AIF-C01

정답 · 해설

각 문제의 정답과 상세 해설을 정리했습니다. 핵심 용어, 정답 근거, 오답 체크, 시험 포인트까지 읽으며 복습하세요.

5 / 23 페이지

문제 81

FM을 fine-tuning 할 때 지속 사전학습(ongoing pre-training)의 이점은?

A. 모델 복잡도 감소
B. 시간이 지나며 모델 성능 향상✓ 정답
C. 학습 시간 요건 감소
D. 모델 추론 시간 최적화

해설

【핵심 용어】 ▸ Ongoing Pre-training—기존 FM의 학습을 멈추지 않고 최신 도메인 데이터를 지속적으로 주입하여 모델 갱신. 시간 경과에 따른 도메인 변화에 적응. 【정답 포인트】 ▸ '지속'→시간 흐름에 따른 개선. 최신 데이터 반영으로 model drift 방지. 【오답 체크】 (A)복잡도 변화와 무관 / (C)오히려 추가 학습 비용 증가 / (D)추론 속도는 아키텍처 의존, 학습 방식 영향 X 【시험 포인트】 ▸ 'Continual Learning' vs '일회성 Fine-tuning' 구분. '시간 경과', '성능 유지'→Ongoing Pre-training.

문제 82

생성형 AI의 토큰이란?

A. 모델이 다루는 입출력 기본 단위(단어·subword·언어 단위)✓ 정답
B. 모델이 쓰는 단어·개념의 수학적 표현
C. fine-tune용 사전학습된 가중치
D. 모델에 주는 특정 지시·프롬프트

해설

【핵심 용어】 ▸ Token—LLM이 처리하는 최소 단위. 영어 1단어≈1~1.3 토큰, 한국어는 자모 단위로 토큰 수 증가. 토크나이저가 텍스트를 토큰으로 변환. 【정답 포인트】 ▸ 토큰 정의=모델의 입출력 '최소 처리 단위'. Bedrock·Claude 가격=입력+출력 토큰×단가. 【오답 체크】 (B)수학적 표현=Embedding/벡터 / (C)사전학습 가중치=Parameter / (D)지시=Prompt/System message 【시험 포인트】 ▸ '토큰 수' 문제=비용 계산, 컨텍스트 윈도우 관리 핵심. 언어별 토큰 수 차이—한국어>영어.

문제 83

Bedrock에서 LLM 추론 비용을 좌우하는 요소는?

A. 소비한 토큰 수✓ 정답
B. Temperature 값
C. LLM 학습에 쓰인 데이터 양
D. 총 학습 시간

해설

【핵심 용어】 ▸ Bedrock On-Demand 과금=(입력 토큰 수+출력 토큰 수)×모델별 단가. 추론 비용은 '소비한 토큰 량'만 반영. 【정답 포인트】 ▸ Bedrock 추론 가격=토큰 기반(Pay-as-you-go). 롱 출력=높은 비용. 【오답 체크】 (B)Temperature—생성 다양성 제어, 비용 무관 / (C) (D)학습 관련 비용은 벤더 흡수, 사용자 비용 아님 【시험 포인트】 ▸ 'Bedrock 비용 최적화' 패턴. '토큰 수 감축'→프롬프트 단축, 출력 길이 제한 전략.

문제 84

S3 데이터 → SageMaker Studio 노트북 흐름을 관리해야 한다. 어떤 솔루션인가?

A. Amazon Inspector로 Studio 모니터링
B. Amazon Macie로 Studio 모니터링
C. S3 엔드포인트가 있는 VPC 사용✓ 정답
D. S3 Glacier Deep Archive 사용

해설

【핵심 용어】 ▸ VPC Endpoint for S3—SageMaker Studio 노트북이 VPC 내에서 S3에 프라이빗 연결로 접근. 인터넷 게이트웨이 거치지 않아 인터넷 노출 제거. 【정답 포인트】 ▸ '흐름 관리'=네트워크 경로 제어→VPC Endpoint. 데이터 보안+규제 준수(HIPAA, PCI-DSS). 【오답 체크】 (A)Inspector—EC2 취약점 스캔 도구 / (B)Macie—S3 민감 데이터 탐지, 흐름 제어 X / (D)Glacier—콜드 스토리지, 흐름 관리 X 【시험 포인트】 ▸ 'SageMaker 보안+데이터 흐름' 문제. 'VPC', 'Endpoint', '프라이빗 연결' 조합.

