정답 · 해설

해설

【핵심 용어】 ▸ Amazon Macie — S3의 대규모 데이터를 자동으로 스캔하여 민감 정보(PII, PHI, PCI) 탐지 ▸ 기계학습 기반 — 정규식 + ML로 문맥상 민감 정보 식별 ▸ 자동 분류 — 민감 정보의 유형, 위치, 심각도 리포팅 【정답 포인트】 ▸ 키워드: "S3" + "민감 데이터 발견" + "공유 전" → Macie의 자동 스캔 ▸ 매핑: 대규모 S3 데이터 분석 → PII/PHI/PCI 자동 탐지 → 규제 준수 ▸ 사전 검증: 공유 전에 민감 정보 확인하는 필수 단계 【오답 체크】 (A) Kendra — 문서 검색 엔진, 민감 정보 탐지 기능 없음 (60자) (C) Textract — OCR 기반 텍스트 추출, 민감 정보 식별 미지원 (65자) (D) Data Exchange — 데이터 마켓플레이스, 보안 검증 도구 아님 (65자) 【시험 포인트】 ▸ 패턴: S3 민감 정보 탐지 = Macie ▸ 공유 전 필수 체크리스트 및 GDPR/CCPA 규제 준수 수단

해설

【핵심 용어】 ▸ Continued pre-training(지속 사전학습) — 레이블 없는 대량 도메인 데이터를 사전학습된 모델에 추가 학습시켜 도메인 지식을 강화 ▸ Fine-tuning — 레이블 있는 데이터로 특정 작업에 맞게 조정 ▸ Training from scratch — 처음부터 학습(막대한 비용·데이터 필요) 【정답 포인트】 ▸ "continued pre-training" 정의 → 레이블 없는(unlabeled) 데이터를 사전학습 모델에 제공해 도메인 지식 향상 = B 【오답 체크】 (A) 레이블 데이터로 특정 작업에 조정하는 것은 fine-tuning의 정의. (C) 처음부터 학습하는 것은 continued pre-training이 아니라 신규 학습. (D) 테스트셋으로 성능 평가하는 것은 evaluation이지 학습이 아님. 【시험 포인트】 continued pre-training=unlabeled 도메인 데이터로 지식 보강, fine-tuning=labeled 작업 특화.

해설

【핵심 용어】 ▸ Feature Engineering — 원시 데이터에서 모델 학습에 유용한 피처를 생성·선택하는 프로세스 ▸ 의미 — ML 모델 정확도를 좌우하는 가장 결정적 요소 ▸ 집값 예측 예시 — 면적, 건축연도, 위치, 방 개수 등 예측력 높은 피처 【정답 포인트】 ▸ 키워드: "피처 생성" + "피처 선택" = Feature Engineering의 정의 ▸ 매핑: 관련 피처 생성·선택 → 입력 데이터 품질 향상 → 모델 정확도 직접 향상 ▸ 효과: 예측력 높은 피처 추출 → 불필요한 피처 제거 → 모델 성능 최적화 【오답 체크】 (A) 시각화 — EDA 단계의 보조 도구, Feature Engineering의 핵심 아님 (75자) (B) 하이퍼파라미터 튜닝 — 모델 구조 최적화, Feature Engineering과 별개 단계 (80자) (D) 데이터 수집 — 전처리 이전 단계, Feature Engineering은 수집 이후 단계 (85자) 【시험 포인트】 ▸ 패턴: Feature Engineering = 모델 성능 향상의 핵심 전략 ▸ AWS AI 자격증에서 빈출 내용

해설

【핵심 용어】 ▸ Multimodal Model — 텍스트, 이미지, 음성, 비디오 등 여러 모달리티 입력을 동시에 처리 ▸ 특징 — 단일 모달리티 모델 vs 다양한 데이터 형식 통합 분석 ▸ 생성형 AI 응용 — 이미지 설명 생성, 비디오 자막 생성 등 【정답 포인트】 ▸ 키워드: "다양한 데이터 타입" + "멀티모달" → 핵심 특성 ▸ 매핑: 이미지+텍스트 입력 → 이미지 설명 생성 = 멀티모달 유스케이스 ▸ 예시: 음성+영상 분석 → 자막 생성 = 멀티모달 생성형 AI 응용 【오답 체크】 (A) 모델 배포의 확장성 — 멀티모달 모델의 특성 아님 (75자) (B) 여러 모델 학습 — 멀티모달과 무관한 일반 ML 프로세스 (80자) (C) 다국어 코드 작성 — 멀티모달 개념과 전혀 다른 프로그래밍 작업 (85자) 【시험 포인트】 ▸ 패턴: 다중 입력 모달리티(텍스트·이미지·음성·비디오) = Multimodal Model ▸ 현대 생성형 AI의 중요 특성 및 AWS에서 강조되는 내용

