성형 AI의 제약 = 환각, 편향, 비결정성입니다. ▸ 프로덕션 배포 시 이를 고려한 설계가 필수입니다.

해설

【핵심 용어】 ▸ Amazon Bedrock — API 몇 줄로 FM 호출 가능, 관리형 서비스로 인프라 관리 불필요 ▸ InvokeModel API — 프롬프트 입력 후 응답 받기만 하면 됨 ▸ 서버리스 — 용량 계획·스케일링 자동 처리 【정답 포인트】 ▸ Bedrock은 FM에 대한 AWS의 완전 관리형 서비스입니다. ▸ 개발자는 프롬프트만 작성하면 됩니다. ▸ 모델 선택, 파인튜닝, 배포 인프라 관리는 모두 Bedrock이 담당합니다. 【오답 체크】 (B) SageMaker AI — ML 개발의 전체 플로우 지원, 더 많은 개발 작업 필요 (C) PartyRock — 프로토타입 실험용, 프로덕션 배포에 부적합 (D) Q Developer — IDE 코딩 도우미, 일반 AI 모델 개발 플랫폼 아님 【시험 포인트】 ▸ 최소 노력 + FM = Bedrock입니다. ▸ SageMaker는 더 많은 커스터마이제이션·제어가 필요합니다.

해설

【핵심 용어】 ▸ Amazon Neptune — 완전 관리형 그래프 데이터베이스, 노드와 엣지 저장 ▸ Neptune ML — 그래프 구조에서 자동으로 ML 모델 학습 ▸ 그래프 분석 — 복잡한 관계를 쿼리로 신속하게 탐지 【정답 포인트】 ▸ 금융 사기는 거래자·계좌·거래 간 관계가 중요합니다. ▸ 그래프 구조가 자연스럽고 Neptune ML은 이상 거래, 사기 고리를 자동 감지합니다. 【오답 체크】 (A) OpenSearch — 텍스트 검색, 관계 분석 미흡 (B) Aurora — 관계형 DB, 복잡한 그래프 쿼리 성능 저하 (D) MemoryDB — 캐시 DB, 영구 저장 및 ML 기능 없음 【시험 포인트】 ▸ 그래프 기반 사기 탐지 = Neptune + Neptune ML입니다. ▸ 유일한 관리형 그래프 DB입니다.

해설

【핵심 용어】 ▸ LLM-as-a-judge — Bedrock에서 다른 LLM의 응답 품질을 평가하는 내장 메트릭 ▸ Completeness — 응답이 사용자 프롬프트의 모든 측면과 요청 사항을 다루었는지 검사 ▸ 내장 지표 — AWS에서 미리 정의한 평가 기준 【정답 포인트】 ▸ 프롬프트에 여러 질문/요청이 있을 때, 응답이 모든 부분을 다루었는지 검증합니다. ▸ 예: "상품 A의 가격, 배송료, 반품 정책을 설명해줘" → 3가지 모두 응답했는지 평가합니다. 【오답 체크】 (A) ROUGE — 요약 문서의 단어 중복률 평가 (C) Following instructions — 지시 준수도 평가하지만 구체적으로는 Completeness (D) Refusal — 응답 거부율, 완결성과 무관 【시험 포인트】 ▸ LLM 평가 지표를 정확히 매칭해야 합니다. ▸ Bedrock 평가 기능의 핵심 지표들을 숙지해야 합니다.

해설

【핵심 용어】 ▸ Temperature — 0(확정적)~1(창의적), 높을수록 예측 불가능하고 다양한 응답 ▸ Max tokens / Length parameter — 응답 길이 제한, 낮을수록 짧은 응답 ▸ 추론 파라미터 — FM의 생성 동작을 제어하는 핵심 설정 【정답 포인트】 ▸ 창의적 → Temperature 높음, 마케팅 이메일은 표현 다양성·신선함이 필수 ▸ 짧음 → Max tokens 낮음, 마케팅 이메일은 간결해야 오픈율 높음 ▸ 조합: Temperature↑ + Max tokens↓ = 창의적이면서도 간결한 이메일 【오답 체크】 (A) Temperature↓ — 보수적·반복적 이메일, 창의성 낮음 (B) Temperature↑ + 길이↑ — 창의적이지만 너무 긴 이메일 (D) Temperature↓ + 길이↑ — 보수적이고 긴 이메일 【시험 포인트】 ▸ 온도/길이 조정은 FM 활용의 기초입니다. ▸ 각 파라미터의 효과를 명확히 이해해야 합니다.

해설

【핵심 용어】 ▸ Amazon SageMaker Clarify — ML 모델의 편향 감지·측정·리포팅 표준 도구 ▸ 편향 탐지 — 성별, 인종, 나이 등 보호된 속성에 따른 차별 패턴 자동 분석 ▸ Fairness Metrics — 업계 표준 지표 제공 【정답 포인트】 ▸ 성별 고정관념(예: 여자 아이에게 핑크 장난감만 추천)은 심각한 편향입니다. ▸ Clarify는 모델 입력에 따라 출력이 공정한지 검증합니다. ▸ 편향 원인 분석 및 리포트 생성 후 모델 재학습이 가능합니다. 【오답 체크】 (A) Rekognition — 이미지 분석, 추천 모델 편향과 무관 (B) Q Developer — IDE 코딩 도우미, 편향 감지 기능 없음 (C) Comprehend — 감정분석·엔티티 인식, 편향 측정 도구 아님 【시험 포인트】 ▸ 편향 감지 = Clarify입니다. ▸ 프로덕션 AI의 윤리·공정성 검증 필수 도구입니다.