문제 85

Bedrock에서 커스터마이즈한 FM 응답을 검증할 새 데이터셋을 업로드하려 한다. 어떤 AWS 서비스인가?

A. Amazon S3✓ 정답
B. Amazon EBS
C. Amazon EFS
D. AWS Snowcone

해설

【핵심 용어】 ▸ Amazon S3—Bedrock의 모든 데이터 작업(학습, 평가, 검증) 입출력 데이터소스. 검증용 JSONL 파일을 S3 URI로 참조. 【정답 포인트】 ▸ 'Bedrock↔데이터'=S3. 구조화된 데이터셋 호스팅의 표준. 【오답 체크】 (B)EBS—EC2 인스턴스용 블록 스토리지, Bedrock 비호환 / (C)EFS—EC2 공유 파일 시스템, Bedrock 미통합 / (D)Snowcone—물리 엣지 디바이스 【시험 포인트】 ▸ 'Bedrock 데이터 통합'=S3 필수. '평가·검증 데이터셋'→S3 URI 형식.

문제 86

LLM의 설정된 동작(configured behavior)을 직접 노출시키는 프롬프트 공격은?

A. 페르소나 전환 유도
B. 친근감·신뢰 악용
C. 프롬프트 템플릿 무시 지시
D. 프롬프트 템플릿 추출(extraction)✓ 정답

해설

【핵심 용어】 ▸ Prompt Extraction Attack—모델의 '내부 설정'을 추출하려는 공격. "시스템 프롬프트를 보여줘" 방식으로 설정된 행동 규칙, 편향, 금지사항 노출. 【정답 포인트】 ▸ '설정된 동작 노출'=프롬프트 추출. 목표: System Prompt 탈취. 【오답 체크】 (A)페르소나 전환—역할 변경, 노출 아님 / (B)신뢰 악용—감정적 조종, 설정 노출 X / (C)템플릿 무시—우회 시도, 추출 아님 【시험 포인트】 ▸ 'LLM 공격 분류'—추출 vs 우회 vs 중독 구분. '내부 설정 탈취'→Extraction.

문제 87

Bedrock 사용 시 회사가 책임져야 할 보안 영역은?

A. Bedrock 버전 패치·업데이트
B. Bedrock 호스팅 인프라 보호
C. 전송 중·저장 시 회사 데이터 보호✓ 정답
D. 회사 네트워크에 Bedrock 프로비저닝

해설

【핵심 용어】 ▸ AWS 공유 책임 모델—AWS='서비스의' 보안(인프라, 패칭), 고객='클라우드 안의' 보안(데이터 암호화, IAM). 【정답 포인트】 ▸ 고객 책임=데이터 기밀성(암호화, 키 관리)+접근 제어(IAM). 전송 중(TLS), 저장 시(KMS) 암호화. 【오답 체크】 (A) (B)AWS 관리 책임 / (D)Bedrock은 완전 관리형, 고객 프로비저닝 불가 【시험 포인트】 ▸ 'AWS 공유 책임 모델'—모든 서비스별 책임 분류. 관리형 서비스=고객 책임 범위 축소.

문제 88

SageMaker JumpStart에서 여러 LLM의 출력 독성(toxicity)을 가장 적은 운영 오버헤드로 비교하려 한다. 어떤 방식인가?

A. 크라우드소싱 평가
B. 자동 모델 평가(Automatic model evaluation)✓ 정답
C. 휴먼 워커 평가
D. RLHF

해설

【핵심 용어】 ▸ Bedrock/SageMaker Automatic Model Evaluation—독성, 정확도, F1, 편향 등을 내장 메트릭으로 자동 채점. 사람 개입 없어 비용·시간 최소. 【정답 포인트】 ▸ '최소 오버헤드'=자동화 평가. 다중 모델 비교→효율성 극대화. 【오답 체크】 (A) (C)크라우드소싱, 휴먼 워커=높은 비용·시간 / (D)RLHF—학습 기법, 평가 기법 아님 【시험 포인트】 ▸ 'SageMaker 평가 전략'—비용 vs 정확도 트레이드오프. '자동 평가'=대규모·빠른 스크리닝.

