정답 · 해설

해설

【핵심 용어】 ▸ Amazon Bedrock: 완전 관리형 LLM 플랫폼(Claude, Llama 등 기본 제공). 인프라 관리 불필요 ▸ Knowledge Bases for Bedrock: 자체 지식베이스와 RAG를 통합한 관리형 서비스 【정답 포인트】 ▸ Bedrock+Knowledge Bases는 코드 거의 없이 LLM과 지식베이스를 연동할 수 있음. 웹 UI, API 모두 지원으로 빠른 프로토타이핑 가능. 항공편, 예약, 결제 정보는 지식베이스에 로드하면, 사용자 질의에 자동으로 관련 정보 검색 후 답변 생성. 완전 관리형이므로 확장성과 안정성 보장 【오답 체크】 ▸ (A)Autopilot: 테이블 형태 데이터의 자동 ML로 텍스트 챗봇에 부적합. (C)Q Developer: 개발자용 코드 작성 보조 도구. (D)Fine-tune: 시간, 리소스, 고품질 학습 데이터 필요 【시험 포인트】 ▸ 최소 개발 노력=완전 관리형 서비스. Bedrock의 Knowledge Bases가 이 요구사항 최적 충족

해설

【핵심 용어】 ▸ Tokenization: 텍스트를 작은 의미 있는 단위(토큰)로 분할하는 필수 전처리 작업. 단위는 단어, 서브워드(BPE), 또는 문자일 수 있음 ▸ Token: 모델이 처리하는 기본 단위로, 각 토큰이 임베딩 벡터로 변환되어 모델 입력으로 사용 【정답 포인트】 ▸ 자연언어 모델은 문자 하나씩이 아니라 의미 있는 단위(토큰)로 처리해야 효율적. 예를 들어 "NLP"를 ["NLP"] 또는 ["N", "L", "P"] 중 어느 것으로 쪼갈지는 토크나이저의 규칙에 따라 결정. 토큰화 후 각 토큰이 어휘 사전의 ID로 매핑되어 모델이 수치적으로 처리 가능 【오답 체크】 ▸ (A)암호화: 토큰화는 가역적(복원 가능), 암호화는 기밀성 제공하는 별개 기술. (B)압축: 데이터 크기 감소 아닌 구조적 변환. (D)번역: 별개의 NLP 작업 【시험 포인트】 ▸ NLP 파이프라인의 첫 단계 이해가 필수. Tokenization 없이는 텍스트 모델 불가능

해설

【핵심 용어】 ▸ Self-Attention: Transformer의 핵심 메커니즘으로, 입력 시퀀스의 모든 위치 간 가중치 기반 상호작용을 계산 ▸ 병렬 처리: RNN과 달리 순차적 대기 없이 모든 토큰을 동시에 처리하여 훈련 속도 향상 【정답 포인트】 ▸ Transformer는 각 토큰이 문장 내 모든 다른 토큰과의 관계를 직접 계산하므로, "The bank executive" 같은 문맥에서 "bank"의 정확한 의미를 명확히 파악 가능. Self-attention은 장거리 의존성(Long-range Dependency)을 효율적으로 학습하는 핵심 메커니즘으로, BERT, GPT, Claude 같은 현대 LLM 기반 【오답 체크】 ▸ (A)합성곱: CNN은 이미지 처리에 주로 사용. (B)텍스트만: Vision Transformer 등 멀티모달 모델도 존재. (D)순차적 순환: RNN/LSTM의 특성으로 Transformer는 병렬 처리 가능 【시험 포인트】 ▸ Transformer=Self-Attention+병렬 처리. 이것이 현대 AI 혁신의 기술

