정답 · 해설

해설

【핵심 용어】 ▸ Computer Vision—이미지·비디오에서 객체·결함·패턴을 자동 인식·분석. CNN, 트랜스포머로 픽셀 수준 특징 추출 【정답 포인트】 ▸ 이미지로 객체/결함 인식=Computer Vision의 정의 그 자체. 제조·의료 산업에서 가장 광범위 활용 【오답 체크】 (A)추천시스템은 사용자-아이템 상호작용, (B)NLP는 자연어 처리, (D)이미지 프로세싱은 전통 필터링(AI 학습과 다름) 【시험 포인트】 ▸ 제조/품질검사 + 이미지=Computer Vision. AI 응용 분야 분류 문제의 기본

해설

【핵심 용어】 ▸ SageMaker Automatic Model Tuning(AMT)—하이퍼파라미터 자동 최적화 서비스. Bayesian Optimization으로 최적값 탐색. 수동조정 불필요 【정답 포인트】 ▸ 완전 자동 튜닝=SageMaker의 고유 기능 AMT. 사용자가 탐색범위만 정의하면 자동으로 수백배치 실행·평가. ML 개발자 개입 최소화 【오답 체크】 (A)Personalize는 추천 전용(하이퍼파라미터 튜닝 불가), (C)Athena는 데이터 쿼리, (D)Comprehend는 사전학습 NLP 【시험 포인트】 ▸ SageMaker=AWS의 완전 ML 플랫폼. 학습·튜닝·배포 자동화가 차별점

해설

【핵심 용어】 ▸ Human-in-the-Loop(HITL)—모델 출력을 사람이 검수·피드백하는 반복 프로세스. 배포 후(후처리) 추가되는 품질 관리 메커니즘 【정답 포인트】 ▸ 후처리 단계 + 편향·독성 감소=HITL이 유일 정답. 생성 AI는 학습 데이터 편향 반복, HITL로 사후 검수·수정해 발생 확률 감소 【오답 체크】 (B)Data Augmentation은 학습 데이터 확대(전처리), (C)Feature Engineering은 입력 특징 설계, (D)Adversarial Training은 학습 중 적대예제 추가 【시험 포인트】 ▸ 후처리=HITL. AIF 시험에서 '라이프사이클 단계별 기법' 구분 출제 빈도 높음

해설

【핵심 용어】 ▸ Bias Mitigation via Data Diversification—학습 데이터 불균형을 보완한 다양한 샘플 추가로 fine-tuning 재시행. 기존 모델 기반이므로 저비용 【정답 포인트】 ▸ 비용 효율적 + 편향 해결=기존 fine-tuned 모델에 다양한 데이터 추가 재학습. 새 LLM 사전학습(고가) 대비 100배 이상 저비용 【오답 체크】 (B)RAG는 외부지식 주입(모델 내부 편향 제거 X), (C)Trusted Advisor는 AWS 인프라 최적화, (D)새 사전학습은 최고비용 【시험 포인트】 ▸ 편향 수정 계층: 데이터다양화(저비용)→RAG(중간)→새모델(고비용). '가장 비용효율적'=첫번째

해설

【핵심 용어】 ▸ Real-time Inference—즉시 응답 필요(밀리초 레이턴시). 항상 준비된 엔드포인트(비용 높음). Batch—대용량 일괄 처리, 수시간 지연 허용(저비용). Serverless—간헐 트래픽, 요청 없을 때 0비용 【정답 포인트】 ▸ 유스케이스별 다른 인퍼런스 모드 선택. 비용·레이턴시·트래픽 패턴에 따라 최적화 【오답 체크】 (B) (C) (D)모두 단일 모드만 사용은 실제로는 여러 팀 요구사항이 다르므로 각각 모드 필요 【시험 포인트】 ▸ HOTSPOT 문제: 실시간=Real-time, 야간=Batch, 간헐=Serverless 조합이 표준

해설

【핵심 용어】 ▸ AWS CloudTrail—모든 AWS API 호출을 로그 기록. Bedrock API 요청·응답 감사증적(audit trail) 제공. Amazon S3 Intelligent-Tiering—데이터 접근 패턴 분석해 자동으로 저비용 계층 이동 【정답 포인트】 ▸ API 로그 캡처=CloudTrail(필수), 5년 저비용 보관=S3 IT(자동계층화). 조합(AD)이 유일. 감사+경제성 동시달성 【오답 체크】 (B)CloudWatch는 단기 메트릭(기본 15개월, 5년 불리), (C)Audit Manager는 규정 평가(API 저장 기능 X), (E)S3 Standard는 상시요금 높음 【시험 포인트】 ▸ 복합선택: 감사(CloudTrail) + 경제성(S3 IT). 각 서비스 역할 이해 중요

해설

【핵심 용어】 ▸ Amazon Personalize — 실시간 개인화 추천 관리형 서비스. 사용자 행동(클릭, 구매)로 상품·콘텐츠 개인화. 【정답 포인트】 ▸ '맞춤 검색 추천' = 사용자별 개인화 추천. Personalize는 AWS 유일의 완전 관리형 추천 서비스. 【오답 체크】 (B) Kendra는 엔터프라이즈 문서 검색, 개인화 기능 없음. (C) Rekognition은 이미지 분석, 상품 추천과 무관. (D) Transcribe는 음성 인식, 검색과 무관. 【시험 포인트】 ▸ 개인화 추천 = Personalize. 기초 문제.

