정답 · 해설

해설

【핵심 용어】 ▸ Amazon Bedrock — 관리형 FM(Claude, Titan) 서비스. 맞춤형 텍스트 생성·설명·추천이 핵심 역할. 【정답 포인트】 ▸ '생성형 AI(텍스트 설명·추천)' = Bedrock FM 영역. 위치 정보 기반 프롬프트로 동적 응답 생성. 【오답 체크】 (A) Macie는 민감 데이터 탐지. (B) Transcribe는 음성→텍스트 변환. (D) Textract는 문서 OCR·데이터 추출. 【시험 포인트】 ▸ Bedrock의 생성형 AI 활용. 텍스트 생성 = Bedrock 연상.

해설

【핵심 용어】 ▸ Amazon Macie — S3에 자동 배포되는 관리형 서비스. PII(SSN, 신용카드)·민감 정보 자동 분류·탐지. EventBridge 연동으로 알림 자동화. 【정답 포인트】 ▸ 'S3 민감 정보 자동 감지 + 알림' = Macie 일인다역. 개발 노력 최소(설정만). 기성 알고리즘으로 정확도 검증됨. 【오답 체크】 (B), (C)는 직접 개발·배포 부담 큼. 정규식 유지보수 어려움. (D)는 조직 정책, 기술 솔루션 아님. 【시험 포인트】 ▸ Macie의 정확한 역할 — S3 데이터 보안 자동화. 최소 노력 원칙.

해설

【핵심 용어】 ▸ Zero-shot — 예시 0개, 지시만 제시. ▸ Few-shot — 2-10개 라벨된 예시 제공. ▸ Chain-of-Thought — '단계별 사고' 명시로 논리적 단계 유도. 【정답 포인트】 ▸ '라벨된 예시 5개 → Few-shot / 예시 없이 → Zero-shot / 단계별 → CoT'. 프롬프트 구조별 정확한 기법 매칭. 【오답 체크】 (B), (C), (D)는 모든 프롬프트에 동일 기법 적용으로 명백 오류. 상황에 따라 선택 필요. 【시험 포인트】 ▸ HOTSPOT 드래그 매칭. 프롬프트 기법의 정확한 정의·구분.

해설

【핵심 용어】 ▸ Bedrock Guardrails — Content filters(증오·폭력·성적), Denied topics(금지 주제), Sensitive info(PII 검출·마스킹), Word filters(특정 단어). 【정답 포인트】 ▸ '유해 콘텐츠 유형별 대응' — 내용 기반(증오)·정책 기반(금지)·민감성 기반(PII)으로 분류. Guardrails 설계의 핵심. 【오답 체크】 (B), (C), (D)는 모든 위협에 단일 필터 적용으로 오류. 각 필터는 고유 목적 수행. 【시험 포인트】 ▸ Bedrock Guardrails의 4가지 필터. 각 필터의 용도 정확히 숙지.

해설

【핵심 용어】 ▸ SageMaker Model Cards — 모델 메타데이터 표준 문서화 도구. 목적·학습 데이터·성능·제약·권고·위험 기술. 【정답 포인트】 ▸ 'Model Cards = 표준화된 모델 문서'. 팀 간 모델 이해 일관성 확보. Responsible AI·거버넌스 기초. 【오답 체크】 (A) 시각화는 부수 기능. (C) 계산 리소스와 무관. (D) 물리 저장 아님, 메타데이터 문서 도구. 【시험 포인트】 ▸ Model Cards의 정의 — 표준화된 모델 문서화. 거버넌스 도구로서의 역할.

해설

【핵심 용어】 ▸ F1 Score — Precision(검출 정확성)과 Recall(재현율)의 조화평균. F1 = 2 × (Precision × Recall) / (Precision + Recall). 【정답 포인트】 ▸ 'F1 = Precision & Recall 조화평균'. 불균형 데이터에서 균형 잡힌 품질 평가. 거짓양성·거짓음성 동시 고려. 【오답 체크】 (B) 응답 속도는 Latency. (C) 운영 비용은 TCO. (D) 에너지는 탄소 배출로 측정. F1과 무관한 차원. 【시험 포인트】 ▸ F1 score의 정의. Precision-Recall 트레이드오프 이해.