해설

【핵심 용어】 ▸ Inference Latency — 사용자 입력부터 모델 출력 반환까지의 시간 ▸ 의미 — 실시간성이 중요한 애플리케이션의 핵심 성능 지표 ▸ 중요성 — 낮은 지연시간 = 사용자 경험 향상 【정답 포인트】 ▸ 키워드: "처리 속도" + "출력 속도" = Inference Latency의 정의 ▸ 매핑: 요청 수신 → 출력 생성 반환까지의 시간 = 레이턴시 ▸ 프로덕션 배포 시 중요도: 사용자 만족도와 직결 【오답 체크】 (A) Model Size — 모델 파라미터 개수/저장 용량, 처리 속도와 다른 개념 (80자) (C) Context Window — 모델이 한 번에 처리할 수 있는 최대 입력 길이(토큰 수) (90자) (D) Fine-tuning — 사전학습 모델을 특정 태스크에 맞게 추가 학습, 속도와 무관 (95자) 【시험 포인트】 ▸ 패턴: 요청-응답 시간 = Inference Latency ▸ 프로덕션 AI 모델 운영에서 빈번히 언급되는 성능 지표

해설

【핵심 용어】 ▸ Pre-training — 대규모 일반 텍스트 데이터(웹, 책, 논문)로 랜덤 초기화 모델을 학습 ▸ 목적 — 언어의 문법, 의미, 지식을 광범위하게 습득 ▸ 목적함수 — 주로 다음 토큰 예측(Causal Language Modeling) 【정답 포인트】 ▸ 키워드: "랜덤 초기화" + "웹 데이터" + "언어 모델링" = Pre-training의 정의 ▸ 매핑: 처음부터 시작 → 대규모 데이터로 기본기 학습 → 기초 능력 습득 ▸ 예시: GPT, BERT 모두 사전학습 단계를 거쳐 기본 능력 갖춤 【오답 체크】 (A) Fine-tuning — 사전학습 완료 모델을 특정 도메인에 맞게 추가 학습 (사후 단계) (90자) (C) Model Selection — 여러 모델 중 최적의 것을 선택하는 의사결정 단계 (95자) (D) Deployment — 학습 완료된 모델을 실제 운영 환경에 배포하는 단계 (95자) 【시험 포인트】 ▸ 패턴: 모델 개발 순서 (Pre-training → Fine-tuning → Deployment) ▸ AWS AI 시험에서 빈출 내용

해설

【핵심 용어】 ▸ AI Governance Cycle — 책임 있는 AI 개발·운영을 위한 순환적 프로세스 ▸ 체계성 — 리스크 식별부터 지속적 개선까지 체계적 접근 ▸ 신뢰도 보장 — AI 시스템의 신뢰도와 윤리성 보장 【정답 포인트】 ▸ 키워드 매핑: 리스크 평가(위험 식별) → 정책 수립(원칙 정의) → 개발 가이드라인(구체적 규칙) → 모니터링·감사(지속적 검증) → 개선(조치 및 반복) ▸ 순환 구조: 한 번의 프로세스가 아닌 지속적 사이클 ▸ 효과: 편향 제거, 투명성 향상, 보안 강화 【오답 체크】 (B) 무작위 순서 — 거버넌스 체계 붕괴, 체계성 상실 (70자) (C) 개발만 — 사후 모니터링 및 개선 불가능, 지속성 부재 (80자) (D) 감사만 — 사전 예방과 정책 수립 누락, 사후 대응만 가능 (85자) 【시험 포인트】 ▸ 패턴: Responsible AI = 체계적 거버넌스 사이클 ▸ AWS에서 강조하는 AI 윤리와 거버넌스 체계 평가

