정답 · 해설

해설

【핵심 용어】 ▸ SageMaker Clarify—편향 탐지(feature importance, permutation importance) 및 SHAP 기반 예측별 설명 리포트 생성. 각 대출 승인 결정의 피처 영향도 정량 분석. 【정답 포인트】 ▸ '편향 감지'+'예측 설명' 동시=SageMaker Clarify. 대출 승인의 규제(금융감독) 요구사항 충족. 모니터링 대시보드로 모델 드리프트 감시. 【오답 체크】 (B)Data Wrangler—데이터 전처리·정제, 편향 분석 기능 제한적 / (C)Model Cards—메타데이터 문서화, 편향 감지·설명 기능 X / (D)AI Service Cards—AWS 제공 서비스용 【시험 포인트】 ▸ SageMaker Clarify='편향+설명성' 2가지 Responsible AI 요구사항을 동시 충족하는 유일 도구.

해설

【핵심 용어】 ▸ BERTScore—생성된 요약과 참조 요약의 문맥적·의미적 유사도를 BERT 토큰 임베딩으로 측정. N-gram 겹침 기반 ROUGE보다 의미 이해도 높음. 자동 평가 표준 【정답 포인트】 ▸ 생성형 요약 자동 평가=BERTScore. Bedrock 평가 시 의미 기반 유사도 중요. BLEU, ROUGE는 의역 과소평가 【오답 체크】 (A)AUC는 분류 모델 평가(생성작업 무관), (B)F1 score는 분류·QA 정확도(요약 품질 측정 X), (D)RWK는 표준 평가 지표 아님 【시험 포인트】 ▸ NLG 작업(요약, 번역, 대화)은 의미기반 지표(BERTScore), 분류는 정확도·F1, 회귀는 RMSE 선택

해설

【핵심 용어】 ▸ k-NN(k-Nearest Neighbors)—샘플 주변 k개 가장 가까운 훈련 샘플의 클래스 라벨 다수결로 분류. 거리 기반 비모수 방법. Iris 데이터셋 전형 예제 【정답 포인트】 ▸ 꽃잎·꽃받침 4개 연속형 피처로 3~4개 종류 분류=k-NN 최적. 유클리드 거리 기반 공간 이웃 찾아 분류. 소규모 데이터셋에 효과적 【오답 체크】 (B)K-means는 비지도 클러스터링(라벨 불필요), (C)ARIMA는 시계열 예측, (D)Linear Regression은 연속값 회귀 【시험 포인트】 ▸ k-NN은 소규모+명확 라벨+저차원 분류 선택지. 연산 효율은 낮지만 정확도 높음

해설

【핵심 용어】 ▸ AWS KMS(Key Management Service)—암호화 키 생성·관리·회전·감사 중앙 서비스. 고객 관리형 키(CMK)로 S3, EBS, RDS 등 다양 AWS 서비스 암호화 가능 【정답 포인트】 ▸ 사용자 관리 암호화 키로 Bedrock 커스텀 모델 산출물 암호화=AWS KMS. 모델 가중치·메타데이터를 사용자 CMK로 보호. 규제·보안 요구사항 충족 【오답 체크】 (B)Inspector는 취약점 스캔, (C)Macie는 민감데이터 분류(암호화 키 관리 X), (D)Secrets Manager는 자격증명 관리 【시험 포인트】 ▸ 암호화 키 관리→KMS, 민감데이터 발견→Macie, 자격증명→Secrets Manager 구분

해설

【핵심 용어】 ▸ Text Generation—프롬프트를 받아 완전히 새로운 텍스트를 처음부터 생성. 코드 생성은 자연어 주석→프로그래밍 언어 코드 변환 【정답 포인트】 ▸ 주석에서 코드 생성=Text Generation(새 텍스트 창출). Completion은 부분집합이지만 생성의 광의. 코드 생성은 내용·로직 개발이므로 생성에 분류 【오답 체크】 (A)Summarization은 기존 텍스트 축약, (C)Completion은 불완전 입력 이어 완성(부분 생성), (D)Classification은 텍스트 라벨 할당 【시험 포인트】 ▸ LLM 기능 구분: 요약(축약), 생성(창출), 완성(이어쓰기), 분류(라벨), 번역, QA, 추론