해설

【핵심 용어】 ▸ Algorithm Accountability Laws: 자동화된 의사결정(신용 승인 거부, 채용 탈락 등)에 대한 투명성, 설명성, 이의제기 권리를 규정한 법규. EU AI Act, Fair Lending Laws(미국) 포함 【정답 포인트】 ▸ 신용 점수는 개인의 금융 접근성에 직결되는 자동화 결정이므로, 신용 거절 사유를 설명할 의무 발생. EU, 캘리포니아 등에서는 "설명 권리(Right to Explanation)" 법을 명확히 규정. 새 지역 확장 시 해당 지역의 알고리즘 책임법을 확인하고, 모델 감사, Model Cards 작성, 공정성 평가 등의 규제 요구사항을 충족해야 함 【오답 체크】 ▸ (A)의료: 환자 건강 정보 보호법(HIPAA 등). (B)결제 카드: PCI-DSS 등 카드 데이터 암호화 표준. (C)교육: FERPA 등 학생 기록 보호 법규 【시험 포인트】 ▸ AI 자동화 의사결정의 법적 책임 확대가 최근 글로벌 추세. 시험에서 자주 출제되는 중요 주제

해설

【핵심 용어】 ▸ Bedrock Guardrails: 관리형 콘텐츠 필터링 서비스로 기본 필터 카테고리와 커스텀 Denied Topics 구분 ▸ 기본 필터 카테고리: Hate, Insults, Sexual, Violence, Misconduct, Prompt Attack (총 6개) 【정답 포인트】 ▸ Bedrock Guardrails의 기본 필터 카테고리는 해로운 콘텐츠의 범주를 사전 정의. "Hate"(혐오)와 "Violence"(폭력)는 보편적으로 해롭다는 합의가 있어 기본으로 포함되어 별도 설정 없이도 자동 필터링됨. 반면 특정 정치 입장, 도박, 종교 토론 같은 맥락 의존적 주제는 조직의 정책에 맞춰 "Denied Topics" 커스텀 필터로 추가 설정 가능 【오답 체크】 ▸ (B)Politics: 정치적 입장은 해로움 기준이 명확하지 않아 기본 필터 제외. (D)Gambling: 도박 조장도 맥락에 따라 다름. (E)Religion: 종교 토론 자체는 중립적 【시험 포인트】 ▸ AWS Guardrails의 기본 카테고리(6개)와 커스텀 옵션의 구분이 핵심

해설

【핵심 용어】 ▸ Prompt Injection: 악의적 사용자가 입력 텍스트에 숨겨진 지시를 삽입하여 모델의 원래 목적을 우회하거나 탈취하는 보안 공격 기법 ▸ 예시: 시스템 프롬프트 우회, 기밀 정보 요청, 모델 동작 변경, 사용자 데이터 추출 【정답 포인트】 ▸ 프롬프트 엔지니어링은 모델의 출력을 개선하는 기법이지만, 입력 검증(Input Validation) 메커니즘까지 포함하지 않음. 따라서 사용자가 의도하지 않은 방향으로 모델을 조종할 수 있는 보안 취약점이 발생. 예를 들어 고객 서비스 챗봇에서 프롬프트 주입으로 시스템 프롬프트가 노출되거나 신용카드 정보 요청으로 변경될 수 있으며, 심각한 보안 사고 초래 가능 【오답 체크】 ▸ (A) (D): 프롬프트 엔지니어링의 한계를 표현하는 것처럼 보이지만 절대적 표현은 보안 리스크 설명 아님. (C)위험을 완전히 제거는 불가능하며 리스크 감소와 방어 강화 목표 【시험 포인트】 ▸ 프롬프트 엔지니어링의 보안 취약점 이해가 필수. Prompt Injection이 현재 주요 AI 보안 위협

해설

【핵심 용어】 ▸ RAG 파이프라인 구조: 오프라인 배치(문서 임베딩 생성, 벡터DB 인덱스 구축). 온라인 실시간(질의 임베딩 생성, 유사도 검색, 응답 생성) ▸ Near real-time: 사용자가 최소 지연으로 최신 정보 획득 【정답 포인트】 ▸ Near real-time 사용자 경험을 제공하려면, 변하지 않는 부분은 미리 배치로 준비해야 함. 매일 새 콘텐츠 발행되면 매일 배치로 새 문서들을 임베딩 (A)하고 벡터 데이터베이스에 인덱싱 (C) 함. 사용자 질의 시점에는 빠른 응답만 필요하므로, 질의 임베딩 (B), 검색 (D), 응답 생성 (E)은 온라인 실시간으로 처리 【오답 체크】 ▸ (B)사용자별로 다른 질의이므로 미리 계산 불가능한 온라인 필수 작업. (D)검색도 실시간 질의에 따라 달라짐. (E)응답 생성은 LLM 호출로 가장 느린 단계 【시험 포인트】 ▸ RAG의 오프라인/온라인 분리 전략이 성능 확보의 핵심 아키텍처 개념