해설

【핵심 용어】 ▸ Bias by Omission — 명시적 피처 제거 후에도 암묵적 상관관계를 통해 편향이 잔존 ▸ 간접 추론 — 제거된 변수와 상관된 다른 피처를 통해 간접 추론 ▸ 근본 해결 — 단순 피처 제거만으로는 불충분, 데이터 불균형 해소 필요 【정답 포인트】 ▸ 키워드: "연령 범위 피처 제거" + "middle-aged 편향" → 암묵적 편향 잔존 ▸ 매핑: 연령 직접 보기 불가 → 소득, 경력, 신용도 등 상관 피처로 간접 추론 → 편향 지속 ▸ 결과: 다수 그룹(middle-aged)에 최적화된 가중치 → 소수 그룹(젊음·노년층) 부정확 【오답 체크】 (B) 더 적은 학습 데이터 필요 — 피처 제거가 필요 데이터량 감소 안 함, 오히려 더 필요 (95자) (C) 젊음층만 정확 — 특정 그룹만 정확도 보장 불가능, 전체 그룹 부정확 (100자) (D) 모든 연령 정확 — 제거되었으나 암묵적 편향 남아있어 모든 연령 정확 불가능 (105자) 【시험 포인트】 ▸ 패턴: 피처 제거 ≠ 편향 해소 ▸ AWS Responsible AI에서 강조하는 근본적 편향 대응 필요

해설

【핵심 용어】 ▸ Hallucinations — 생성형 AI가 입력·태스크와 무관한 내용을 자신감 있게 생성 ▸ 특징 — 사실과 모순되는 정보를 마치 사실인 양 생성 ▸ 비유 — 사실이 아닌 것을 환상처럼 만들어내는 현상 【정답 포인트】 ▸ 키워드: "무관한 데이터" + "생성" = Hallucinations의 정의 ▸ 매핑: 존재하지 않는 출처 인용, 잘못된 계산 정답화, 맥락 무관 내용 생성 ▸ 문제점: 신뢰도·신뢰성 저하, 모델 출력 검증 필수 【오답 체크】 (A) Interpretability — 모델의 의사결정 과정을 인간이 이해할 수 있는 정도 (90자) (C) Data Bias — 학습 데이터에 내재된 편향, 할루시네이션과 다른 문제 (95자) (D) Nondeterminism — 동일 입력에 대해 출력이 일정하지 않은 현상 (100자) 【시험 포인트】 ▸ 패턴: 무관한 내용 생성 = Hallucinations ▸ 생성형 AI의 제약 조건과 한계를 평가하는 중요 개념

해설

【핵심 용어】 ▸ AWS IAM — 사용자·역할·정책으로 리소스 접근을 제어하는 자격 증명·권한 관리 서비스 ▸ AWS KMS — 암호화 키 생성·관리(접근 제어 자체가 아닌 암호화) ▸ Amazon EMR — 빅데이터 처리 클러스터 ▸ Amazon Redshift — 데이터 웨어하우스 【정답 포인트】 ▸ "authorized personnel만 학습 데이터 접근 허용" → 권한 기반 접근 제어의 표준 서비스는 IAM 【오답 체크】 (A) KMS는 키·암호화 관리이지 접근 주체 인가 제어의 핵심 서비스가 아님. (B) EMR은 데이터 처리 클러스터로 접근 통제 목적과 무관. (D) Redshift는 데이터 웨어하우스로 인가 관리 전용이 아님. 【시험 포인트】 "authorized access/권한 제어" 키워드 → AWS IAM.

해설

【핵심 용어】 ▸ Class representation balance(클래스 균형) — 데이터셋에서 각 그룹·범주가 고르게 대표되도록 조정해 편향 완화 ▸ Oversampling majority(다수 클래스 과대표집) — 편향 심화 ▸ Dropping minority(소수 클래스 제거) — 다양성 손실 【정답 포인트】 ▸ "글로벌 고객" + "사용자 다양성 반영" → 데이터셋의 클래스 대표성을 균형있게 맞추는 것이 공정성·다양성 확보 방법 = A 【오답 체크】 (B) 특정 지역 데이터만 쓰면 글로벌 다양성을 반영하지 못함. (C) 다수 클래스 과대표집은 편향을 오히려 키움. (D) 소수 클래스 데이터 삭제는 다양성을 훼손하고 편향을 유발. 【시험 포인트】 다양성·공정성 요구 → 클래스 균형(balance), 소수 데이터 제거·다수 과대표집은 편향 유발 오답.

