정답 · 해설

해설

【핵심 용어】 ▸ MCP 보안 관행 — 서버·클라이언트를 최신 상태로 유지, 신뢰할 수 있는 소스에서만 서버 설치 ▸ 최소 권한·수동 승인 — 자동 승인 금지, 민감 정보 평문 저장 금지 【정답 포인트】 ▸ A: MCP 서버와 Q Developer CLI를 최신으로 업데이트(취약점 패치) ▸ E: 신뢰할 수 있는 소스에서만 서버 설치(공급망 위험 차단) 【오답 체크】 (B) 정상·성공 활동만 모니터링하는 것은 이상 징후를 놓쳐 보안에 미흡. (C) 민감 설정을 평문 파일에 저장은 보안 위반. (D) 모든 도구 자동 승인은 위험한 동작을 무분별 허용. 【시험 포인트】 MCP 보안 = 최신 유지 + 신뢰 소스만 설치 + 자동 승인/평문 저장 금지.

해설

【핵심 용어】 ▸ Hallucination(환각) — 모델이 사실과 다른 부정확한 정보를 그럴듯하게 생성하는 위험 ▸ Toxicity — 유해·공격적 콘텐츠 ▸ Interpretability — 해석가능성(위험 아님) 【정답 포인트】 ▸ "제품 설명 생성 시 부정확한 정보 제공" → 사실과 다른 생성 = Hallucination = B 【오답 체크】 (A) Toxicity는 유해·모욕적 콘텐츠 문제이지 부정확성 자체가 아님. (C) Interpretability는 해석가능성 개념이지 위험 유형이 아님. (D) Deterministic outputs는 결정적 출력으로 위험이 아니며 부정확성과 무관. 【시험 포인트】 "부정확·허위 정보를 그럴듯하게 생성" → Hallucination.

해설

【핵심 용어】 ▸ RAG — 권위 있는 소스에 응답을 근거화(ground)해 환각(그럴듯한 오정보)을 완화 ▸ 의료 요약 — 사실 정확성이 중요, 검증 소스 근거화 필수 【정답 포인트】 ▸ "그럴듯하지만 부정확한 정보(환각) 완화" → 검색된 사실에 응답을 근거화하는 RAG = B 【오답 체크】 (A) 입력 검증·출력 포맷 규칙은 환각의 근본 원인(사실 근거 부재)을 해결하지 못함. (C) 더 작고 투명한 모델이 환각을 줄이는 것은 아님. (D) 연산·모델 크기 증가가 환각을 직접 줄이지는 않음. 【시험 포인트】 환각 완화 → RAG로 사실 근거화(ground).

해설

【핵심 용어】 ▸ Amazon Bedrock prompt router — 단일 엔드포인트 호출 시 각 요청에 가장 적합한 FM을 자동 선택(모델 하드코딩 불필요) ▸ Guardrails/Knowledge Bases/agent memory — 안전/검색/대화 메모리 【정답 포인트】 ▸ "단일 엔드포인트로 요청마다 최적 FM 자동 선택, 모델 하드코딩 회피" → Bedrock prompt router = C 【오답 체크】 (A) Guardrails는 안전 정책 필터. (B) Knowledge Bases는 RAG용 검색 저장소. (D) Agent memory는 에이전트 대화 맥락 저장 기능. 【시험 포인트】 요청별 최적 모델 자동 라우팅 → Bedrock prompt router.

해설

【핵심 용어】 ▸ AI governance(거버넌스) — 정기적 결과 검토(정확성·공정성·정책 준수) + 전 직원 교육으로 책임 있는 사용 보장 【정답 포인트】 ▸ A: 모델 결과의 정확성·공정성·정책 준수를 정기 검토하는 프로세스 수립 ▸ B: AI 도구를 다루는 전 직원에게 규칙·데이터 처리·책임 있는 AI 교육 제공 【오답 체크】 (C) 클라우드 제공자에게 모든 안전 검토를 맡기는 것은 자체 거버넌스 책임 회피(공동 책임 모델 위반). (D) 개발자만 참여시키는 것은 다양한 이해관계자 배제로 거버넌스 미흡. (E) 사용자가 문제 보고할 때만 검토하는 것은 사후 대응적이라 부적절. 【시험 포인트】 AI 거버넌스 = 정기 검토 + 전사 교육(사전·지속적 감독).

해설

【핵심 용어】 ▸ Faithfulness(충실성) — RAG 응답이 검색된 텍스트에 얼마나 근거하는지(환각 회피 정도) 측정하는 지표 ▸ Refusal/Harmfulness/Stereotyping — 거부율/유해성/고정관념 지표(환각 근거화와 다름) 【정답 포인트】 ▸ "검색된 텍스트 기반으로 환각을 얼마나 회피하는지 측정" → Faithfulness = D 【오답 체크】 (A) Refusal은 모델이 응답을 거부하는 정도 지표. (B) Harmfulness는 유해 콘텐츠 지표. (C) Stereotyping은 고정관념·편향 지표. 【시험 포인트】 RAG 응답이 검색 소스에 근거(환각 회피) → Faithfulness.

해설

【핵심 용어】 ▸ SageMaker Clarify — 모델 예측의 설명가능성(feature attribution)과 편향 분석을 관리형으로 제공 ▸ Rekognition/Personalize/Ground Truth — 이미지 분석/추천/라벨링 【정답 포인트】 ▸ "모델 추천의 투명성·설명가능성 확보" + "운영 효율" → 설명가능성 기능인 SageMaker Clarify = B 【오답 체크】 (A) Rekognition은 이미지 분석으로 추천 설명가능성과 무관. (C) Personalize로 이전은 추천 성능 개선이지 설명가능성 확보가 아님. (D) Ground Truth 수동 편향 탐지는 운영 효율이 낮음. 【시험 포인트】 모델 설명가능성·편향 분석 → SageMaker Clarify.

해설

【핵심 용어】 ▸ Secure API endpoint — 외부 고객이 자신의 앱에서 인증을 거쳐 안전하게 모델에 접근하도록 표준 API로 제공 ▸ 자격증명 직접 공유/커스텀 스크립트/모델 임베드 — 보안 위험·부적절 【정답 포인트】 ▸ "외부 고객이 자신의 앱으로 안전하게 모델 접근" → 인증·인가를 갖춘 안전한 API 엔드포인트 제공 = C 【오답 체크】 (A) 고객 앱에 커스텀 인증 스크립트 사용은 표준·안전한 접근 방식이 아님. (B) 모델 자격증명을 고객에 직접 공유하는 것은 심각한 보안 위험. (D) 모델을 고객 앱에 직접 임베드하면 IP 노출·업데이트·보안 관리가 어려움. 【시험 포인트】 외부 안전 접근 제공 → 인증된 보안 API 엔드포인트.