해설

【핵심 용어】 ▸ Prompt Chaining: 큰 작업을 여러 단계로 분해하여, 각 단계의 출력을 다음 단계의 입력으로 순차적으로 전달하는 고급 프롬프트 기법 ▸ 예시: "이 텍스트를 요약해" → "요약본을 3줄로 축약해" → "축약본 톤을 formal하게" 【정답 포인트】 ▸ 복잡한 추론 문제를 한 번에 해결하면 LLM이 실수하거나 맥락 제한으로 불완전한 결과 발생. 반면 작은 단계로 나누면 각 단계에서 정확도가 높아지고, 인간이 중간 결과를 검증 가능. 예를 들어 데이터 분석, 코드 리팩토링, 문서 작성 같은 멀티스텝 작업에 매우 효과적. 기존 정보(이전 출력)를 활용하므로 토큰 효율도 우수 【오답 체크】 ▸ (A)One-shot prompting: 예시 1개만 제공하는 기본 프롬프트 기법. (C)Tree of thoughts: 동시에 여러 경로를 탐색하는 병렬 사고. (D)RAG: 외부 지식베이스 검색 기반 생성 【시험 포인트】 ▸ 기법별 목적 구분: Chaining(단계적 분해), Tree(병렬 탐색), RAG(지식 검색)

해설

【핵심 용어】 ▸ NLG(Natural Language Generation): 구조화된 데이터(재고, 판매량)를 자연언어 텍스트로 변환하는 작업 ▸ RAG: 실시간 데이터베이스를 질의 시점에 검색하여 모델 입력으로 제공 【정답 포인트】 ▸ 재고는 분 단위로 변함. 모델을 매번 재학습하는 것은 시간과 비용 낭비. 대신 RAG 방식으로 사용자가 텍스트 생성 요청할 때, 최신 재고 데이터베이스를 검색해 최신 정보를 LLM 컨텍스트에 주입. 이렇게 하면 모델 학습 없이 항상 최신 데이터 반영 가능. 예: "오늘 A제품 재고는 [DB에서 실시간 검색: 50개]. 이를 판매 텍스트로 작성해" 【오답 체크】 ▸ (A)Transfer Learning: 다른 도메인 데이터로 사전학습 후 fine-tune하는 방식으로 시간 소모. (B)Federated Learning: 분산 환경에서 협동 학습. (D)One-shot prompting: 예시 1개로 스타일 지정하지만 데이터 변화 대응 불가 【시험 포인트】 ▸ 자주 변하는 정보=RAG. 안정적 특성=학습 또는 프롬프트 엔지니어링

해설

【핵심 용어】 ▸ Model Cards: 모델의 버전, 학습 데이터 설명, 성능 메트릭, 공정성 평가, 권장 사용 시나리오, 알려진 한계를 종합적으로 문서화하는 표준화된 형식 ▸ Git: 소스 코드 버전 제어 도구로 코드 변경 이력만 추적 【정답 포인트】 ▸ 다기관 협력 시 코드만으로는 모델의 전체 이력, 성능, 책임을 파악하기 어려움. Model Cards는 AWS SageMaker에서 지원하는 표준화된 모델 문서로, 다양한 이해관계자(연구자, 규제담당자, 사용자)와 공유 가능. 모델 버전별로 별도의 Card를 작성하면, "v1.2에서는 F1-score 87%, 편향 1.2%"라고 명확히 비교 추적 가능 【오답 체크】 ▸ (A)Git: 소스 코드 추적에 최적화된 도구로 모델 메타데이터, 성능, 공정성 기록은 별도 필요. (B)Fraud Detector: 사기 탐지 서비스. (D)Comprehend: NLP 텍스트 분석 서비스 【시험 포인트】 ▸ 모델 거버넌스=Model Cards, 코드 버전 관리=Git. 이 구분이 핵심