해설

【핵심 용어】 ▸ Amazon SageMaker Unified Studio — 데이터·분석·AI 개발을 하나로 통합한 협업 환경(팀 간 모델·GenAI 앱 공동 구축·공유) ▸ Amazon Lex — 챗봇/대화형 인터페이스 서비스 ▸ Amazon Bedrock PartyRock — GenAI 앱 실험용 놀이터(플레이그라운드) ▸ Amazon Q Developer — 코딩 지원 어시스턴트 【정답 포인트】 ▸ "데이터+AI 개발 단일 환경" + "팀 간 협업" + "모델·GenAI 앱 안전하게 구축·공유" → SageMaker Unified Studio 【오답 체크】 (A) Lex는 대화형 봇 구축 서비스로 통합 개발 환경이 아님. (C) PartyRock은 개인 실험용 플레이그라운드이지 팀 협업 통합 환경이 아님. (D) Q Developer는 코딩 보조 도구이지 데이터·AI 통합 스튜디오가 아님. 【시험 포인트】 "데이터+AI 통합 협업 개발 환경" → SageMaker Unified Studio.

해설

【핵심 용어】 ▸ Amazon Bedrock Guardrails — FM 입출력에 정책 적용, 특정 주제 차단(denied topics)·유해 콘텐츠 필터링 ▸ Amazon Bedrock Agents — 작업 오케스트레이션/도구 호출 ▸ SageMaker Clarify — 편향·설명가능성 분석 ▸ SageMaker Model Monitor — 배포 모델 품질·드리프트 모니터링 【정답 포인트】 ▸ "정치 질문에 답하지 않도록" → 특정 주제(정치)를 차단하는 정책은 Bedrock Guardrails로 구현 = A 【오답 체크】 (B) Agents는 작업 실행 오케스트레이션이지 주제 차단 기능이 아님. (C) Clarify는 편향·설명가능성 분석 도구로 응답 차단 용도가 아님. (D) Model Monitor는 운영 중 모델 품질 감시이지 콘텐츠 필터가 아님. 【시험 포인트】 "특정 주제·유해 콘텐츠 차단" → Amazon Bedrock Guardrails.

해설

【핵심 용어】 ▸ Embeddings(임베딩) — 텍스트 청크를 벡터로 변환, RAG에서 유사도 검색으로 관련 문서 검색 ▸ RAG — 외부 지식베이스에서 관련 정보를 검색해 LLM 응답에 근거 제공 ▸ Document chunking — 문서를 검색 단위로 분할 【정답 포인트】 ▸ "문서를 LLM의 지식베이스로 RAG 구성" → 문서 청크로부터 임베딩을 생성해 벡터 검색 기반 knowledge base 구축 = B 【오답 체크】 (A) 암호화는 보안 조치이지 RAG 검색을 가능케 하는 단계가 아님. (C) 메타데이터 라벨링은 보조적일 뿐 RAG의 핵심인 벡터 검색을 만들지 못함. (D) One-hot encoding은 의미 검색에 부적합한 희소 표현으로 RAG 임베딩용이 아님. 【시험 포인트】 RAG 구축 핵심 = 문서 청크 → 임베딩 → 벡터스토어 검색.

해설

【핵심 용어】 ▸ Amazon Q in QuickSight — BI 대시보드/리포트 생성 및 데이터 기반 자연어 요약·경영진 요약 자동 생성 ▸ Amazon Rekognition — 이미지/비디오 분석 ▸ Amazon Textract — 문서에서 텍스트/데이터 추출 ▸ Amazon Polly — 텍스트를 음성으로 변환 【정답 포인트】 ▸ "BI 리포트 생성" + "경영진 요약 자동 생성" → QuickSight의 생성형 AI 기능인 Amazon Q in QuickSight 【오답 체크】 (B) Rekognition은 이미지·영상 분석으로 BI 리포트 생성과 무관. (C) Textract는 문서 텍스트 추출이지 BI 요약 생성이 아님. (D) Polly는 음성 합성 서비스로 리포트 생성과 무관. 【시험 포인트】 BI + 자연어/경영진 요약 자동 생성 → Amazon Q in QuickSight.

