정답 · 해설

해설

【핵심 용어】 ▸ SageMaker Ground Truth — 사람 어노테이터(Mechanical Turk 등)로 데이터에 레이블링하는 관리형 라벨링 서비스 ▸ SageMaker(AI) labeling job — 관리형 데이터 라벨링 작업 ▸ Mechanical Turk — 크라우드소싱 인력 풀 【정답 포인트】 ▸ "레이블 없는 데이터에 레이블을 얻어야" + "기밀 아님" → 사람 기반 라벨링이 필요 ▸ C: Ground Truth + Mechanical Turk 인력으로 라벨링 ▸ E: SageMaker AI 라벨링 작업으로 레이블 데이터 생성 【오답 체크】 (A) 배치 추론은 예측을 생성할 뿐 정답 레이블을 만들지 않음. (B) PyTorch Distributed 학습 작업은 라벨링 도구가 아니라 모델 학습용. (D) OCR은 이미지 내 문자 인식용으로 거래 데이터 라벨링과 무관. 【시험 포인트】 "레이블 데이터 확보" → SageMaker Ground Truth / 라벨링 작업(사람 어노테이션).

해설

【핵심 용어】 ▸ Custom API(액션 그룹/도구) — Bedrock Agents가 외부 서비스에 접근해 실시간 컨텍스트·기능을 수행하도록 연결 ▸ Bedrock Agents — 도구·API 호출로 작업 완수 ▸ Zero-shot/Negative prompting — 프롬프트 기법(외부 접근과 무관) 【정답 포인트】 ▸ "에이전트가 외부 서비스에 접근해 여행 예약 완료 + 추가 컨텍스트 필요" → 외부 시스템 연동용 커스텀 API를 제공해 컨텍스트·기능 확보 = D 【오답 체크】 (A) Negative prompting은 특정 출력을 배제하는 기법이지 외부 접근 수단이 아님. (B) MCP도 도구 연결 방식이나, 문제 맥락상 Bedrock Agents에 외부 접근을 부여하는 표준 해법은 커스텀 API(액션 그룹). (C) Zero-shot prompting은 예시 없이 프롬프트하는 기법으로 외부 컨텍스트 접근과 무관. 【시험 포인트】 Bedrock Agents가 외부 서비스·실시간 데이터에 접근 → 커스텀 API(액션 그룹) 연결.

해설

【핵심 용어】 ▸ AWS CloudTrail — 계정의 모든 API 호출을 기록·감사, 무단/비정상 API 활동 탐지 ▸ Trusted Advisor — 모범 사례 점검(입출력 데이터 모니터링 아님) ▸ QuickSight — BI 대시보드 ▸ Amazon Personalize — 추천 서비스 【정답 포인트】 ▸ "Bedrock FM에 대한 무단 API 액션 탐지" → 모든 API 호출을 로깅·감사하는 CloudTrail = A 【오답 체크】 (B) Trusted Advisor는 모델 입출력 데이터 모니터링 도구가 아님. (C) QuickSight는 BI 시각화로 row-level 안전 감시 용도가 아님. (D) Personalize는 추천 엔진으로 사용자 접근 감사와 무관. 【시험 포인트】 "무단 API 활동/감사 로그" → AWS CloudTrail.

해설

【핵심 용어】 ▸ Batch(배치 추론) — 대량 요청을 비실시간 일괄 처리, 온디맨드 대비 저비용(주간 배치 같은 비실시간 작업에 최적) ▸ On-Demand — 요청당 과금(실시간) ▸ Provisioned Throughput — 처리량 예약(상시 고부하용) 【정답 포인트】 ▸ "주간 1회 카탈로그 업데이트"(비실시간, 예측 가능한 일괄 작업) → 저비용 Batch가 가장 비용 효율적 = C 【오답 체크】 (A) On-Demand는 실시간 편의는 있으나 대량 일괄 작업엔 상대적으로 비쌈. (B) Provisioned Throughput은 상시 예약 용량으로 주 1회 작업엔 낭비. (D) Model evaluation은 평가 기능이지 추론 가격 모델이 아님. 【시험 포인트】 비실시간 대량 일괄 처리 → Batch 추론이 최저 비용.

해설

【핵심 용어】 ▸ Negative prompts(부정 프롬프트) — 이미지 생성 모델(Nova Canvas 등)에서 결과에 포함시키지 않을 특성을 지정 ▸ Inpainting/Outpainting — 이미지 일부 수정/확장 ▸ Mask prompts — 마스킹 영역 지정 【정답 포인트】 ▸ "생성 결과에서 특정 특성 제외" → 배제할 요소를 지정하는 Negative prompts = B 【오답 체크】 (A) Mask prompts는 편집 영역 마스킹 개념. (C) Inpainting은 마스킹 영역을 채워 넣는 편집 기법. (D) Outpainting은 이미지 경계를 바깥으로 확장하는 기법. 【시험 포인트】 이미지 생성에서 "제외/원치 않는 요소" → Negative prompts.