해설

【핵심 용어】 ▸ Data Residency — 특정 지리·법적 경계 내에 데이터 저장·처리되어야 한다는 규정. GDPR, HIPAA, 개인정보보호법. 【정답 포인트】 ▸ '민감 데이터가 국가 밖으로 나가면 안 됨' = Data Residency의 정의. 규제 준수 핵심. 【오답 체크】 (B) Data Quality는 데이터 정확도, 지역 제약과 무관. (C) Data Discoverability는 데이터 접근성, 위치와 무관. (D) Data Enrichment는 외부 데이터 추가, 거버넌스 유형과 다름. 【시험 포인트】 ▸ Data Residency는 규제 컴플라이언스의 기본. AIF 데이터 거버넌스 빈출 문제.

해설

【핵심 용어】 ▸ Amazon CloudWatch — 메트릭·로그·알람을 통합 모니터링. SageMaker 모델 성능(지연, 에러율) 수집. 【정답 포인트】 ▸ '고가용성으로 모니터링' = 스케일 가능한 관리형 모니터링. CloudWatch가 AWS 표준. 【오답 체크】 (B) CloudTrail은 API 감사 로그, 성능 메트릭 수집 아님. (C) Trusted Advisor는 구성 권고, 실시간 모니터링 아님. (D) AWS Config는 리소스 변경 추적, 성능 메트릭과 무관. 【시험 포인트】 ▸ 모니터링 = CloudWatch. 감사(CloudTrail), 권고(Advisor), 구성(Config)과 구분.

해설

【핵심 용어】 ▸ Chain-of-Thought (CoT) Prompting — "단계별로 생각해봐" 지시로 모델의 중간 추론을 명시적 출력 유도. 【정답 포인트】 ▸ '단계별 사고 과정 보여줘' = CoT의 핵심 지시문. 이 명령어는 CoT 직접 활용. 【오답 체크】 (B) Prompt Injection은 악의적 입력으로 모델 변경, 공격 기법. (C) Few-shot Prompting은 예시 제공, CoT와 독립적. (D) Prompt Templating은 템플릿 재사용 구조, CoT와 다름. 【시험 포인트】 ▸ '단계 설명' 요구 = CoT. 생성 AI 프롬프트 기법 중 가장 효과적.

해설

【핵심 용어】 ▸ Amazon Bedrock — 다양한 FM 벤더(Claude, Cohere, Llama, Titan)의 모델을 단일 API로 제공하는 완전 관리형 서비스. 【정답 포인트】 ▸ 'FM을 제공해 생성 AI 앱 빌드·확장' = Bedrock의 정의. AWS 생성 AI 서비스의 중심축. 【오답 체크】 (A) Amazon Q는 IDE 내 코드 보조 도우미, FM 호스팅 아님. (C) Kendra는 엔터프라이즈 문서 검색, FM 호스팅 아님. (D) Comprehend는 NLP 특화, FM 다중 모델 제공 아님. 【시험 포인트】 ▸ Bedrock = AWS 생성 AI의 허브. 전략적 위치.

해설

【핵심 용어】 ▸ Speech Recognition (STT) — 음성 입력을 텍스트로 변환. 딥러닝 신경망(LSTM, Transformer) 기반. 【정답 포인트】 ▸ '음성 입력·음성 응답' = STT + TTS(Text-to-Speech) 조합. 딥러닝이 기술 기반. 【오답 체크】 (B) 숫자 패턴 탐색은 시계열 분석, 음성과 무관. (C) 요약형 생성 AI는 텍스트 요약, 음성 입출력과 다름. (D) 이미지 분류는 Computer Vision, 음성과 무관. 【시험 포인트】 ▸ 음성 입출력 = Speech Recognition. 접근성·포용성 문제에서 빈출.

해설

【핵심 용어】 ▸ Chain-of-Thought (CoT) Prompting — 복잡한 추론 시 모델이 "단계별 설명", "중간 과정"을 출력하도록 유도. 【정답 포인트】 ▸ '상세 추론·단계 설명 필요' = CoT의 핵심 사용 사례. 복잡 문제 해결에 가장 효과적. 【오답 체크】 (A) Few-shot은 예시 제공, 추론 단계와 무관. (B) Zero-shot은 예시 없이 직접 질문, 단계 설명 없음. (C) Directional Stimulus는 힌트 제공, CoT보다 약한 효과. 【시험 포인트】 ▸ 복잡 문제 + 단계 설명 = CoT. 프롬프트 기법별 사용 사례 구분 필수.