해설

【핵심 용어】 ▸ ROUGE(Recall-Oriented Understudy for Gisting Evaluation)—생성 텍스트와 참조 텍스트 간 n-gram·부분수열·단어 겹침 비율 측정. 요약·패러프레이징·문법 개선 평가 표준 【정답 포인트】 ▸ 예시 데이터와 유사성 평가=ROUGE. 참조 예시 문장과 생성 문장 비교로 재작성 품질 정량화. ROUGE-L, ROUGE-1 등 다양 변형 【오답 체크】 (A)Loss function은 학습 과정 내부 손실값(평가 지표 아님), (B)Semantic robustness는 적대공격 견고성, (D)지연시간은 추론 속도 【시험 포인트】 ▸ NLG 평가: ROUGE(요약·재작성), BERTScore(의미), BLEU(번역), METEOR(다중참조)

해설

【핵심 용어】 ▸ Negative Prompt—이미지에 '포함하지 말 것' 요소를 명시적으로 나열. 원치 않는 스타일, 객체, 색상, 품질(blurry, low quality 등) 배제해 생성 정확도 향상 【정답 포인트】 ▸ 무관한 이미지 생성 감소=Negative prompt 활용. Positive prompt만으로는 모델 자유도 커 무관 생성. Negative로 금지 항목 명시하면 제약 강화→정확도↑ 【오답 체크】 (A)Zero-shot은 예시 없이 직접 지시(제어 불가), (C)Positive prompt는 원하는 요소만(배제 기능 X), (D)모호한 프롬프트는 문제 악화 【시험 포인트】 ▸ 이미지 생성 기법: Positive(원하는 것), Negative(배제), Few-shot(예시), Weight(강조도) 조합

해설

【핵심 용어】 ▸ 카테고리별 템플릿 프롬프트—제품 유형마다 고정 템플릿+출력 형식(길이, 톤, 구조) 명시. 일관성·확장성 확보하면서 편향 감소 【정답 포인트】 ▸ 짧고 기능 중심+대량 제품=카테고리별 템플릿 프롬프트. 전자제품은 사양·사용 장점, 의류는 소재·핏·스타일 구조화. 일관된 품질·형식 보장 【오답 체크】 (A)단일 프롬프트+편집은 검수 비용 투입 필요, (C)다양한 기능은 목표 흐려짐, (D)제품별 개별 프롬프트는 수백만 제품 시 불가능 【시험 포인트】 ▸ 프롬프트 엔지니어링 확장성: 개별 커스터마이즈보다 템플릿화·자동화. 비용+품질 트레이드오프에서 템플릿 최적

해설

【핵심 용어】 ▸ Overfitting(과적합)—모델이 학습 데이터 노이즈까지 학습해 훈련 정확도는 높지만 미지 데이터 일반화 실패. 해결: 복잡도↓(정규화, 드롭아웃, 조기중단) 【정답 포인트】 ▸ Overfit 완화=정규화(Regularization) 파라미터 증가. λ 커질수록 가중치 제약→모델 단순화→신규데이터 일반화 향상. L2(Ridge)는 균등축소, L1(Lasso)은 피처선택 【오답 체크】 (A)정규화 감소는 복잡도 증가→overfit 심화, (C)피처추가는 복잡도 증가 가능성, (D)Epoch 증가는 과도 학습 【시험 포인트】 ▸ 진단: 훈련 높음+테스트 낮음=Overfit(정규화↑), 둘 다 낮음=Underfit(학습↑)

해설

【핵심 용어】 ▸ Aurora PostgreSQL + pgvector 확장—PostgreSQL 기반 관계형 DB에 pgvector 플러그인으로 벡터 컬럼 지원. L2/코사인 거리 기반 nearest neighbor 검색 【정답 포인트】 ▸ LLM 임베딩 벡터 저장+검색=Aurora PostgreSQL(pgvector). RAG 아키텍처에서 질의 임베딩과 유사 대화 문맥 검색. 관계형+벡터 혼합 쿼리 가능 【오답 체크】 (A)Athena는 S3 분석 도구(벡터 검색 미지원), (C)Redshift는 데이터웨어하우스(벡터 미지원), (D)EMR은 빅데이터 플랫폼 【시험 포인트】 ▸ 벡터 DB 선택: 관계형+벡터→Aurora, 검색 최적→OpenSearch, NoSQL→DynamoDB