해설

【핵심 용어】 ▸ Prompt attacks(프롬프트 공격) 정책 — 프롬프트 인젝션·탈옥(jailbreak) 등 안전장치 우회 시도를 탐지·차단하는 Guardrail 유형 ▸ Denied topics — 특정 주제 차단 ▸ Contextual grounding check — 응답이 소스에 근거하는지 검사 ▸ Sensitive information filters — 민감정보 필터링 【정답 포인트】 ▸ "내장 안전 기능 우회(bypass) 시도 방지" → 프롬프트 인젝션/탈옥 차단인 Prompt attacks 정책 = C 【오답 체크】 (A) Contextual grounding은 환각·근거 검증용이지 우회 공격 차단이 아님. (B) Denied topics는 특정 주제 차단이지 우회 시도 자체를 겨냥하지 않음. (D) Sensitive information filters는 PII 등 민감정보 마스킹용. 【시험 포인트】 "jailbreak/프롬프트 인젝션·안전장치 우회" → Guardrails의 Prompt attacks 정책.

해설

【핵심 용어】 ▸ RAG — 회사의 권위 있는 데이터 소스에서 관련 정보를 검색해 응답에 근거를 부여, 정확성·투명성 향상 ▸ Prompt engineering — 프롬프트 설계(외부 근거 제공엔 한계) ▸ Static knowledge base — 정적 지식(검색 결합 없음) 【정답 포인트】 ▸ "권위 있는 사내 데이터 소스에 응답을 근거" + "투명·정확" → 검색 기반 근거 부여 기법인 RAG = C 【오답 체크】 (A) Prompt engineering만으로는 외부 사실 근거를 실시간 제공하지 못함. (B) 강화학습은 정렬 기법이지 사실 근거 연결이 아님. (D) 단순 정적 지식베이스는 검색·근거 결합 메커니즘이 없음. 【시험 포인트】 "사내 권위 데이터에 응답 근거(ground)" → RAG.

해설

【핵심 용어】 ▸ Data lifecycle management(데이터 생애주기 관리) — 학습 데이터의 생성·저장·추적·삭제를 관리, 데이터 거버넌스·규정 준수의 핵심 ▸ Audit trail(감사 추적) — 규정 준수에 필수 【정답 포인트】 ▸ "AI 데이터 거버넌스 규정 준수" → 학습 데이터를 추적·관리하는 데이터 생애주기 관리 구현 = B 【오답 체크】 (A) 감사 추적 없는 출력 변경은 거버넌스 원칙에 반함. (C) 데이터 레지던시 요건을 무시하는 것은 규정 준수 위반. (D) 합성 데이터만 사용하는 것이 규정 준수를 보장하지 않으며 대표성 문제 야기. 【시험 포인트】 데이터 거버넌스/규정 준수 → 데이터 생애주기 관리 + 추적·감사.

해설

【핵심 용어】 ▸ Prompt leakage(프롬프트 유출) — 시스템/지시 프롬프트가 노출되는 위험, 비공개 LLM 지시문 유지 시 주의할 보안 위험 ▸ Data poisoning — 학습 데이터 오염 공격 ▸ Hallucination — 사실과 다른 그럴듯한 생성 【정답 포인트】 ▸ "LLM의 지시문(instructions)을 비공개로 유지하고 싶음" → 지시 프롬프트가 새어나가는 Prompt leakage 위험 고려 = B 【오답 체크】 (A) Data poisoning은 학습 데이터 변조 공격으로 지시문 비공개와 결이 다름. (C) Hallucination은 응답 정확성 문제이지 지시문 노출 위험이 아님. (D) Output ungroundedness는 근거 없는 출력 문제로 지시문 보호와 무관. 【시험 포인트】 "시스템/지시 프롬프트 비공개 유지" → Prompt leakage 위험.

해설

【핵심 용어】 ▸ Fine-tuning custom model — 회사 데이터로 모델을 맞춤 학습해 회사 특화 응답 생성 ▸ Pre-trained model(1st/3rd party, open source) — 일반 지식 기반, 회사 데이터 반영 안 됨 【정답 포인트】 ▸ "회사 데이터 기반 응답 생성" → 회사 데이터로 커스텀 모델을 fine-tune = C 【오답 체크】 (A) Amazon 자체 사전학습 모델은 회사 데이터를 반영하지 않은 일반 모델. (B) 오픈소스 사전학습 모델도 회사 데이터 미반영. (D) 서드파티 사전학습 모델 역시 회사 고유 데이터 미반영. 【시험 포인트】 "회사 고유 데이터 기반 응답" → fine-tuning(또는 RAG). 단순 사전학습 모델만으로는 부족.