해설

【핵심 용어】 ▸ RAG(Retrieval-Augmented Generation) — 질의 시 최신 FAQ 문서를 실시간 검색해 프롬프트에 주입. 문서 업데이트만으로 반영, Fine-tuning 없음. 【정답 포인트】 ▸ '자주 바뀌는 지식 + 저비용' = RAG 필수. 문서 교체로 즉시 적용. 모델 재학습 비용·시간 제로. 【오답 체크】 (A), (B), (C)는 정기적 학습·학습 비용 반복 필요. FAQ 변화 속도를 따라가기 어려움. 【시험 포인트】 ▸ RAG의 강점 — 동적 데이터 처리. Fine-tuning과의 비용 대비.

해설

【핵심 용어】 ▸ Fairness(공정성) — 특정 집단 대표성 부족 → 모델 편향 → 차별 가능성. Responsible AI 핵심 원칙. 【정답 포인트】 ▸ '대표성·차별 문제' = Fairness 영역. 데이터 불균형이 모델 편향으로 전이. 법적·윤리적 위험. 【오답 체크】 (B) Explainability는 의사결정 이유 설명. (C) Privacy는 개인정보 보호. (D) Transparency는 정보 공개. 모두 다른 차원. 【시험 포인트】 ▸ Responsible AI 4대 원칙 — Fairness, Explainability, Privacy, Transparency. 시나리오별 정확한 분류.

해설

【핵심 용어】 ▸ AWS Audit Manager — 컴플라이언스 프레임워크(PCI-DSS·ISO·SOC2) 자동 매핑. 감사 증거 수집·보고. ▸ AWS Config — 리소스 구성 이력·변경 추적·규정 자동 평가(Config Rules). 【정답 포인트】 ▸ '컴플라이언스 평가' = Audit Manager(정책 매핑) + Config(리소스 규정 준수). 지속적 모니터링과 증거 자동화. 감시 + 검증 투트랙. 【오답 체크】 (C) Inspector는 EC2 취약점 스캔. (D) CloudWatch는 메트릭·로그 모니터링. (E) CloudTrail은 API 감사 기록. 컴플라이언스 평가 도구 아님. 【시험 포인트】 ▸ 다중선택 — Audit Manager와 Config의 역할 구분. 규제 준수 거버넌스 스택.

해설

【핵심 용어】 ▸ Prompt Engineering — 모델 가중치·인프라 수정 없이 프롬프트 구조·지시·예시 개선으로 품질 향상. 거의 무료, 즉각 적용, 반복 개선 간단. 【정답 포인트】 ▸ '정확도 ↑ + 최소 비용' = 프롬프트 엔지니어링. Zero/Few-shot, CoT, RAG 활용. 모델 재학습 없이 성능 확보. 【오답 체크】 (A), (B), (C)는 모두 학습·재학습·신규 학습으로 인프라·인력 비용 발생. 시간 소모 큼. 비용 효율성 떨어짐. 【시험 포인트】 ▸ Prompt engineering의 비용 효과. 최소 노력 원칙 적용.

해설

【핵심 용어】 ▸ Amazon Comprehend Toxicity Detection — 사전 학습된 관리형 NLP 서비스. 라벨링·모델 학습 필요 없음. 텍스트 유해도 점수(0-1)로 자동 평가. 【정답 포인트】 ▸ '라벨 없음 + 유해 텍스트 탐지' = Comprehend Toxicity 정답. 기성 모델로 즉시 적용. 커스터마이징 불필요. 【오답 체크】 (A) Rekognition은 이미지 기반 콘텐츠 모데레이션. (C) SageMaker는 직접 학습 필요, 라벨 필수. (D) Polly는 TTS(음성 합성) 도구. 【시험 포인트】 ▸ AWS 관리형 AI 서비스의 역할 분담. 텍스트 유해도 = Comprehend.

해설

【핵심 용어】 ▸ SageMaker Model Monitor: 배포 모델의 데이터 품질·모델 품질·Bias drift·Feature drift를 자동 감지·추적. CloudWatch와 통합으로 알림 자동화. 지속적 모니터링이 핵심 【정답 포인트】 ▸ 프로덕션 드리프트 감지 = Model Monitor 필수. 입력 데이터 분포 변화 추적(Data Drift). 모델 성능 저하 감지(Model Drift). 사전 조치 가능. 【오답 체크】 ▸ (A)Rekognition은 이미지/비디오 분석 서비스로 커스텀 모델 모니터링 불가. (B)Clarify는 편향·설명성 분석으로 드리프트 감지 기능 없음. (C)Comprehend는 기성 AI 서비스. 【시험 포인트】 ▸ 배포 후 모니터링. Model Monitor의 정확한 역할: Drift 감지·추적·알림.