해설

【핵심 용어】 ▸ Model Complexity ↔ Interpretability 트레이드오프—단순 모델(선형회귀, 트리)은 피처 기여도 직관적 이해 용이. 복잡 모델(딥러닝, 앙상블)은 블랙박스로 예측 원인 불명확 【정답 포인트】 ▸ 대출 설명 가능성의 핵심 결정 인자=모델 복잡도. 금융감독에서 FM 기반 대출은 승인/거절 이유 설명 필수. 복잡도↑→설명성↓ 【오답 체크】 (B)학습시간은 리소스 효율(설명성 무관), (C)하이퍼파라미터는 튜닝 복잡도, (D)배포시간은 운영 효율 【시험 포인트】 ▸ Responsible AI: 모델 단순화 또는 사후 해석(SHAP, LIME). 규제산업은 단순+설명가능 모델 선호

해설

【핵심 용어】 ▸ Text Summarization=LLM 대표 생성 유스케이스. Bedrock의 Claude, Titan 등 기초 모델로 긴 약물 리뷰를 간결한 핵심 요약으로 변환 【정답 포인트】 ▸ 신약 리뷰 자동 요약=Bedrock LLM. 수백~수천 단어 리뷰에서 핵심 부작용·효능·피드백을 짧은 문장으로 추출. 사람 검토 시간 절감 【오답 체크】 (A)Personalize는 추천 엔진(요약 무관), (C)SageMaker 분류는 감정 라벨 부여(요약 생성 X), (D)Rekognition은 이미지 분석 【시험 포인트】 ▸ AWS AI 서비스: 텍스트 생성→Bedrock, 감정/엔티티→Comprehend, 추천→Personalize, 이미지→Rekognition

해설

【핵심 용어】 ▸ Logistic Regression—각 피처에 명시적 계수(가중치) 할당. 계수값 변경으로 모델 동작 직접 제어 가능. 비즈니스 사용자가 도메인 지식으로 계수 조정 【정답 포인트】 ▸ 직원이 수동으로 가중치 조정=Logistic Regression. 피처별 로짓 계수가 투명해 사람이 이해하고 수정 가능. 리드 점수 재계산 즉시 반영 【오답 체크】 (B)딥러닝+PCA는 가중치 숨겨진 심층 레이어 분산, (C)k-NN은 학습 가중치 개념 없음, (D)신경망은 수천 가중치 중첩 【시험 포인트】 ▸ 해석가능+조정가능 요구→선형 모델(Logistic, Linear Regression). 성능 우선이면 복잡 모델

해설

【핵심 용어】 ▸ ML Lifecycle 표준 단계—비즈니스 목표→데이터 수집→EDA→전처리→피처엔지니어링→학습→평가→배포→모니터링→재학습(반복) 【정답 포인트】 ▸ 성공적 ML 애플리케이션=체계적 단계 준수. 비즈니스 목표부터 시작하지 않으면 기술 낭비. 데이터 품질 없으면 쓰레기 입력→출력. 배포 후 모니터링 없으면 드리프트 방치 【오답 체크】 (B) (C)단계 누락과 순서 오류(비즈니스 목표 미정의), (D)목표만 정의하고 실행 안 함 【시험 포인트】 ▸ AWS Well-Architected: 사업이해→데이터준비→학습→배포→모니터링→피드백. 각 단계 책임자·체크리스트 명확

해설

【핵심 용어】 ▸ Business Alignment—FM의 기술 성능(정확도·레이턴시)이 아닌, 비즈니스 KPI(전환율·만족도·수익)와의 정렬성으로 평가. 모델이 정해진 유스케이스에 실제로 도움이 되는지 검증 【정답 포인트】 ▸ 비즈니스 효과 판단=유스케이스와의 정렬성 평가. 기술 지표(벤치마크)는 일반성능일 뿐 비즈니스 가치 보장 X 【오답 체크】 (A)벤치마크는 표준 성능(비즈니스 무관), (B)아키텍처는 기술 세부사항, (D)리소스 비용은 인프라 효율 【시험 포인트】 ▸ 유스케이스-KPI 연결: FM 평가의 핵심은 '이 모델이 우리 비즈니스 문제를 푸는가?'

