정답 · 해설

해설

【핵심 용어】 ▸ Epoch — 전체 학습 데이터셋을 한 번 훑는 학습 사이클. Epoch 증가 = 모델이 데이터 패턴을 반복 학습하며 일반화 능력 향상. 과도하면 오버피팅 위험. 【정답 포인트】 ▸ 학습 정확도 증대의 가장 직접적 방법 = Epoch 수 증가 ▸ 모델이 학습 데이터에 더 많이 노출될수록 패턴 습득도 증가하므로 목표 정확도 달성 가능성 높아짐 【오답 체크】 (A) 배치 크기는 그래디언트 안정성에 영향, 정확도 직접 개선 약함 (C) Epoch 감소는 학습 부족 초래 (D) Temperature는 추론 단계 파라미터로 학습 정확도와 무관 【시험 포인트】 ▸ 정확도 개선 = Epoch↑, 오버피팅 완화 = 조기 종료(Early Stopping) ▸ 학습 과정의 기본 개념 문제

해설

【핵심 용어】 ▸ 콜센터 KPI — 평균 응대 시간(Average Handle Time, AHT)·평균 통화 시간이 효율 측정의 표준 지표. 챗봇은 일반적 질문을 사전 처리하여 통화 시간 단축. 【정답 포인트】 ▸ 챗봇의 비즈니스 가치 = 콜센터 응대 효율화 ▸ 평균 통화 시간 감소는 직원 생산성 향상과 고객 만족도를 동시에 개선하는 핵심 지표로, 투자 대비 효과를 명확히 입증 【오답 체크】 (A) 웹사이트 참여율은 별개 채널 지표 (C) ESG·규제 원칙으로 비즈니스 영향도 측정 부적절 (D) 규제 준수는 운영 비용이지 챗봇의 직접 효과 아님 【시험 포인트】 ▸ 생성형 AI 비즈니스 임팩트 = 구체적 운영 지표(비용·시간·처리량) 연결 ▸ 추상적 가치보다 정량 지표 선택

해설

【핵심 용어】 ▸ SageMaker Clarify — 편향(bias) 탐지와 설명 가능성(explainability) 제공. 데이터 수집→학습→배포 전주기에서 편향 감지 가능. 학습 전 데이터 불균형 식별로 사전 예방. 【정답 포인트】 ▸ Clarify의 핵심 기능 = 데이터 준비 단계에서 편향 패턴 조기 발견 ▸ 이는 모델 학습 후 성능 저하를 사전 방지하는 Responsible AI의 근본 대책. 데이터 클렌징 단계에서 문제 해결. 【오답 체크】 (A) RAG는 Bedrock Knowledge Bases (B) 프로덕션 모니터링은 Model Monitor (C) 모델 카드 기능은 별개 솔루션 【시험 포인트】 ▸ 편향 문제 = 조기 탐지 중심 ▸ SageMaker Clarify는 데이터 단계에서 발동하는 프로액티브 도구로 학습

해설

【핵심 용어】 ▸ Overfitting — 모델이 학습 데이터의 노이즈까지 습득하여 새로운 데이터에 일반화 실패. 특히 데이터 양이 적고 모델 복잡도 높을 때 발생하는 전형적 문제. 【정답 포인트】 ▸ 학습↔프로덕션 성능 격차 = 오버피팅 신호 ▸ 해결 방법은 (1)학습 데이터 양·다양성 증대로 모델이 다양한 사례를 충분히 학습 (2)규제화(regularization) (3)조기 종료. 이 중 가장 근본적이고 효과적인 방법이 데이터 증가. 【오답 체크】 (A) 데이터 감소는 오버피팅 악화 (B) 하이퍼파라미터 추가는 복잡도 증가로 더 악화 (D) 학습 시간 증가도 오버피팅 심화 【시험 포인트】 ▸ Train/Test 성능 격차 = 오버피팅 ▸ 근본 해결은 데이터 양·질 개선이 우선순위

해설

【핵심 용어】 ▸ Amazon Comprehend — 텍스트 감정 분석(sentiment), 엔티티 추출, 주제 모델링을 제공하는 관리형 NLP. 리뷰 텍스트에서 긍정/부정 감정 자동 분류 가능. ▸ Amazon Bedrock — LLM 기반으로 세부 감정 분석·감정 이유 설명·맥락적 뉘앙스 분석 가능. 【정답 포인트】 ▸ 감정 분석 솔루션 = Comprehend(기성 NLP, 빠름·저비용) 또는 Bedrock(유연한 LLM, 고급 분석) ▸ 둘 다 감정 분석 정확도 높음. 대규모 리뷰 처리는 Comprehend, 세부 분석 필요 시 Bedrock 병행. 【오답 체크】 (A) Lex는 대화형 챗봇 빌더 (C) Polly는 텍스트-음성 변환 (E) Rekognition은 이미지·비디오 분석 【시험 포인트】 ▸ NLP 서비스 구분: Comprehend(감정)↔Lex(대화)↔Polly(음성) ▸ Bedrock은 LLM 기반으로 다목적

