정답 · 해설

해설

【핵심 용어】 ▸ ROUGE — 생성 요약과 인간 참조 요약 간 n-gram 겹침을 측정하는 요약 평가 표준 지표 ▸ F1 score — 분류 정밀도/재현율 조화평균 ▸ Perplexity — 언어모델 예측 불확실성 ▸ FID — 이미지 생성 품질 지표 【정답 포인트】 ▸ "모델 요약 vs 인간 참조 요약 자동 비교" → 요약 평가 표준인 ROUGE = B 【오답 체크】 (A) F1은 분류 성능 지표로 요약 텍스트 비교 표준이 아님. (C) Perplexity는 언어모델 유창성 지표이지 참조 대비 요약 평가가 아님. (D) FID는 이미지 생성 품질 측정 지표. 【시험 포인트】 요약 평가 = ROUGE, 번역 평가 = BLEU.

해설

【핵심 용어】 ▸ RLHF — 직원(사람) 피드백으로 모델 응답을 지속적으로 정렬·개선 ▸ Model distillation — 큰 모델 지식을 작은 모델로 압축(피드백 반영 아님) ▸ Continued pre-training — 대량 텍스트 도메인 지식 보강 ▸ Intelligent prompt routing — 프롬프트를 적합 모델로 라우팅 【정답 포인트】 ▸ "직원 피드백으로 모델 응답을 더 다듬음" → 인간 피드백 기반 강화학습 RLHF = C 【오답 체크】 (A) 모델 증류는 경량화 기법이지 피드백 반영이 아님. (B) Continued pre-training은 대량 비레이블 데이터 학습으로 개별 피드백 정렬과 결이 다름. (D) 프롬프트 라우팅은 모델 선택 기능이지 응답 개선 학습이 아님. 【시험 포인트】 "인간 피드백으로 응답 정렬/개선" → RLHF.

해설

【핵심 용어】 ▸ Amazon Bedrock — 다양한 고성능 생성형 AI 파운데이션 모델을 API로 제공하는 완전관리형 서비스 ▸ Rekognition/Lex/Kendra — 각각 이미지 분석/챗봇/엔터프라이즈 검색 【정답 포인트】 ▸ "광범위한 고성능 생성형 AI FM 제공" → Amazon Bedrock = A 【오답 체크】 (B) Rekognition은 이미지·영상 분석 서비스. (C) Lex는 대화형 봇 구축 서비스. (D) Kendra는 지능형 엔터프라이즈 검색 서비스. 【시험 포인트】 생성형 AI FM 카탈로그·API → Amazon Bedrock.

해설

【핵심 용어】 ▸ Responsible AI(책임 있는 AI) — 공정성·품질을 위해 다양성 있는 데이터와 일관된 라벨링 원칙 준수 ▸ Diverse data sources — 편향 완화·공정성 향상 ▸ Consistent labeling — 데이터 품질·신뢰성 확보 【정답 포인트】 ▸ A: 인구통계학적으로 다양한 데이터 소스 포함 → 공정성 향상 ▸ B: 일관된 라벨링 표준 적용 → 데이터 품질·신뢰성 확보 【오답 체크】 (C) 품질 무시하고 대량 데이터만 집중은 책임 있는 AI 원칙에 반함. (D) 합성 데이터만 사용은 대표성·현실성 문제 야기. (E) 라벨을 줄이는 것은 정보 손실로 품질을 오히려 저하. 【시험 포인트】 책임 있는 AI 데이터 준비 = 다양성 + 일관된 고품질 라벨링.

해설

【핵심 용어】 ▸ Ongoing/continued pre-training — 새로운 데이터로 FM을 지속 학습해 시간이 지나도 성능·최신성 유지·향상 【정답 포인트】 ▸ "지속적 사전학습으로 FM 미세조정 시 이점" → 새 데이터 반영으로 시간이 지날수록 모델 성능 향상 = B 【오답 체크】 (A) 모델 복잡도가 줄어드는 것은 아님. (C) 학습 시간이 감소하는 것이 지속 학습의 이점이 아님(오히려 추가 학습). (D) 학습 비용 절감이 핵심 이점이 아님(추가 비용 발생 가능). 【시험 포인트】 지속 사전학습의 이점 = 시간에 따른 성능·최신성 향상.