해설

【핵심 용어】 ▸ Continuous Pre-training — 새로운 도메인 데이터와 최신 정보를 정기적으로 모델 학습에 반영하는 전략. 【정답 포인트】 ▸ '최신 데이터로 관련성 유지' = Continuous Pre-training이 정답. 일회성이 아닌 반복 갱신 패턴. 【오답 체크】 (A) Batch learning은 일괄 처리, 주기성 없음. (C) Static training은 일회 학습 후 고정, 갱신 불가. (D) Latent training은 표준 용어 아님. 【시험 포인트】 ▸ 모델 최신성 유지의 핵심 기법. Continuous vs. Static 구분 필수.

해설

【핵심 용어】 ▸ Supervised Learning — 라벨된 데이터로 분류·회귀 학습. ▸ Unsupervised Learning — 라벨 없이 클러스터링·패턴 발견. ▸ Reinforcement Learning — 보상·벌칙으로 에이전트 최적화. 【정답 포인트】 ▸ 라벨된 분류 → Supervised / 군집 → Unsupervised / 게임 에이전트 → Reinforcement. 각 유스케이스의 특성에 맞는 정확한 매칭. 【오답 체크】 (B), (C), (D)는 모든 문제에 단일 패러다임 적용으로 명백 오류. 【시험 포인트】 ▸ HOTSPOT 드래그 매칭. 세 가지 ML 패러다임의 특성 이해 필수.

해설

【핵심 용어】 ▸ AI Governance Framework — 신뢰 구축·인간중심 AI 배포를 위한 정책·가이드라인 집합. 데이터·투명성·Responsible AI·컴플라이언스 포괄. 【정답 포인트】 ▸ 거버넌스 = 정책·규범 수립. 조직적 실행 프레임워크 개발이 특성. 비즈니스 확장과 별개. 【오답 체크】 (A), (B), (C)는 모두 비즈니스 활동으로 실행 단계. 거버넌스의 기초가 되지만 프레임워크 자체 특성 아님. 【시험 포인트】 ▸ 거버넌스의 정의 — 정책·가이드라인 수립. 실행 활동과 구분.

해설

【핵심 용어】 ▸ Cost per Conversation — 챗봇 총 운영 비용을 처리한 대화 건수로 나눈 단위당 비용 지표. 【정답 포인트】 ▸ '재무 효과 측정' = 비용을 산출량(대화)으로 정규화한 비율. 구성원당 비용·처리비용 효율성 직결. 【오답 체크】 (A) 처리 문의 수는 절대값, 비용 미포함. (B) 학습 비용은 초기 구축 비용만 해당. (D) AHT는 시간 효율, 재무 효과 아님. 【시험 포인트】 ▸ 재무 지표 선택 — 단위당 비용(Unit Economics). 절대값 아닌 비율 지표.

해설

【핵심 용어】 ▸ K-means — 비지도학습(Unsupervised) 클러스터링 알고리즘. 고객 세그먼테이션, 행동 그룹화에 표준 적용. 【정답 포인트】 ▸ '라벨 없이 그룹화' → 비지도학습. '최적 군집' → K-means가 정석. 인구통계·구매 패턴의 자연 그룹화. 【오답 체크】 (A) k-NN은 이웃 기반 분류(지도학습). (C) Decision tree는 계층적 분류(지도). (D) SVM은 초평면 기반 분류(지도). 【시험 포인트】 ▸ 지도 vs. 비지도 구분. 그룹화=클러스터링=K-means 연쇄 이해.

해설

【핵심 용어】 ▸ Temperature 파라미터 — 모델의 다양성·창의성 제어. 낮을수록 확률 높은 '안전한' 토큰 선택. 환각은 확률 낮은 토큰 선택 때문. 【정답 포인트】 ▸ 'Temperature ↓ → 모델이 확신 높은 응답만 선택 → 환각 확률 ↓'. 추론 단계의 간단한 파라미터 조정으로 즉각 효과. 【오답 체크】 (A) Agents는 작업 오케스트레이션, 환각 제어 아님. (B) 데이터 전처리는 학습 단계 개입 필요. (D) 완전 환각 없는 FM 존재하지 않음. 【시험 포인트】 ▸ 추론 파라미터 활용. Temperature의 정확한 역할 이해.

해설

【핵심 용어】 ▸ LLM은 Stateless — 각 호출 시 이전 상태 기억 안 함. 멀티턴 대화는 매 요청마다 이전 메시지를 프롬프트에 포함해야 함. 【정답 포인트】 ▸ '대화 맥락 유지' = 이전 메시지를 프롬프트에 누적 전달. 애플리케이션 단계에서 히스토리 관리. 【오답 체크】 (A) 로깅은 기록만, 모델 입력에 미반영. (C) Personalize는 추천 시스템. (D) Provisioned Throughput는 처리량 예약. 【시험 포인트】 ▸ LLM의 무상태 특성. Conversation history를 프롬프트로 전달하는 기법.