해설

【핵심 용어】 ▸ Bedrock Knowledge Bases — PDF·문서를 벡터 임베딩으로 변환해 벡터 DB에 저장. 사용자 질의 시 관련 청크만 자동 검색(RAG)해 프롬프트에 주입. 토큰 사용량 최소화. 【정답 포인트】 ▸ 대량 문서 + 비용 효율성 = Knowledge Base 활용 필수 ▸ (B) 처럼 매 요청마다 모든 PDF를 포함하면 프롬프트 토큰 비용이 기하급수적 증가. Knowledge Base는 필요한 청크만 검색하므로 API 호출당 비용 1/10 이하 가능. 【오답 체크】 (A) 하나만 포함하면 매뉴얼 대부분 누락 (B) 비용 폭발 (C) Fine-tuning은 개월 단위 비용, 매뉴얼 업데이트도 어려움 【시험 포인트】 ▸ 많은 문서 + 챗봇 = RAG(Retrieval Augmented Generation)와 Knowledge Base ▸ LLM 비용 절감의 표준 패턴

해설

【핵심 용어】 ▸ Benchmark Dataset — 편향·독성 평가용으로 이미 큐레이션된 공개 표준 데이터셋(예: BOLD, ToxiGen, BBQ, WinoBias 등). 학계·업계에서 널리 인정된 평가 지표 포함. 【정답 포인트】 ▸ 관리 노력 최소화 = 라벨링·큐레이션 작업 없음 ▸ 벤치마크 데이터셋은 이미 검증된 평가 기준을 제공하므로 즉시 사용 가능. 편향 평가의 객관성·재현성도 확보. 【오답 체크】 (A) 사용자 콘텐츠는 대규모 라벨링 필요 (B) 로그는 비표준, 편향 측정 메트릭 부족 (C) 가이드라인은 기준 문서, 평가 데이터 아님 【시험 포인트】 ▸ Responsible AI 평가 = 벤치마크 활용 ▸ 신뢰할 수 있는 제3자 데이터셋이 비용·시간 절감의 핵심

해설

【핵심 용어】 ▸ Prompt Engineering — 프롬프트(지시)에 브랜드 톤·어휘·형식·예시를 명시적으로 포함. 사전학습 모델의 강력한 일반화 능력으로 프롬프트만으로 출력 스타일 대폭 개선 가능. 【정답 포인트】 ▸ 사전학습 모델 활용의 최고 가성비 솔루션 = 효과적 프롬프트 설계 ▸ 재학습·재구축 없이 지시만으로 원하는 톤 달성. 비용 거의 없고 즉시 적용 가능하며 반복 개선 용이. 【오답 체크】 (A) 아키텍처 수정은 과도한 엔지니어링 (B) 복잡도 증가로 부작용 초래 (D) 새 모델 학습은 몇 주·달 소요, 비용 엄청남 【시험 포인트】 ▸ 생성형 AI = 프롬프트 우선 ▸ Fine-tuning보다 Prompt Engineering 효율 강조하는 추세

해설

【핵심 용어】 ▸ Responsible AI 핵심 두 축: (1)Fairness — 데이터·모델에서 편향·차별 감지·제거. (2)Explainability & Transparency — 의사결정 근거 설명, 이해관계자 신뢰 구축. 금융 AI는 규제·윤리 요구 가장 높음. 【정답 포인트】 ▸ (A) 데이터 감지로 근원 편향 파악 ▸ (C) 행동 평가·투명성으로 이해관계자 신뢰. 두 가지는 보완 관계로 책임감 있는 AI 운영의 양 축. 규제 준수와 평판 관리 동시 달성. 【오답 체크】 (B) 실행 빈도는 편향과 무관 (D) ROUGE는 요약 품질 지표, 정확도 보장 아님 (E) 지연시간은 가용성 지표 【시험 포인트】 ▸ 금융 AI = Fairness + Transparency 필수 ▸ 편향 감지와 설명 가능성이 AWS Responsible AI 6대 원칙 중 최우선