문제 89

FM의 안전 기능을 우회해 유해 콘텐츠를 만들려고 테스트한다. 어떤 보안 기법인가?

A. 학습 데이터 퍼징으로 취약점 탐지
B. DoS
C. 권한 있는 침투 테스트
D. Jailbreak✓ 정답

해설

【핵심 용어】 ▸ Jailbreak—모델의 안전 가드레일을 우회하여 금지된 응답(폭력, 혐오, 불법 조언)을 추출하려는 공격/테스트. 프롬프트 기법으로 활용. 【정답 포인트】 ▸ '안전장치 우회'=Jailbreak. 의도적 모델 남용→보안 취약점 발견. 【오답 체크】 (A)퍼징—자동 취약점 탐지 / (B)DoS—서비스 거부 공격 / (C)침투 테스트—일반 용어 【시험 포인트】 ▸ 'LLM 보안 테스트'—Jailbreak는 능동적 검증. 'Responsible AI' 보안 기둥.

문제 90

SageMaker 학습·추론을 인터넷 접근 없는 격리 환경에서 돌려야 한다. 어떤 솔루션인가?

A. SageMaker Experiments로 학습·추론
B. 네트워크 격리(network isolation) 옵션으로 학습·추론✓ 정답
C. SageMaker geospatial 암호화
D. 적절한 IAM role 연결

해설

【핵심 용어】 ▸ SageMaker Network Isolation—학습·추론 컨테이너의 모든 외부 네트워크 통신 차단. 인터넷 게이트웨이 불필요, VPC 내 프라이빗 서브넷에서만 실행. 【정답 포인트】 ▸ '인터넷 접근 차단'=Network Isolation. 격리+규제 준수(PCI-DSS, HIPAA). 【오답 체크】 (A)Experiments—실험 추적·시각화 도구 / (C)Geospatial—위성 이미지 처리 / (D)IAM—인증·인가, 격리 담당 X 【시험 포인트】 ▸ 'SageMaker 보안 옵션'—Network Isolation은 격리 전용. '인터넷 차단'→Isolation 패턴.

문제 91

ML 연구팀이 커스텀 모델을 다른 팀과 공유한다. 모델 감사(audit) 메커니즘을 위한 솔루션은?

A. 관련 정보를 문서로 S3에 저장
B. AWS AI Service Cards로 투명성 확보
C. SageMaker Model Cards 생성(용도, 학습·추론 상세)✓ 정답
D. 학습 스크립트를 Git 저장소에 커밋

해설

【핵심 용어】 ▸ SageMaker Model Cards—모델의 의도된 용도, 학습 데이터, 하이퍼파라미터, 성능, 제약, 편향 등을 표준 템플릿으로 문서화. 모델 공유·거버넌스 필수. 【정답 포인트】 ▸ '커스텀 모델 감시'=Model Cards(표준화). 투명성+추적성+거버넌스. 【오답 체크】 (A)자유 문서=표준화 부족, 감사 미충족 / (B)AI Service Cards—AWS 제공 서비스용 / (D)Git—코드 버전관리, 메타데이터 불포함 【시험 포인트】 ▸ 'Responsible AI+Model Governance'—Model Cards 필수. '공유·감시'→표준화된 메타데이터.

문제 92

개발 생산성을 위해 AI로 소프트웨어 도구를 만든다. 어떤 솔루션인가?

A. 코드 리뷰를 위한 이진 분류 모델
B. 개발자 도구에 코드 추천 소프트웨어 설치✓ 정답
C. 코드 이슈 예측 포캐스팅 도구
D. NLP로 코드 생성

해설

【핵심 용어】 ▸ Code Recommendation Tool(Amazon Q Developer, CodeWhisperer)—IDE 통합으로 실시간 코드 제안·자동완성 제공. LLM 기반 인텔리센스로 개발 속도 향상. 【정답 포인트】 ▸ '개발 생산성'=코드 추천 도구(IDE 통합). 실시간 지원→개발 반복 속도 증가. 【오답 체크】 (A)코드 리뷰 분류—QA 자동화, 생산성 증대 X / (C)이슈 예측—위험 관리, 생산성 약함 / (D)NLP 코드 생성—가능하지만 IDE 통합도구가 더 실무적 【시험 포인트】 ▸ 'Developer Experience(DX)'—AI 보조 코딩 도구. '개발자 도구+통합'→Code Recommendation.