해설

【핵심 용어】 ▸ Amazon Q Developer — 실시간 코드 생성·단위 테스트 생성을 지원하는 생성형 AI 코딩 어시스턴트 ▸ Personalize/Comprehend/Kendra — 추천/NLP/검색 서비스 【정답 포인트】 ▸ "실시간 코드·단위 테스트 생성" → 코딩 지원 서비스 Amazon Q Developer = B 【오답 체크】 (A) Personalize는 개인화 추천 서비스. (C) Comprehend는 텍스트 분석(NLP) 서비스. (D) Kendra는 엔터프라이즈 검색 서비스. 【시험 포인트】 코드/단위 테스트 생성 → Amazon Q Developer.

해설

【핵심 용어】 ▸ SageMaker Clarify — 사전학습(pre-training) 및 사후학습(post-training) 편향 지표 계산, 학습 전 데이터셋 편향 탐지 ▸ Pre-training bias metrics — 학습 전 데이터셋 편향 측정 ▸ Model Cards — 모델 문서화(편향 계산 도구 아님) 【정답 포인트】 ▸ "학습 전(before training) 데이터셋의 편향 존재 여부 판단" → Clarify로 pre-training bias metrics 계산 = A 【오답 체크】 (B) Model Cards는 문서화 기능이지 편향 지표를 계산하지 않음. (C) Clarify는 맞지만 post-training은 학습 후 지표라 '학습 전' 요구에 부적합. (D) Model Cards는 편향 계산 기능이 아니며 post-training이라 요구와도 불일치. 【시험 포인트】 학습 전 데이터 편향 → SageMaker Clarify의 pre-training bias metrics.

해설

【핵심 용어】 ▸ RAG — 외부 권위 데이터로 응답을 근거화해 환각(hallucination)을 감소 ▸ Hallucination — 사실과 다른 그럴듯한 생성 【정답 포인트】 ▸ "RAG 사용 권고 근거" → RAG는 검색된 사실 근거로 환각을 줄여 정확성을 높임 = C 【오답 체크】 (A) RAG가 LLM 추론 시간을 개선하는 것은 아님(오히려 검색 단계 추가). (B) RAG는 학습 속도를 개선하는 기법이 아님. (D) RAG는 개발 통제를 감소시키지 않음(오히려 근거·통제 강화). 【시험 포인트】 RAG의 핵심 이점 = 환각 감소·사실 근거 강화.

해설

【핵심 용어】 ▸ RAG 평가 — 검색 단계(retrieval)와 생성 단계(generation) 모두 평가해야 함(검색 문서 관련성 + 최종 답변 정확성) ▸ BLEU — 번역/유사도 지표(RAG 종합 평가엔 제한적) 【정답 포인트】 ▸ "RAG 어시스턴트 성능 개선·평가" → 검색된 문서가 관련성 있는지 + 최종 답변이 정확한지 모두 확인 = D 【오답 체크】 (A) BLEU 단독은 표면적 유사도만 측정, RAG의 검색 품질을 반영 못함. (B) 지연·토큰 속도는 성능 최적화 지표이지 답변 정확성 평가가 아님. (C) 최종 답변만 평가하면 검색 단계 결함을 놓침. 【시험 포인트】 RAG 평가 = 검색(관련성) + 생성(정확성) 두 단계 모두.

해설

【핵심 용어】 ▸ Amazon Textract — 스캔된 PDF·양식에서 텍스트, 표, 폼 필드 등 정형·비정형 데이터를 추출 ▸ Polly/Lex/Personalize — 음성 합성/챗봇/추천 【정답 포인트】 ▸ "스캔 PDF·양식에서 정형·비정형 데이터 추출" → 문서 추출 서비스 Amazon Textract = D 【오답 체크】 (A) Polly는 텍스트→음성 변환 서비스. (B) Lex는 대화형 봇 서비스. (C) Personalize는 추천 엔진. 【시험 포인트】 문서·양식 텍스트/데이터 추출(OCR+) → Amazon Textract.