해설

【핵심 용어】 ▸ Bedrock Custom Model + Provisioned Throughput — Bedrock에서 Fine-tuned 또는 Continued-Pretrained 커스텀 모델을 프로덕션 추론에 사용 시 필수 구성. On-Demand는 지원 불가. 예약 용량으로 응답 속도·비용 최적화. 【정답 포인트】 ▸ Bedrock 커스텀 모델의 운영 요구사항 = Provisioned Throughput 구매 ▸ 이는 Base Model 사용과 달리 필수 선택사항. 용량 예약 없으면 모델 추론 불가능 상태 진입. 【오답 체크】 (B) SageMaker 엔드포인트는 Bedrock 외부 배포, 별개 서비스 (C) Model Registry는 SageMaker 메타데이터 관리 도구 (D) '권한'은 기본 모델 액세스 개념으로 부족 【시험 포인트】 ▸ Bedrock 커스텀 모델 = Provisioned Throughput ▸ Base Model(On-Demand) vs Custom Model(Provisioned) 구분 필수

해설

【핵심 용어】 ▸ Bedrock Model Evaluation — 사람 평가자(Human Evaluation) + 자사 도메인·스타일 맞춤 프롬프트 데이터셋을 조합. 객관적 메트릭(BLEU, ROUGE)로 측정 불가능한 '선호도·톤·뉘앙스' 평가 가능. 【정답 포인트】 ▸ 내부 직원 선호 스타일 = 주관적 품질 지표 ▸ 자동 메트릭은 일반 성능만 측정하고 조직 문화·목소리 특성은 반영 불가. 사람 평가와 자사 프롬프트의 조합이 실제 운영 환경 적합성 검증의 유일한 방법. 【오답 체크】 (A) 내장 일반 데이터셋은 표준 성능만 측정 (C) 공개 리더보드는 순위일 뿐, 자사 스타일 선호도 무관 (D) 지연시간은 성능과 무관한 비기능 지표 【시험 포인트】 ▸ '선호도·스타일' 평가 = 사람 평가 필수 ▸ Bedrock Model Evaluation의 차별성

해설

【핵심 용어】 ▸ Plagiarism(표절)—타인 또는 AI가 생성한 콘텐츠를 출처 명시 없이 자신의 작품으로 제시하는 행위 【정답 포인트】 ▸ AI 콘텐츠 무단 복사·제출=표절의 정의와 정확히 일치. Responsible AI 관점에서 투명성·출처 표시의 중요성 강조 【오답 체크】 (A) Toxicity는 유해·욕설 콘텐츠 (B) Hallucination은 사실 무근 내용 생성 (D) Privacy는 개인정보 노출 【시험 포인트】 ▸ AI 시대 표절=새로운 정의 필요. 생성형 AI 도구 사용의 투명성·윤리 교육이 Responsible AI의 중요 주제

해설

【핵심 용어】 ▸ AWS Trainium(Trn 인스턴스)—AWS 자체 설계·제조 ML 학습 전용 가속기. LLM 학습 워크로드에 최적화되어 전력 효율 40~50% 우수 【정답 포인트】 ▸ LLM 학습+환경 책임=Trainium 선택. 에너지 비용도 절감하면서 ESG 목표 동시 달성 【오답 체크】 (A) C는 CPU 기반 일반 컴퓨팅 (B) G는 그래픽·추론 주도 (P는 GPU 기반 학습이지만 전력 소비 큼 【시험 포인트】 ▸ LLM 학습=Trainium이 최신 권장. AWS Sustainable AI 시험 출제 경향

해설

【핵심 용어】 ▸ Bedrock Guardrails—입출력 콘텐츠 필터링. 유해·부적절·폭력·성인 주제 자동 차단, 민감 정보 마스킹, 연령별 필터링 정책 적용 가능 【정답 포인트】 ▸ 연령 적절성 보장=Guardrails의 콘텐츠 필터링 정책. COPPA 같은 아동 보호 규제 준수에도 필수 【오답 체크】 (A) Rekognition은 이미지 분석 서비스 (B) Playground는 프롬프트 테스트 UI (D) Agents는 태스크 자동화 오케스트레이션 【시험 포인트】 ▸ 아동 보호+생성형 AI=Guardrails 필수. Responsible AI의 사회적 책임 측면 강조