문제 93

소매점이 SageMaker DeepAR로 수요를 예측하려 한다. 어떤 데이터 타입이 필요한가?

A. 텍스트
B. 이미지
C. 시계열(Time series)✓ 정답
D. 이진

해설

【핵심 용어】 ▸ SageMaker DeepAR—RNN 기반 시계열 예측 알고리즘. 여러 시계열 데이터를 학습하여 미래 값 예측. 계절성, 트렌드, 의존성 자동 포착. 【정답 포인트】 ▸ 'DeepAR 전용'=시계열 데이터. 시간 축이 필수(timestamp+value). 【오답 체크】 (A)텍스트→NLP 모델(BERT, GPT) / (B)이미지→CNN(ResNet) / (D)이진 데이터→분류(로지스틱 회귀) 【시험 포인트】 ▸ '알고리즘 선택'—데이터 타입별 적절한 모델 매칭. '예측'→시계열=DeepAR.

문제 94

은행이 인구 집단별 대출 결정용 ML 시스템을 만든다. 편향 없는 모델을 만들려면?

A. 학습 데이터 크기 감소
B. 과거 결과와 일관되게 예측 보장
C. 인구 집단별로 다른 모델 생성
D. 학습 데이터의 클래스 불균형 측정 + 학습 과정 조정✓ 정답

해설

【핵심 용어】 ▸ Class Imbalance—학습 데이터에서 특정 인구 집단(소수 민족)의 샘플이 부족하면 모델이 다수 집단에 과적합되어 차별 발생. 해결: 언더샘플링, 오버샘플링, 클래스 가중치 조정. 【정답 포인트】 ▸ 편향 제거=불균형 측정+데이터/학습 조정. 통계적 패리티 달성. 【오답 체크】 (A)데이터 축소—편향 악화 / (B)과거 편향 이어받음 / (C)집단별 모델—명시적 차별(법적 위험) 【시험 포인트】 ▸ 'Responsible AI+Fairness'—금융·대출 필수. 'Bias Mitigation'=데이터 레벨 개입.

문제 95

프롬프트 인젝션 공격을 방어할 수 있는 프롬프트 기법은?

A. Adversarial prompting✓ 정답
B. Zero-shot prompting
C. Least-to-most prompting
D. Chain-of-thought prompting

해설

【핵심 용어】 ▸ Adversarial Prompting—공격 시나리오를 프롬프트에 미리 삽입하여 모델이 탐지·거부하도록 지시·훈련. 모델의 방어 능력 강화. 【정답 포인트】 ▸ '인젝션 방어'=적대적 프롬프트 설계. 선제적 위협 인식+거부 규칙. 【오답 체크】 (B)Zero-shot—예제 없는 기본 프롬프팅 / (C)Least-to-most—단계적 분해(추론 개선) / (D)CoT—논리적 사고 표현 【시험 포인트】 ▸ 'LLM 보안+Prompt Engineering'—방어 기법 구분. '적대적 설정'=Adversarial 특징.

문제 96

헬프데스크용으로 fine-tuned LLM의 정확도 향상 평가 지표는?

A. Precision
B. Time to first token
C. F1 score✓ 정답
D. Word error rate

해설

【핵심 용어】 ▸ F1 Score—Precision과 Recall의 조화평균. 클래스 불균형이 있거나 거짓 양성·음성을 동시 최소화해야 하는 헬프데스크 QA에 필수적 평가 지표. 【정답 포인트】 ▸ LLM fine-tuning 정확도=Precision 단독보다 Recall 균형을 맞춘 F1이 정확함. 모든 질문 포착+오답 최소화 모두 필요. 【오답 체크】 (A)Precision만으로는 불완전 / (B)Time to first token—응답 지연도(속도), 정확도 아님 / (D)Word Error Rate—음성인식·기계번역 지표 【시험 포인트】 ▸ 정확도 평가='정밀도 vs 재현율' 트레이드오프 인식. 균형 지표 F1의 중요성.

문제 97

Bedrock + Stable Diffusion으로 RAG 기반 제품 이미지 생성 시 결과가 불특정·디테일 부족하다. 특정성을 높이려면?