해설

【핵심 용어】 ▸ SageMaker Model Cards: 모델의 용도, 성능 메트릭, 제약조건, 의사결정 논리를 종합적으로 문서화하는 표준화된 형식. 감사 추적(Audit Trail) 기록 기능 지원 【정답 포인트】 ▸ AI 투명성 확보 및 책임감 있는 AI 실현을 위해서는 의사결정 프로세스와 성능 메타데이터를 체계적으로 기록해야 함. Model Cards는 모델이 어떻게 작동하고 어떤 편향이나 한계를 가지는지 명확히 설명 가능. 규제 기관이나 감사자와 공유 가능하여 책임성 강화 【오답 체크】 ▸ (B)Rekognition: 이미지/비디오 분석 서비스로 설명 메커니즘 미포함. (C)Comprehend: NLP 기반 텍스트 분석. (D)Lex: 대화형 챗봇 구축 서비스. 【시험 포인트】 ▸ 모델 투명성 문서화 = Model Cards. 정확한 매칭이 핵심 출제 포인트

해설

【핵심 용어】 ▸ Amazon Translate: 100개 이상 언어 쌍을 지원하는 신경기반 기계 번역(NMT) 서비스. 실시간 스트리밍과 배치 처리 모두 지원하며 자동 언어 감지 기능 내장 【정답 포인트】 ▸ 제품 설명의 다국어 배포는 번역 서비스가 필수적. Translate는 완전관리형 서비스로 복잡한 인프라 구축 없이 즉시 적용 가능. 배치 작업으로 대량의 제품 문서 일괄 번역 가능하며 품질 일관성 유지. 새로운 언어 추가 시 재학습 불필요. 【오답 체크】 ▸ (B)Transcribe: 음성을 텍스트로 변환하는 음성 인식 서비스. (C)Kendra: 엔터프라이즈 검색 서비스. (D)Polly: 텍스트를 음성으로 변환하는 TTS 서비스. 【시험 포인트】 ▸ AWS NLP 서비스 용도 구분: Transcribe(음성→텍스트), Translate(다언어 번역), Polly(텍스트→음성)

해설

【핵심 용어】 ▸ RAG: 실시간 외부 지식베이스 검색으로 최신 정보를 즉시 주입하는 기법. 모델 재학습 없이 정보 업데이트 가능 ▸ Fine-tuning: 제한된 예시 데이터로 모델의 행동 패턴, 톤, 스타일을 조정 ▸ Continued pre-training: 대규모 도메인 특화 텍스트로 모델 기초 강화 【정답 포인트】 ▸ 최신 FAQ는 매일 변하는 실시간 정보이므로 RAG로 즉시 반영. 톤과 스타일은 고정된 모델 성격이므로 Fine-tuning으로 효율적 조정. 새로운 도메인 지식은 근본적 이해가 필요하므로 Continued pre-training으로 대규모 데이터 활용해 강화. 각 방법의 적절한 활용으로 비용과 성능 최적화 【오답 체크】 ▸ (B) (C) (D): 모든 경우에 동일한 방법 적용은 불필요한 비용 낭비, 시간 지연, 성능 저하 발생 【시험 포인트】 ▸ 파운데이션 모델 커스터마이즈의 3단계 방법론을 상황별로 정확히 구분하는 능력이 핵심 평가 포인트

해설

【핵심 용어】 ▸ SageMaker Model Cards: 모델의 버전, 학습 데이터, 성능 메트릭, 편향 분석, 사용 목적과 제약조건을 포함한 종합 문서화 도구. 거버넌스 및 감사 추적(Audit Trail) 기능 제공 【정답 포인트】 ▸ 조직의 규정 준수(Compliance)와 투명성 요구에 대응하려면 모델 메타데이터 및 개발 이력을 표준화된 형식으로 기록해야 함. Model Cards는 공식 문서화 방식으로 규제 담당자, 감사자, 사용자와 공유 가능. 모델의 의도, 제약, 책임 범위를 명시하므로 거버넌스 요구사항 충족 【오답 체크】 ▸ (B)Debugger: 학습 중 가중치, 활성화, 손실 함수를 추적하는 진단 도구. (C)Monitor: 배포 후 성능 드리프트 감지 도구. (D)JumpStart: 사전 학습 모델 카탈로그. 【시험 포인트】 ▸ 역할 구분 필수: 거버넌스 문서화=Model Cards, 성능 모니터링=Model Monitor, 학습 진단=Debugger