해설

【핵심 용어】 ▸ AWS CloudTrail — 모든 AWS API 호출을 기록, 누가·언제·무엇을·어디서 호출했는지 저장 ▸ 감사 로그(Audit Log) — 법규 준수·사건 조사·보안 감시에 필수 ▸ 기본 활성화 — CloudTrail은 AWS 계정 생성 시 자동 활성화, 90일 보관 【정답 포인트】 ▸ AI 실무자가 SageMaker, Bedrock API 호출, S3 데이터 접근 등 모든 액션을 기록합니다. ▸ CloudTrail은 API 호출 단위의 상세 기록으로 추적이 가능합니다. ▸ 사내 규정·외부 감사 대비에 필수적입니다. 【오답 체크】 (B) Config — AWS 리소스 구성 변경 추적, API 호출 이력 아님 (C) Audit Manager — 컴플라이언스 평가 프레임워크 (D) Trusted Advisor — 리소스 최적화 권고, 감사 기록 기능 없음 【시험 포인트】 ▸ 액션 감사 = CloudTrail입니다. ▸ "누가·언제·무엇을"을 기록하는 서비스는 CloudTrail만 해당합니다.

해설

【핵심 용어】 ▸ Hallucination(환각) — 사실이 아닌 정보를 마치 사실인 것처럼 생성 ▸ 숫자 오류 — 계산 실수, 존재하지 않는 통계 인용, 부정확한 재무 수치 ▸ LLM 한계 — FM은 정확한 계산보다는 통계적 패턴 생성에 최적화 【정답 포인트】 ▸ 예산 모델이 거짓 숫자를 생성하는 것은 전형적 환각입니다. ▸ FM은 훈련 데이터의 통계를 기반으로 다음 토큰을 예측하지, 정확한 계산을 하지 않습니다. ▸ 금융 데이터 처리 시 환각 위험이 매우 높습니다. 【오답 체크】 (B) Safety — 유해 내용 생성 방지, 정확성과 다른 이슈 (C) Interpretability — 모델 결정 투명성, 숫자 오류 설명과 무관 (D) Cost — 운영 비용, 숫자 정확성과 무관 【시험 포인트】 ▸ LLM 오류 → 환각입니다. ▸ 완화 방법: RAG(정확 데이터 참조), Fine-tuning(금융 특화) 등입니다.

해설

【핵심 용어】 ▸ CloudTrail Lake — CloudTrail 로그를 SQL 쿼리 가능한 데이터 레이크로 저장·관리 ▸ 변조 방지(Immutable) — 저장 후 수정 불가, 복제·삭제도 추적 ▸ 장기 보관 — 7년까지 저장 가능 【정답 포인트】 ▸ "변조 불가" → Lake의 WORM(Write Once Read Many) 저장소 ▸ "쿼리 가능" → SQL로 특정 IAM 사용자의 액션, 실패한 API 호출 등 직접 검색 ▸ AI 모델 개발·배포 단계의 모든 API를 한곳에서 관리합니다. 【오답 체크】 (A) Trusted Advisor — 비용 최적화 권고, 감사 기록 아님 (B) Macie — S3 민감 정보 탐지, API 로깅 도구 아님 (D) Inspector — EC2·ECR 보안 취약점 스캔 【시험 포인트】 ▸ 변조 불가 + SQL 쿼리 = CloudTrail Lake만 제공합니다. ▸ 규제 산업(금융·의료)에 필수입니다.

해설

【핵심 용어】 ▸ Explainability(설명 가능성) — 모델의 결정 과정을 인간이 이해할 수 있는 정도 ▸ 선형 회귀 — 각 입력 피처에 계수를 곱한 선형 결합, y = β₀ + β₁X₁ + β₂X₂ + ... ▸ 화이트박스(White-box) — 모델 내부 구조와 파라미터를 완전히 이해 가능 【정답 포인트】 ▸ 선형 회귀는 입력 데이터의 각 피처가 출력에 미치는 영향을 직접 수식으로 표현합니다. ▸ 예: 주택 가격 = 50만₀ + 500₁(면적) + 200₂(방개수) → 명확한 인과관계 ▸ 규제 산업(금융, 의료)에서 요구하는 모델입니다. 【오답 체크】 (B) SVM — 고차원 초평면으로 분류, 해석 어려움 (C) RCF — 이상 탐지 알고리즘, 내부 계산 복잡 (D) Neural network — 수백만 가중치의 "블랙박스" 【시험 포인트】 ▸ 설명 가능성 = 선형 모델입니다. ▸ XAI(Explainable AI)가 중요해지는 추세입니다.