해설

【핵심 용어】 ▸ GAN(생성 적대 신경망)—생성자와 판별자가 경쟁하며 실제와 구분 불가능한 합성 데이터 생성. 데이터 프라이버시·부족 문제 해결 【정답 포인트】 ▸ 합성 데이터 생성=GAN의 핵심 용도. 기존 데이터 분포를 학습해 새로운 샘플 생성하므로 데이터 이미테이션의 표준 방법 【오답 체크】 (B) XGBoost는 부스팅 기반 분류·회귀 (C) ResNet은 이미지 분류 아키텍처 (D) WaveNet은 음성 합성 특화 【시험 포인트】 ▸ 합성 데이터=GAN 또는 확산 모델. GAN은 고전이지만 시험 출제 빈도 높음

해설

【핵심 용어】 ▸ SageMaker Canvas—노코드 ML 플랫폼. 드래그&드롭으로 몇 번의 클릭만으로 자동 모델 학습·예측 수행. 수요 예측 템플릿 내장 【정답 포인트】 ▸ 코딩 무경험+수요 예측=Canvas 정답. GUI 기반 멀티 채널 데이터 통합, 자동 피처 엔지니어링, 모델 자동 선택·학습·배포까지 One-Click 【오답 체크】 (A) S3+SageMaker는 SDK·스크립트 코드 필요 (B) Data Wrangler도 코딩 필요 (C) Personalize Trending-Now는 추천 추세 분석 【시험 포인트】 ▸ 노코드 ML=Canvas. 비기술인 사용자 대상 도구 선택의 핵심 차별점

해설

【핵심 용어】 ▸ Sampling Bias(표본 편향)—학습 데이터가 모집단의 다양성을 충분히 대표하지 못함. 특정 인종·성별 집단이 과소 표현되면 얼굴 인식 도메인에서 불공정 결과 발생 【정답 포인트】 ▸ 특정 집단에 대한 불공정한 결과=학습 데이터의 표본 비대표성. 근본 해결은 균형 잡힌 다양한 샘플 확보 【오답 체크】 (A) Measurement Bias는 데이터 수집 기구의 왜곡 (C) Observer Bias는 인간 평가자의 주관적 판단 (D) Confirmation Bias는 선입견 확인 【시험 포인트】 ▸ 특정 집단 차별=Sampling Bias. 얼굴 인식·생체 인식 도메인 시험 빈출

해설

【핵심 용어】 ▸ Reinforcement Learning(강화학습)—에이전트가 행동→보상→정책 업데이트 반복으로 성과 극대화. RLHF는 인간 피드백으로부터의 학습 【정답 포인트】 ▸ "스스로 학습·개선" 키워드=외부 정책 없이 피드백 기반 자동 업데이트 구조. 강화학습만이 반복적 개선 루프와 자동 적응 지원 【오답 체크】 (A) 수동 큐레이션 지도학습은 정적 데이터셋 기반—배포 후 자가개선 부재 (C) 클러스터링은 응답 생성 메커니즘 아님 (D) FAQ 지도학습은 수동 업데이트 필요 【시험 포인트】 ▸ "자가개선"+"피드백"=강화학습 패턴. RLHF가 LLM 시대의 표준 기법

해설

【핵심 용어】 ▸ Confusion Matrix(혼동 행렬)—다중 클래스 분류에서 예측값 vs 실제값을 2차원 행렬로 표현. TP·FP·FN·TN 동시 파악 【정답 포인트】 ▸ 분류 모델 성능 평가의 1차 도구=혼동 행렬이 표준. 다중 클래스 문제에서 클래스별 상세 오분류 패턴 정확 파악 가능 【오답 체크】 (B) 상관 행렬은 피처 간 선형 관계 분석—분류 모델 성능 평가와 무관 (C) R² score는 회귀 모델 지표 (D) MSE는 회귀 모델의 손실함수 【시험 포인트】 ▸ 분류(Classification)↔회귀(Regression) 성능 지표 구분 필수

해설

【핵심 용어】 ▸ Content Moderation API—생성된 콘텐츠를 실시간 자동으로 스캔해 성인물·폭력·혐오 등 부적절 콘텐츠 탐지·차단 【정답 포인트】 ▸ "부적절 이미지 방지"=생성 완료 후 사후 필터링·검증 필요. 실시간 자동 검사·블로킹=모더레이션 API의 정의적 역할 【오답 체크】 (B) 모델 재학습은 시간·데이터 막대 (C) 검증 수행은 배포 후 지속적 차단 불가능 (D) 피드백 자동화는 사후 대응 【시험 포인트】 ▸ "생성 AI 출력 부적절성 차단"=Moderation API 직결. Responsible AI의 핵심 기술