해설

【핵심 용어】 ▸ 생성형 AI: 텍스트, 이미지, 코드 등 새로운 콘텐츠를 자동으로 생성하는 모델. 요약, 번역, 텍스트 작성, 코드 생성이 핵심 능력 ▸ 예측형 모델: 분류, 회귀 등 기존 데이터 패턴을 학습하여 미래값을 예측 【정답 포인트】 ▸ 고객 불만 요약은 긴 텍스트를 짧은 자연언어로 변환하는 생성 작업으로 LLM 기반 생성형 AI의 대표적 활용. 기존 텍스트에서 핵심 정보를 추출하여 새로운 형태의 텍스트로 생성. 반면 분류, 세분화, 예측은 기존 ML 모델의 영역이며 새로운 콘텐츠를 생성하지 않음 【오답 체크】 ▸ (B)분류: 입력 특성 기반 카테고리 할당. (C)세분화: 유사 그룹 자동 탐지. (D)예측: 수치 값 추정 【시험 포인트】 ▸ 생성형 AI와 전통 ML의 역할 구분이 단골 주제. 텍스트 생성/요약=생성형 AI라는 패턴 암기

해설

【핵심 용어】 ▸ Amazon Comprehend Medical: HIPAA 적격 의료 NLP 서비스. 약물, 질환, 증상, 치료법 등 의료 엔티티(NER) 및 관계 추출 전문 ▸ 구조화 데이터: 이미 정형화된 환자 기록(예: 병원 DB) 【정답 포인트】 ▸ 구조화된 데이터로부터 의료 정보를 자동으로 추출하려면 의료 도메인 특화 NLP 필수. Comprehend Medical은 의료 엔티티 인식에 특화되어 있어, 추출한 엔티티를 규칙 기반 포맷팅으로 정리하면 구조화된 요약 생성 가능. HIPAA 준수 인증으로 환자 정보 보호 보장하며 규제 요구사항 충족 【오답 체크】 ▸ (B)Personalize: 추천 시스템(협업 필터링). (C)Textract: 스캔 이미지/PDF 광학 인식(OCR). (D)Kendra: 엔터프라이즈 문서 검색 엔진. 【시험 포인트】 ▸ 의료 도메인+NLP=Comprehend Medical 매칭이 핵심. HIPAA 준수도 중요 고려사항

해설

【핵심 용어】 ▸ Embedding: 단어, 문장, 이미지 등 고차원 객체를 저차원(보통 100~768차원) 벡터 공간에 수치적으로 표현하는 기법. 의미 정보를 최대한 보존하면서 계산 효율성 극대화 ▸ 벡터 공간: 의미론적으로 유사한 객체들은 가까운 위치에 배치 【정답 포인트】 ▸ 임베딩은 단순 차원 축소가 아니라, 의미 정보 보존을 목표로 신경망으로 학습된 표현 방식. RAG 시스템에서 질의와 문서를 같은 벡터 공간에 임베딩한 후 코사인 유사도로 검색하는 것이 대표적 예시. 벡터화로 인해 ML 모델의 입력으로 직접 사용 가능 【오답 체크】 ▸ (A)압축: 정보 손실 최소화 기술이지만 임베딩은 의미 정보 보존에 특화. (B)암호화: 복호화가 불가능하지 않으므로 암호화 아님. (C)시각화: 임베딩의 응용일 뿐 정의가 아님 【시험 포인트】 ▸ 벡터 표현+의미 보존+저차원 공간이 핵심. 임베딩은 현대 AI 기초 기술이자 RAG 필수 구성요소

해설

【핵심 용어】 ▸ Context Window: 모델이 한 번에 처리할 수 있는 최대 토큰 수. 초과하면 입력이 거부되거나 오류 발생 ▸ 토큰: 모델이 처리하는 최소 단위로, 대략 4글자≈1토큰의 비율 【정답 포인트】 ▸ 긴 책 전체를 LLM에 입력하면, 단어 수가 모델 컨텍스트 제한(예: GPT-3.5는 4K, Claude Opus는 200K+)을 초과할 수 있음. 이 경우 모델 자체가 입력을 거부하거나 오류 발생. 해결책: Map-Reduce 패턴으로 책을 청크 분할 후 각각 요약, 최종 요약 생성하거나 긴 컨텍스트 지원 모델 사용 【오답 체크】 ▸ (A)Temperature: 출력 무작위성 제어로, 높으면 창의적이지만 부정확. (B)Fine-tuning: 모델의 요약 능력과 무관. (C)Top P: 확률 샘플링 파라미터로 출력 품질에만 영향 【시험 포인트】 ▸ 모델의 하드 제약(Context Window)과 소프트 설정(Temperature, Top P)의 구분이 핵심