해설

【핵심 용어】 ▸ Structured data(정형 데이터) — 행·열 등 스키마로 정리된 데이터(CSV, 테이블, 측정값 등) ▸ Unstructured data — 텍스트·이미지·오디오·영상 등 스키마 없는 데이터 【정답 포인트】 ▸ "structured data 예시" → 측정값이 담긴 CSV 파일(행·열 구조) = C 【오답 체크】 (A) 포럼 텍스트 댓글은 비정형 데이터. (B) 뉴스 영상 파일 모음은 비정형 데이터. (D) 통화 대화 전사 텍스트는 비정형 데이터. 【시험 포인트】 정형=행·열 스키마(CSV/DB), 비정형=텍스트·이미지·오디오·영상.

해설

【핵심 용어】 ▸ Bedrock Prompt management — 컨텍스트 포함 시스템 지시문(프롬프트)을 저장·재사용 ▸ Knowledge Bases — RAG 지식베이스 ▸ Guardrails — 콘텐츠 정책 필터 ▸ Playgrounds — 대화형 실험 콘솔 【정답 포인트】 ▸ "작업 관련 컨텍스트 포함 시스템 지시문을 저장·재사용" → Prompt management = D 【오답 체크】 (A) Knowledge Bases는 검색용 데이터 저장이지 프롬프트 저장·재사용 도구가 아님. (B) Guardrails는 안전 정책 적용 기능. (C) Playgrounds는 즉석 실험 환경이지 저장·재사용 관리 기능이 아님. 【시험 포인트】 "프롬프트/지시문 저장·재사용" → Bedrock Prompt management.

해설

【핵심 용어】 ▸ RAG — 런타임에 제품 DB를 조회해 미수정 설명을 FM 컨텍스트로 제공, 라벨 데이터 없이 최소 노력으로 구축 ▸ Fine-tuning — 라벨 데이터·재학습 필요(노력 큼) ▸ Custom FM 학습 — 막대한 비용·시간 【정답 포인트】 ▸ "라벨 데이터 제한적" + "최소 구현 노력" → 재학습 없이 DB를 조회해 컨텍스트 제공하는 RAG = A 【오답 체크】 (B) 제한된 라벨 데이터 fine-tuning + 주간 재학습은 구현·유지 노력이 큼. (C) 카테고리별 FM 배포 + 라우팅은 복잡도·비용 과다. (D) 신규 커스텀 FM 학습은 가장 노력·비용이 큰 접근. 【시험 포인트】 "라벨 데이터 부족 + 최소 노력" → RAG. 학습·재학습 필요한 선택지는 오답.

해설

【핵심 용어】 ▸ Guardrails for Amazon Bedrock — 증오·모욕·성적·폭력 등 유해 콘텐츠를 필터링하는 안전장치 ▸ Comprehend toxicity — 텍스트 독성 탐지(별도 분석 서비스) ▸ SageMaker 알고리즘/커스텀 모델 — 유해 콘텐츠 필터 전용 아님 【정답 포인트】 ▸ "Bedrock에서 유해(증오·모욕·성적·폭력) 응답 방지" → Guardrails for Amazon Bedrock 구성 = C 【오답 체크】 (A) SageMaker 내장 알고리즘은 유해 콘텐츠 필터 전용 기능이 아님. (B) Comprehend 독성 탐지는 별도 처리·통합 필요로 Bedrock 내장 해법보다 비효율. (D) 커스텀 모델 학습은 과도한 노력이며 즉각적 필터링 해법이 아님. 【시험 포인트】 Bedrock 유해 콘텐츠 필터링 → Guardrails.

해설

【핵심 용어】 ▸ Temperature(온도) — 낮출수록 출력이 결정적(deterministic)·일관적, 높일수록 다양·창의적 ▸ Learning rate — 학습 단계 파라미터(추론 결정성과 무관) ▸ Stop sequences — 생성 중단 토큰(결정성 조절 아님) 【정답 포인트】 ▸ "출력을 더 결정적으로" → temperature를 낮춤 = A 【오답 체크】 (B) Learning rate는 학습 시 파라미터로 추론 결정성과 무관. (C) Stop sequences는 어디서 멈출지 지정할 뿐 무작위성 조절이 아님. (D) 토큰 수(길이) 설정은 출력 길이 제어이지 결정성과 무관. 【시험 포인트】 결정적 출력 → temperature ↓, 창의적/다양 → temperature ↑.