해설

【핵심 용어】 ▸ AWS PrivateLink for Bedrock — Bedrock API 호출을 VPC 내부 네트워크로 라우팅 ▸ 엔드포인트(Endpoint) — VPC 내부 가상 인터페이스, 공인 인터넷 경유 제거 ▸ 보안 — 트래픽이 AWS 백본 네트워크 내부에만 존재 【정답 포인트】 ▸ SageMaker Studio가 Bedrock을 호출할 때 기본적으로 공인 인터넷을 경유하므로 규제 위험입니다. ▸ PrivateLink 엔드포인트를 VPC에 생성하면 모두 프라이빗 경로가 됩니다. ▸ 금융·의료 등에서 "데이터가 조직 네트워크 내에만 머물러야 함" 요구사항을 충족합니다. 【오답 체크】 (A) IAM role·정책 — 권한 제어, 네트워크 경로 제어 불가 (B) Macie 프록시 — 민감 정보 탐지, 프라이빗 연결 기능 없음 (D) 새 VPC + 피어링 — 네트워크 분리일 뿐 Bedrock과 프라이빗 연결 미제공 【시험 포인트】 ▸ VPC 내부 경로 필수 = PrivateLink입니다. ▸ AWS 서비스의 프라이빗 액세스는 VPC 엔드포인트로 구현됩니다.

해설

【핵심 용어】 ▸ Multimodal LLM — 텍스트와 이미지를 동시에 입력받아 처리하고 텍스트 응답 생성 ▸ 예시 모델 — Claude 3, GPT-4V, Nova 등 ▸ 융합 능력 — 이미지의 시각 정보와 텍스트 맥락을 통합해 이해 【정답 포인트】 ▸ 키워드: "텍스트 질문" + "이미지 질문" → 멀티모달 입력 필수 ▸ 키워드: "답변 + 설명" → 자유형식 텍스트 생성 필수 ▸ 매핑: 다중 입력 모달리티(텍스트·이미지) + 설명 생성 = Multimodal LLM만이 가능 【오답 체크】 (A) Computer Vision — 이미지 분류·객체 인식만 가능, 텍스트 입력 처리 불가, 상세 설명 생성 미흡 (60자) (C) Diffusion — 텍스트에서 이미지 생성 모델, 이미지 입력 및 설명 생성 불가능 (70자) (D) TTS — 텍스트 음성 변환만 가능, 질문 이해·답변 생성 불가능 (50자) 【시험 포인트】 ▸ 패턴: 멀티모달(다중 입력) + 텍스트 생성 = Multimodal LLM ▸ 교육용 앱에서 표준적으로 사용되는 기술 아키텍처

해설

【핵심 용어】 ▸ RAG(Retrieval Augmented Generation) — LLM 응답 시 외부 지식 베이스에서 관련 문서 검색 후 참조 ▸ 프로세스 — 질문 → 문서 검색(Retrieval) → 관련 문서 선택 → LLM 입력 → 응답 생성 ▸ 신뢰도 향상 — 최신 정보·조직별 특화 정보 실시간 활용 【정답 포인트】 ▸ 키워드: "LLM" + "외부 지식" + "정확도 향상" → RAG의 정의 ▸ 매핑: 훈련 데이터 부족 → 외부 지식 동적 참조 → 환각 감소 및 신뢰성 향상 ▸ 예시: 고객 지원 챗봇 + 회사 FAQ = 회사 정책 기반 정확한 답변 【오답 체크】 (A) RL — 강화학습으로 행동 제어, 정확도 향상 메커니즘 아님 (65자) (B) NLP — 자연어 처리 분야 전체, RAG는 NLP의 하위 기법일 뿐 (70자) (D) Transfer learning — 다른 도메인 사전학습, 즉시 지식 추가 불가능 (75자) 【시험 포인트】 ▸ 패턴: 외부 지식 + LLM 응답 = RAG ▸ 엔터프라이즈 AI의 필수 기술 및 정확도 향상의 핵심 기법

해설

【핵심 용어】 ▸ Model Drift — 배포 후 실제 데이터가 훈련 데이터와 달라져 모델 성능 저하 ▸ SageMaker Model Monitor — 배포된 모델의 입출력 데이터를 실시간 모니터링 ▸ 자동 알림 — 드리프트 임계값 초과 시 SNS/CloudWatch로 알림 【정답 포인트】 ▸ 키워드: "프로덕션" + "시간에 따라 부정확" + "드리프트 알림" → Model Monitor ▸ 매핑: 성능 저하 감지 → Data drift 또는 Model drift 자동 감지 → 팀에 알림 ▸ 실시간 추적: 예측 입력(X) 분포, 출력(y) 분포, 정확도 메트릭 【오답 체크】 (A) A2I — 인간 검수 서비스, 드리프트 감지 전담 기능 없음 (60자) (C) Rekognition — 이미지 분석 서비스, 모델 모니터링 기능 미제공 (65자) (D) Trusted Advisor — AWS 비용·보안 권고, 모델 성능과 무관 (70자) 【시험 포인트】 ▸ 패턴: 프로덕션 모니터링 + 드리프트 감지 = Model Monitor ▸ MLOps 필수 요소로 자주 출제됨