해설

【핵심 용어】 ▸ Responsible AI(hiring) — 채용 AI는 보호 대상 그룹에 대한 차별이 없는지 테스트·검증해야 함 ▸ Fairness testing — 공정성·비차별 검증 【정답 포인트】 ▸ "채용 결정 AI + AWS 책임 있는 AI 지침 준수" → 보호 대상 그룹 차별 여부를 테스트 = C 【오답 체크】 (A) 사람 검토 없이 AI가 최종 채용 결정하는 것은 책임 있는 AI에 반함. (B) 과거 성공 채용 데이터만 학습은 기존 편향을 답습. (D) 의사결정 과정 비공개는 투명성 원칙에 반함. 【시험 포인트】 채용/고위험 AI → 편향·차별 테스트 + 인간 검토 + 투명성.

해설

【핵심 용어】 ▸ SageMaker Model Cards — 비즈니스 문제, 데이터 가정, 학습 고려사항, 사용 위험 등을 문서화해 투명성·거버넌스 지원 ▸ Model Registry — 모델 버전·배포 관리 ▸ Model Monitor — 배포 후 품질 모니터링 ▸ Model Dashboard — 모델 현황 대시보드 【정답 포인트】 ▸ "비즈니스 문제·데이터 가정·학습 고려·사용 위험 문서화" + "투명성·거버넌스" → Model Cards = B 【오답 체크】 (A) Model Registry는 버전·승인 관리이지 문서화 카드가 아님. (C) Model Monitor는 운영 중 드리프트 감시. (D) Model Dashboard는 모델 현황 한눈 보기이지 문서화 도구가 아님. 【시험 포인트】 모델 목적·가정·위험 문서화 → SageMaker Model Cards.

해설

【핵심 용어】 ▸ AWS Audit Manager — 규제 표준에 대한 증거를 자동 수집하고 감사·컴플라이언스 보고서를 작성·문서화 ▸ AWS Artifact — AWS의 규정 준수 보고서(AWS 측 인증) 다운로드 포털 ▸ Model Cards/Monitor — 모델 문서화/모니터링 【정답 포인트】 ▸ "규제 표준 준수를 평가·문서화" → 증거 수집·감사 자동화 서비스 AWS Audit Manager = A 【오답 체크】 (B) Model Cards는 모델 문서화이지 규제 준수 감사 프레임워크가 아님. (C) Model Monitor는 모델 품질 모니터링. (D) Artifact는 AWS의 컴플라이언스 문서 제공 포털이지 사용자 워크로드 준수를 평가·문서화하는 도구가 아님. 【시험 포인트】 "규정 준수 평가·증거 수집·감사" → AWS Audit Manager. (Artifact=AWS 인증서 다운로드)

해설

【핵심 용어】 ▸ Right-sizing FM(적정 모델 선택) — 각 유스케이스에 필요한 성능을 충족하는 가장 작은(저비용) 모델을 선택해 비용 최적화 【정답 포인트】 ▸ "여러 유스케이스에 FM을 가장 비용 효율적으로" → 각 유스케이스 성능 요구를 만족하는 최소 모델 선택 = A 【오답 체크】 (B) 모든 작업에 최대 모델 사용은 불필요한 고비용. (C) 유스케이스별 커스텀 FM 학습은 막대한 비용·시간. (D) 모든 요청 배치 처리는 실시간 요구를 해치고 만능 절감책이 아님. 【시험 포인트】 비용 최적화 = 요구 성능을 만족하는 최소 규모 모델 선택.

해설

【핵심 용어】 ▸ SageMaker JumpStart — 사전학습 모델, 솔루션 템플릿, 예제 노트북을 제공해 FM 배포·fine-tune을 신속 가속 ▸ SageMaker Studio — 통합 IDE ▸ Bedrock model catalog — Bedrock 모델 목록 ▸ SageMaker Canvas — 노코드 ML 【정답 포인트】 ▸ "사전학습 모델 + 솔루션 템플릿 + 예제 노트북으로 개발 가속" → SageMaker JumpStart = B 【오답 체크】 (A) Studio는 개발 IDE이지 템플릿·노트북 허브가 아님. (C) Bedrock model catalog는 모델 목록 제공이지 예제 노트북·템플릿 세트가 아님. (D) Canvas는 노코드 예측 도구. 【시험 포인트】 "사전학습 모델 + 템플릿 + 예제 노트북" → SageMaker JumpStart.