해설

【핵심 용어】 ▸ Model Monitor: 배포된 모델의 성능 메트릭(정확도, 정밀도, 재현율), 데이터 드리프트(입력 특성 분포 변화), 모델 드리프트(예측 분포 변화), 편향을 지속적으로 모니터링 ▸ 드리프트 감지: 설정된 임계값을 벗어나면 자동으로 경고 발송 【정답 포인트】 ▸ 모델을 배포한 후 시간이 지나면 실제 데이터 분포가 학습 시점과 달라져 모델 성능이 저하됨(Concept Drift). Model Monitor는 이를 자동으로 감지하여 조기에 발견하고 대응 가능하게 함. 예를 들어 사기 탐지 모델이 새로운 사기 패턴으로 성능 하락하면, 자동 알람 후 재학습·재배포 트리거. 여러 모델을 동시에 모니터링 가능하므로 대규모 ML 운영에 필수적 【오답 체크】 ▸ (A)JumpStart: 사전 학습 모델 카탈로그 및 배포 솔루션. (B)HyperPod: 고속 병렬 학습 인프라. (C)Data Wrangler: 데이터 전처리 및 특성 엔지니어링 도구 【시험 포인트】 ▸ 배포 후 지속적 성능 모니터링=Model Monitor. 드리프트 감지가 핵심 기능

해설

【핵심 용어】 ▸ Chunking: 문서를 의미 단위로 분할하는 프로세스. 청크 크기 최적화가 RAG 성능의 핵심 ▸ Semantic Context: 청크가 충분한 문맥을 포함하면서도 무관한 정보는 최소화 【정답 포인트】 ▸ 최적 청크 크기는 관련성(Relevance)과 정확성의 균형을 맞춘다. 너무 크면 검색된 청크 내 무관한 정보 포함률 증가, 너무 작으면 필요한 맥락 손실로 검색 정확도와 모델 응답 품질 직결. RAG의 근본 목표는 외부 지식으로 응답 신뢰도와 관련성을 높이는 것이며, chunking은 이를 위한 필수 전제 조건 【오답 체크】 ▸ (A)저장 용량: chunking은 저장 크기와 무관. 동일 문서를 단지 검색 최적화 목적으로 분할. (B)벡터 변환 효율: 오히려 모든 청크가 벡터화되므로 계산량 증가. (D)스토리지 비용 감소: 청크들도 벡터로 저장되므로 비용은 동일 또는 증가 【시험 포인트】 ▸ RAG에서 chunking은 검색 정확도를 위한 데이터 전처리 단계. 관련성 향상이 핵심목적

해설

【핵심 용어】 ▸ On-Demand Throughput: 선결금 없이 실제 사용량만큼 과금하는 유연한 가격 모델 ▸ Provisioned Throughput: 일정 용량을 사전 약정하고 단위당 비용을 절감하는 커밋 기반 모델 【정답 포인트】 ▸ 파일럿 단계는 특징: (1)사용량 저, (2)트래픽 패턴 미예측, (3)비용 최소화 우선. 이 세 조건에서 On-Demand가 최적. Provisioned는 기본 비용이 존재하므로 저사용량 환경에서는 낭비적. 트래픽 예측 가능한 성숙 단계에 적합 【오답 체크】 ▸ (A)EC2 GPU: 파일럿 단계에도 상시 인스턴스 비용 발생. (B)Provisioned: 약정료로 인한 고정비용이 파일럿 저사용량 상황에 부담. (D)JumpStart: 모델 배포·호스팅 서비스이며 추론 비용 결제는 별도 【시험 포인트】 ▸ AWS 가격 선택의 핵심: 사용 패턴(예측 가능 vs 불규칙)과 사용량(저 vs 고)에 맞춘 모델링

해설

【핵심 용어】 ▸ Denied Topics: 정책·정치·종교 등 특정 테마를 입력·출력에서 자동 탐지 및 거부하는 가드레일 ▸ Content Filters: 폭력·증오·성인 등 해로운 콘텐츠 분류 ▸ Word Filters: 특정 단어 목록 기반 필터링 【정답 포인트】 ▸ '정치적 견해'는 특정 단어가 아닌 주제 수준의 개념. Denied Topics는 주제 분류를 모델 수준에서 인식해 차단. RAG 문맥에서 금융 뉴스 수집 시 정치적 해석이 포함되는 것을 방지하려면, 주제 카테고리 기반의 필터가 필수 【오답 체크】 ▸ (A)Word filters: 단어만 필터링하면 맥락 손실. 합법적 토론과 구분 어려움. (C)Sensitive info: PII 탐지 목적. 주제 필터가 아님. (D)Content filters: 폭력·증오 등. 정치적 견해는 금융 중립성 문제 【시험 포인트】 ▸ Bedrock 가드레일의 계층: Word(단어)→Topic(주제)→Content(해로움 유형). 산업 컴플라이언스는 Topic 수준 차단이 표준