해설

【핵심 용어】 ▸ AWS PrivateLink — VPC와 AWS 서비스(예: Bedrock) 간 프라이빗 연결(인터페이스 VPC 엔드포인트), 트래픽이 공용 인터넷을 타지 않음 ▸ IAM 서명/암호화 — 인증·기밀성 확보이나 경로(인터넷) 자체를 바꾸지 않음 【정답 포인트】 ▸ "API 호출이 공용 인터넷을 지나지 않도록" → VPC와 Bedrock 간 프라이빗 연결인 PrivateLink = A 【오답 체크】 (B) 액세스 키 서명은 인증 방식일 뿐 트래픽이 여전히 인터넷을 경유할 수 있음. (C) 온프레미스 이동 후 공용 엔드포인트 호출은 오히려 인터넷을 사용. (D) 전송 중 암호화는 기밀성만 제공, 경로는 여전히 공용 인터넷. 【시험 포인트】 "공용 인터넷 우회 프라이빗 연결" → AWS PrivateLink(VPC 엔드포인트).

해설

【핵심 용어】 ▸ Amazon Augmented AI(A2I) — ML 예측에 사람 검토(human-in-the-loop) 워크플로를 추가, 특정 예측을 사람이 검토 후 조치 ▸ SageMaker Clarify — 편향·설명가능성 ▸ Ground Truth — 데이터 라벨링 ▸ Model Monitor — 모델 품질 모니터링 【정답 포인트】 ▸ "일부 예측을 사람 분석가가 검토 후 조치" → 휴먼 검토 루프인 Amazon A2I = C 【오답 체크】 (A) Clarify는 편향·설명가능성 분석이지 사람 검토 워크플로가 아님. (B) Ground Truth는 학습용 데이터 라벨링 도구. (D) Model Monitor는 배포 모델의 품질·드리프트 감시. 【시험 포인트】 "사람 검토(human-in-the-loop) 워크플로" → Amazon Augmented AI(A2I).

해설

【핵심 용어】 ▸ A/B testing — 실제 사용자에게 두 변형을 비교 노출해 실환경 성능을 평가 ▸ Human evaluation(SME) — 전문가 평가(실사용 환경 측정과는 다름) ▸ Training accuracy — 학습셋 성능(실환경 일반화 반영 못함) 【정답 포인트】 ▸ "실제 애플리케이션(real-world)에서 FM 성능 평가" → 실사용자 대상 통제된 A/B 테스트 = A 【오답 체크】 (B) SME 인간 평가는 유용하나 실환경 사용자 행동 기반 측정은 아님. (C) 학습 데이터 정확도는 실환경 성능이 아니라 과적합 위험까지 내포. (D) 내부 표현·어텐션 분석은 해석용이지 실환경 성능 평가가 아님. 【시험 포인트】 실환경 성능 평가 → 실사용자 A/B 테스트.

해설

【핵심 용어】 ▸ Guardrails(주제 제한) — LLM이 제품 외 주제에 답하지 않도록 denied topics 등으로 범위 제한, 최소 운영 오버헤드 ▸ 커스텀 로직/정보 축소/temperature — 운영 부담 크거나 목적 불일치 【정답 포인트】 ▸ "제품 질문만 답, 타 주제 거절" + "최소 운영 오버헤드" → 프롬프트 템플릿에 guardrails 설정 = A 【오답 체크】 (B) 커스텀 애플리케이션 로직은 개발·유지 부담이 커 오버헤드 증가. (C) LLM 접근 정보 축소는 주제 제한 목적과 맞지 않고 답변 품질 저하. (D) temperature 조정은 무작위성 제어일 뿐 주제 제한과 무관. 【시험 포인트】 "주제 범위 제한 + 최소 오버헤드" → Guardrails.

해설

【핵심 용어】 ▸ Average call duration(평균 통화 시간) — 상담원 응대 시간을 나타내는 지표, 'agent 노력 감소' 목표와 직접 연결 ▸ First contact resolution — 첫 접촉 해결률(고객 만족·효율 지표) ▸ Website engagement/Agent attrition — 목표와 간접적 【정답 포인트】 ▸ "상담원 응대 노력(effort) 감소"라는 비즈니스 목표 → 통화당 소요 시간을 나타내는 Average call duration = B 【오답 체크】 (A) 웹사이트 참여율은 상담 노력 지표가 아님. (C) 상담원 이직률은 노력 절감을 직접 측정하지 않음. (D) 첫 접촉 해결률은 유효 지표이나, '상담원 노력(시간) 감소' 목표엔 통화 시간이 더 직접적. 【시험 포인트】 비즈니스 목표를 가장 직접적으로 측정하는 지표를 선택(상담원 노력 감소=통화 시간).