해설

【핵심 용어】 ▸ Fairness(공정성) — 모든 인구통계 그룹에 편향 없는 공평한 처우 보장 ▸ Explainability(설명가능성) — 결정 근거를 투명하게 이해·검증해 편향 식별 ▸ Modularity/Secrecy/Underfitting — 공정성과 무관 【정답 포인트】 ▸ B: Fairness → 모든 그룹에 공평한 대우 확보 ▸ C: Explainability → 결정 근거 투명화로 편향 식별·검증 【오답 체크】 (A) Modularity는 시스템 설계 개념으로 공정성과 무관. (D) Secrecy(비밀 유지)는 투명성에 오히려 반함. (E) Underfitting은 학습 부족 상태로 공정성 방법론이 아님. 【시험 포인트】 편향 없는 공평 처우 → Fairness + Explainability.

해설

【핵심 용어】 ▸ BERTScore — 임베딩 기반으로 의미적 유사도(semantic similarity)를 측정 ▸ ROUGE — 참조 대비 핵심 정보 커버리지(recall) 측정 ▸ BLEU/F1/Accuracy — 번역 정밀도/분류 지표(의미·커버리지 목적과 불일치) 【정답 포인트】 ▸ B: BERTScore → 의미적 유사도 측정 ▸ E: ROUGE → 핵심 정보 커버리지(재현율) 측정 【오답 체크】 (A) F1은 분류 성능 지표. (C) BLEU는 정밀도 중심 번역 지표로 의미 유사도·커버리지 목적엔 부적합. (D) Accuracy는 분류 정확도 지표. 【시험 포인트】 의미 유사도=BERTScore, 정보 커버리지=ROUGE.

해설

【핵심 용어】 ▸ SageMaker Model Cards — ML 모델의 목적, 소유자, 한계 등을 문서화 ▸ AWS AI Service Cards — AWS 관리형 AI 서비스의 책임 있는 AI 문서(사용자 커스텀 모델 문서가 아님) ▸ AWS Prescriptive Guidance — 모범 사례 가이드 문서 【정답 포인트】 ▸ "ML 모델의 목적·소유자·한계 문서화" → SageMaker Model Cards = D 【오답 체크】 (A) Bedrock은 FM 제공 서비스이지 모델 문서화 기능이 아님. (B) AI Service Cards는 AWS 자체 AI 서비스 문서로 사용자 모델 문서화 도구가 아님. (C) Prescriptive Guidance는 일반 지침 문서 라이브러리. 【시험 포인트】 사용자 ML 모델 목적·소유자·한계 문서화 → SageMaker Model Cards.

해설

【핵심 용어】 ▸ Data governance(데이터 거버넌스) — 데이터 생애주기 정책, 접근 제어, 로깅·모니터링으로 데이터를 안전·규정 준수 관리 【정답 포인트】 ▸ "학습 데이터 생애주기 전반 안전·규정 준수 관리" → 생애주기 정책 + 접근 제어 + 로깅·모니터링 수립 = D 【오답 체크】 (A) 모든 직원에 무제한 접근 허용은 보안·거버넌스에 반함. (B) 분류·보존 정책 없이 무기한 저장은 거버넌스 부재. (C) 수동 검토에만 의존하는 것은 확장성·신뢰성 부족. 【시험 포인트】 데이터 거버넌스 = 생애주기 정책 + 접근 제어 + 로깅·모니터링.

해설

【핵심 용어】 ▸ Data lifecycle management — 데이터의 생성·업데이트·삭제 예약 등 생애주기 단계를 추적·관리 ▸ Data residency — 데이터 저장 위치(지리) 요건 ▸ Data observability — 데이터 상태·품질 관측 ▸ Data logging — 활동 기록 【정답 포인트】 ▸ "데이터 생성·업데이트·삭제 예약 시점을 모니터링" → 데이터 생애주기 관리 = B 【오답 체크】 (A) Data residency는 저장 위치 규제 요건이지 생애주기 추적이 아님. (C) Data observability는 데이터 품질·상태 관측 개념. (D) Data logging은 이벤트 기록이지 생애주기 단계 관리 프레임워크가 아님. 【시험 포인트】 생성·수정·삭제 등 데이터 생애주기 추적 → Data lifecycle management.