해설

【핵심 용어】 ▸ Precision: TP/(TP+FP). 플래그된 것 중 실제 사기인 비율. 거짓 경보 최소화 ▸ Recall: TP/(TP+FN). 실제 사기 중 감지된 비율. 놓친 사기 최소화 ▸ False Positive: 실제 정상 거래를 사기로 잘못 플래그 【정답 포인트】 ▸ 문제의 핵심: '검토 시간 최소화'→플래그된 사건이 실제 사기일 확률이 높아야 함. 만약 플래그 100건 중 70건만 실제 사기라면(Precision 70%), 30건은 헛수고. Precision 향상 방법: 모델의 판정 임계값을 높이거나, 더 신뢰도 높은 특성만 사용 【오답 체크】 ▸ (A)Recall: '사기를 최대한 안 놓치기' 목표일 때 Recall. 이 문제는 검토 시간 최소화. (B)Accuracy: 전체 정확도. 정상 거래 대부분이므로 부족. (D)Lift chart: 성과 비교 시각화. 메트릭이 아님 【시험 포인트】 ▸ 비용 비대칭 문제: 거짓 경보(검토 시간) vs 거짓 부정(손실금). 검토 시간 명시→Precision 중시

해설

【핵심 용어】 ▸ Citation: 응답 옆에 근거 문서의 링크나 페이지 참조 ▸ Transparency: 사용자가 근거 자료를 직접 확인 가능하게 함으로써 신뢰 구축 ▸ Source Attribution: RAG에서 검색된 청크의 원문 위치를 기록·반환 【정답 포인트】 ▸ 심리학 관점: 사람은 '근거 제시'를 보면 신뢰도가 급상승. 특히 제품 매뉴얼처럼 권위 있는 문서 참조는 강력한 신뢰 신호. RAG 시스템의 장점: 단순 생성형 AI와 달리 '출처 추적 가능'. 매뉴얼 섹션 3.2 참고' 같은 명확한 근거 제시 가능 【오답 체크】 ▸ (A)신뢰 점수: 0.92 같은 숫자가 신뢰도를 높인다는 연구 없음. (C)아바타: UI 요소일 뿐, 응답 신뢰성과 무관. (D)언어 스타일: 톤이 어울리면 경험 개선되지만 신뢰와는 별개 【시험 포인트】 ▸ RAG의 핵심 가치: '신뢰도 높은 정보 제공'→출처 명시는 RAG의 핵심 차별점

해설

【핵심 용어】 ▸ Explainability: AI 결정의 근거 및 추론 과정을 인간이 이해할 수 있도록 제시하는 원칙 ▸ Interpretability: 모델의 결정 경로나 가중치를 분석 가능하게 구성 ▸ High-Risk Decisions: 의료·금융·법률에서 개인에게 직접 영향을 미치는 영역 【정답 포인트】 ▸ 의료 시나리오의 특성: (1) 환자 생명·건강 직결, (2) 의사와 환자 모두 이해해야 함, (3) 법적·윤리적 책임 ▸ 의료 AI는 FDA 승인·EU AI Act에서 고위험 시스템으로 explainability 의무화 ▸ 근거 제시 = Explainability의 핵심 요구사항 【오답 체크】 (B) Privacy: 환자 데이터 보호 중요하지만 시나리오는 '근거 제시'가 핵심 / (C) Fairness: 편향 제거도 중요하지만 문제는 '근거 공개' 강조 / (D) Data Governance: 데이터 관리 정책이지 응답 설명성과 무관 【시험 포인트】 ▸ Responsible AI 6대 원칙: Fairness·Explainability·Privacy·Safety·Robustness·Transparency ▸ 의료 = Explainability 최우선. AWS 시험: 고위험 + 근거 제시 요구 → Explainability