A. generation step 수 증가
B. MASK_IMAGE_BLACK 옵션 사용
C. CFG scale(classifier-free guidance) 증가✓ 정답
D. prompt strength 증가

해설

【핵심 용어】 ▸ CFG Scale(Classifier-Free Guidance)—값이 높을수록 모델이 프롬프트에 더 엄격히 따르게 제어. 높으면 프롬프트와 정확히 일치하는 이미지, 너무 높으면 아티팩트 발생. 【정답 포인트】 ▸ 프롬프트 관련성 부족→특정성 향상=CFG scale 증가. RAG 검색 결과(제품 특성)를 정확히 따르도록 강제. 【오답 체크】 (A)Generation step—디테일과 수렴도 개선, 특정성 제어 아님 / (B)MASK_IMAGE_BLACK—인페인팅 옵션 / (D)Prompt strength—이미지-투-이미지 강도 【시험 포인트】 ▸ Stable Diffusion의 CFG scale=프롬프트-이미지 정렬(alignment) 강도 제어 핵심.

문제 98

자사 정책을 지식 베이스로 쓰는 고객지원 LLM 챗봇을 가장 비용 효율적으로 만들려면?

A. 정책 데이터로 LLM 재학습
B. 정책 데이터로 fine-tuning
C. RAG로 in-context 응답✓ 정답
D. 사전학습 + 데이터 증강

해설

【핵심 용어】 ▸ RAG(Retrieval Augmented Generation)—질의 시 벡터 DB/검색 엔진에서 관련 정책 문서 검색→프롬프트 콘텍스트 주입. 모델 학습 없이 신규·변경 정책 즉시 반영. 【정답 포인트】 ▸ 기업 정책 기반 고객지원 챗봇 최저 비용=RAG. 정책 벡터 DB만 갱신하면 즉시 반영으로 운영 효율성 극대. 【오답 체크】 (A)전체 재학습—연산 비용·시간 최대 / (B)Fine-tuning—초기 비용·정책 변경 시 재훈련 필요 / (D)사전학습+증강—초기 구축 비용 큼 【시험 포인트】 ▸ RAG='데이터 변경 빈도 높고 비용 효율성 최우선' 경우의 기본 선택지.

문제 99

AWS Glue를 쓰려는데 프로그래밍 경험이 거의 없다. 어떤 AWS 서비스가 도와줄 수 있는가?

A. Amazon Q Developer✓ 정답
B. AWS Config
C. Amazon Personalize
D. Amazon Comprehend

해설

【핵심 용어】 ▸ Amazon Q Developer—AWS AI 어시스턴트. 자연어 질문으로 Glue 스크립트 작성·최적화, 오류 디버깅, AWS 서비스 사용법을 코드와 함께 생성. 【정답 포인트】 ▸ 프로그래밍 미숙자의 AWS Glue 학습·코딩 지원=Amazon Q Developer. 자연어 기반 코드 생성으로 진입 장벽 제거. 【오답 체크】 (B)AWS Config—리소스 구성 감시 / (C)Amazon Personalize—추천 엔진 구축 / (D)Amazon Comprehend—텍스트 분석 서비스 【시험 포인트】 ▸ Amazon Q Developer=AWS 서비스 전반의 코딩·학습 보조 도구. 비개발자 역량 강화의 핵심 수단.

문제 100

모바일 ML 앱이 다양한 성별·인종·지역 사진으로 곤충 물림 진단을 위해 학습 셋을 구성한다. 어떤 Responsible AI 원칙인가?

A. Fairness✓ 정답
B. Explainability
C. Governance
D. Transparency

해설

【핵심 용어】 ▸ Fairness(공정성)—모델이 모든 인구통계 집단(성별, 인종, 지역)에 공평하고 차별 없이 작동. 학습 데이터의 다양화·균형화로 편향 제거. 【정답 포인트】 ▸ 다양한 인구통계 표본 포함=Fairness 실천. 곤충 물림 진단이 모든 피부색·지역의 사용자에게 동등 정확도 제공. 【오답 체크】 (B)Explainability—모델 의사결정 설명 가능성 / (C)Governance—AI 정책·책임 체계 / (D)Transparency—모델 활용·제한사항 공개 【시험 포인트】 ▸ Responsible AI 4대 원칙: Fairness(공정성)→데이터 다양화, Explainability(설명성)→해석 도구, Governance(거버넌스)→정책, Transparency(투명성)→공개.