해설

【핵심 용어】 ▸ Supervised Learning—레이블이 있는 데이터셋으로 입력-출력 매핑 학습. 분류·회귀 문제의 표준 접근 【정답 포인트】 ▸ 레이블이 있는 대규모 데이터=지도학습이 최적. 이미지-클래스 쌍이 사전 정의되었으므로 지도학습으로 분류 모델 직접 학습 가능 【오답 체크】 (B)비지도학습은 레이블 없이 패턴 발견(본 문제는 레이블 있음), (C)강화학습은 보상 기반, (D)Active Learning은 레이블 우선순위 학습 【시험 포인트】 ▸ 레이블 존재=지도학습. '추가 라벨 안 함' 조건은 Active Learning과의 구분 핵심

해설

【핵심 용어】 ▸ Business Goal Identification—ML 라이프사이클 가장 초기 단계. 비즈니스 목표·규제환경(HIPAA·GDPR·금융규제)·윤리기준·허용리스크 정의 【정답 포인트】 ▸ 규제·컴플라이언스=가장 처음 결정되어야 함. 후속 단계(데이터수집·피처엔지니어링)에서 이미 제약으로 적용되어야 함 【오답 체크】 (A)Feature Engineering은 모델 입력 설계, (B)Model Training은 개발 단계, (C)Data Collection은 규제 준수 상태에서 실행 【시험 포인트】 ▸ 라이프사이클 첫 단계가 정책/규제 결정. AIF 시험에서 자주 출제되는 '순서' 문제

해설

【핵심 용어】 ▸ Continuous Training/Retraining—새로운 데이터 수집 시 주기적으로 모델 재학습해 성능 유지·향상. SageMaker Pipelines는 학습·검증·배포 자동화 【정답 포인트】 ▸ 정확도를 계속 개선=신규 데이터로의 주기적 재학습 필요. SageMaker가 이를 자동화할 수 있는 유일 선택지 【오답 체크】 (B)Personalize는 추천 시스템(수요예측 무관), (C)CloudWatch는 모니터링(학습 기능 없음), (D)Rekognition은 이미지 분석 【시험 포인트】 ▸ '계속 개선' 키워드=자동화된 재학습 파이프라인. SageMaker가 AWS 유일 ML 플랫폼

해설

【핵심 용어】 ▸ SageMaker Endpoints—관리형 추론 호스팅 서비스. OS패치·확장성·고가용성을 AWS가 모두 관리. Serverless Inference는 자동 확장·축소 【정답 포인트】 ▸ 서버·인프라 관리 없이=완전 관리형(Fully Managed) 추론 서비스. SageMaker Endpoint가 유일 선택지. EC2는 수동관리, EKS는 클러스터 관리 필요 【오답 체크】 (A)EC2는 인스턴스 레벨 관리(OS, 패치), (B)EKS는 Kubernetes 클러스터 관리 필요, (C)CloudFront+S3는 정적콘텐츠 【시험 포인트】 ▸ 'Serverless' 또는 '관리 없이'=SageMaker Endpoint. AWS 추론 서비스 구분

해설

【핵심 용어】 ▸ Bedrock Agents—LLM 기반 자율 에이전트. 타스크 분석→필요 API 호출→결과 통합 자동 수행. Knowledge Bases는 회사 문서 벡터화해 저장. RAG로 관련자료 검색 【정답 포인트】 ▸ 에이전트가 여러 도구(API·문서검색) 조합=Agents + Knowledge Bases. 둘이 함께 작동하는 구조. 클레임조회(API) + 문서검색(KB) + 답변생성 자동화 【오답 체크】 (A)Fraud Detector는 사기탐지(문서검색 무관), (C)Personalize는 추천시스템, (D)SageMaker 새 모델은 과잉설계 【시험 포인트】 ▸ Agents + KB는 Bedrock의 '복합업무 자동화' 표준 패턴. 단일도구보다 조합 활용