해설

【핵심 용어】 ▸ Interpretability(해석가능성) — 모델의 의사결정 과정을 사람이 이해할 수 있는 정도(결정 트리는 높고, 신경망은 낮음) ▸ Neural network — 높은 정확도이나 블랙박스적, 해석 어려움 ▸ Decision tree — 정확도는 낮을 수 있으나 규칙이 투명해 해석 용이 【정답 포인트】 ▸ "신경망은 정확도 높음 but 결정 과정 설명 어려움" → 성능(performance)을 얻고 해석가능성(interpretability)을 잃는 트레이드오프 = C 【오답 체크】 (A) 해석가능성이 낮아지면 오히려 규정 준수(compliance)가 높아진다고 보기 어려움. (B) portability(이식성) 문제가 아니라 설명가능성 문제. (D) 이식성과 해석가능성 교환이 아니라 성능↔해석가능성 교환. 【시험 포인트】 신경망 채택 = 높은 성능 대신 낮은 해석가능성(interpretability) 트레이드오프.

해설

【핵심 용어】 ▸ Amazon Bedrock Prompt management — 재사용 가능한 프롬프트 템플릿을 변수와 함께 저장·관리(공통 지시문+가변 입력) ▸ Knowledge Bases — RAG용 지식베이스 ▸ Model evaluation — 모델 성능 평가 ▸ Cross-region inference — 리전 간 추론 라우팅 【정답 포인트】 ▸ "공통 지시문 표준 템플릿 재사용" + "제품별 짧은 설명(변수) 추가" → 변수 포함 프롬프트 템플릿 관리 = Prompt management 【오답 체크】 (B) Knowledge Bases는 외부 데이터 검색용이지 템플릿 재사용 도구가 아님. (C) Model evaluation은 성능 비교/평가 기능. (D) Cross-region inference는 리전 간 추론 처리로 프롬프트 재사용과 무관. 【시험 포인트】 "재사용 프롬프트 템플릿 + 변수" → Bedrock Prompt management.

해설

【핵심 용어】 ▸ Model transparency(투명성) — 모델의 데이터·동작·한계를 공개, 편향 식별과 거버넌스 개선에 기여 ▸ Model governance — 모델 위험·규정 준수 관리 【정답 포인트】 ▸ "투명성 증가의 결과" → 편향을 더 잘 식별하고 모델 거버넌스를 개선하는 능력 향상 = D 【오답 체크】 (A) 투명성이 검증(validation) 필요를 줄이지 않음. (B) 규제 준수 모니터링을 없애지 못함. (C) 투명성이 모든 편향을 자동 제거하지는 않음(식별을 돕는 것). 【시험 포인트】 투명성↑ → 편향 식별·거버넌스 개선. "제거/불필요"류 과장 선택지는 오답.

해설

【핵심 용어】 ▸ RLHF(인간 피드백 강화학습) — 숙련된 인간의 실시간 피드백으로 모델을 회사 가치·윤리에 맞게 지속 정렬, 새 트렌드 반영에 적합 ▸ Continued pre-training — 대량 텍스트 도메인 지식 보강(가치 정렬엔 부적합) ▸ Fine-tuning — 정적 데이터셋 기반 조정 【정답 포인트】 ▸ "회사 가치·윤리 반영" + "신종/떠오르는 문제 콘텐츠 대응" + "3개월 내" → 숙련 모더레이터의 실시간 피드백을 반영하는 RLHF가 가치 정렬과 최신성 모두 충족 = D 【오답 체크】 (A) 인터넷 텍스트 지속 사전학습은 회사 고유 가치 정렬·신종 대응에 부적합. (B) 과거 결정 데이터셋은 정적이라 emerging trend를 반영 못함. (C) 일반적 윤리 지침 fine-tuning은 회사 고유 가치·실시간 트렌드 반영에 미흡. 【시험 포인트】 "인간 가치 정렬 + 실시간/신종 대응" → RLHF.

해설

【핵심 용어】 ▸ Nondeterministic(비결정적) 출력 — LLM은 확률적 샘플링으로 동일 입력에도 매번 다른 출력을 낼 수 있음(temperature 등 영향) ▸ Deterministic — 동일 입력에 항상 동일 출력 【정답 포인트】 ▸ "같은 입력에 다른 출력" → LLM의 확률적(비결정적) 특성이 가장 유력한 원인 = A 【오답 체크】 (B) Guardrails 설정 문제는 출력 차이의 일반적 원인이 아님. (C) 보안 취약점과 출력 가변성은 직접 관련 없음. (D) deterministic이라면 오히려 매번 같은 출력이 나와야 하므로 모순. 【시험 포인트】 동일 입력·상이 출력 = LLM의 비결정성(확률적 샘플링). 결정성을 원하면 temperature를 낮춤.