해설

【핵심 용어】 ▸ RAG: 외부 지식 베이스에서 관련 문서를 검색한 후 컨텍스트로 제공하여 생성형 모델 응답 품질 향상 ▸ Hallucination: 기반 사실이 없는 정보를 생성하는 문제. RAG로 크게 완화 가능 ▸ Retrieval-Augmented: 검색 기반 정보 보강으로 모델 응답 신뢰도 증대 【정답 포인트】 ▸ RAG 본질: 모델이 학습한 지식의 한계를 외부 참고 자료로 보완 ▸ 정확도 향상: 검색된 관련 문서를 프롬프트에 포함하면 신뢰도 높은 응답 생성 ▸ 환각 감소 + 출처 명시(citation) 가능 → 사용자 신뢰 증대 【오답 체크】 (B) 학습 속도: 오히려 RAG는 런타임 검색 추가로 약간 지연 증가 / (C) 음성 인식: RAG는 텍스트 기반으로 STT 영역과 무관 / (D) CV: 텍스트 기반 RAG로 이미지 분석은 multimodal RAG 별도 확장 【시험 포인트】 ▸ RAG 언급 → '외부 지식'·'정확도 향상'·'환각 감소'·'신뢰도' 중 특성 찾기 ▸ Fine-tuning과 구분: Fine-tuning은 모델 가중치 조정(학습), RAG는 모델 고정(검색 기반)

해설

【핵심 용어】 ▸ Bedrock Provisioned Throughput: 일정 추론 용량(tokens per minute)을 사전 약정해 단위당 비용 절감 ▸ Custom Model on Bedrock: Fine-tuning된 모델도 Bedrock 위에서 호스팅 가능 ▸ TPM: Bedrock의 처리량 단위로 다양한 구간별 선택 가능 【정답 포인트】 ▸ 핵심 조건: (1) 커스텀 모델 → Bedrock에서 호스팅 필수, (2) 일정한 트래픽 → 예측 가능한 사용 패턴, (3) 비용 효율 → Provisioned는 On-Demand 대비 30-50% 절감 ▸ Provisioned는 일정 TPM 구매해 꾸준한 트래픽이면 총비용 저렴 【오답 체크】 (A) EC2: 직접 호스팅 시 인스턴스 유지보수 책임 증가 / (B) On-Demand: 유연하지만 일정 트래픽에는 낭비. 모든 요청이 온디맨드 가격 / (C) S3+Lambda: Lambda 콜드 스타트 지연과 메모리 제한으로 부적합 【시험 포인트】 ▸ Bedrock 선택 기준: On-Demand(예측 불가/저사용) vs Provisioned(예측 가능/안정) ▸ '일정한 분당 요청' = Provisioned 자동 정답

해설

【핵심 용어】 ▸ Fine-tuning: 사전학습된 모델의 가중치를 라벨된 데이터로 추가 학습해 특정 태스크·도메인에 맞춤화 ▸ Task-Specific Adaptation: 일반 모델 → 특정 도메인(의료, 금융, 법률) 용어·표현 숙달 ▸ Labeled Dataset: 입력-출력 쌍의 고품질 학습 데이터 【정답 포인트】 ▸ Fine-tuning의 메커니즘: 기반 모델이 이미 언어 기본 구조 습득 → 라벨된 도메인 데이터로 산업 용어·패턴만 학습 ▸ 데이터 효율성: 전체 학습이 아닌 마지막 몇 층만 재학습해도 도메인 특화 성능 달성 【오답 체크】 (A) Data Augmentation: 기존 데이터를 변환해 학습 데이터 양 늘리기로 도메인 적응 아님 / (C) Model Quantization: 모델 크기 축소로 용어 적응과 무관 / (D) Continued Pre-training: 비라벨 대규모 텍스트 학습으로 '라벨된 데이터'와 충돌 【시험 포인트】 ▸ 학습 기법 구분: Pretraining(비라벨 기본) → Fine-tuning(라벨 특화) → Inference(추론) ▸ AWS Bedrock Fine-tuning: 입력-출력 쌍의 JSONL 파일 필수