정답 · 해설

해설

【핵심 용어】 ▸ Amazon Managed Service for Apache Flink — 실시간 스트림 분석, 배포 실패 시 자동 롤백(system rollback) 지원 ▸ System Rollback — 새 버전에 코드 버그로 문제 발생 시 이전 정상 버전으로 자동 복구해 중단 방지 【정답 포인트】 ▸ "새 버전 코드 버그가 애플리케이션 실행을 막지 않도록" → Flink의 system rollback 기능 활성화 ▸ A: 자동 롤백으로 문제 버전을 즉시 되돌려 지속 실행 보장 【오답 체크】 (B) 수동 롤백은 오류 발생 시 사람이 개입해야 해 중단 위험·지연. (C) Firehose는 전송 서비스로 스트림 분석·롤백 요구를 충족 못 함. (D) Firehose → EC2 다중 AZ는 가용성만 다룰 뿐 배포 버그 자동 롤백 요구와 무관. 【시험 포인트】 스트림 앱 배포 버그 자동 복구 → Managed Flink의 system rollback 활성화.

해설

【핵심 용어】 ▸ PCA (Principal Component Analysis) — 고차원 데이터를 주성분으로 축소하는 대표적 차원 축소 알고리즘 ▸ 차원 축소(Dimensionality Reduction) — 다수 응답(약 500개 피처)에서 숨은 패턴 발견 【정답 포인트】 ▸ "고차원 데이터의 차원 축소" + "숨은 패턴 발견" → SageMaker의 PCA 알고리즘 ▸ A: PCA가 다수 피처를 소수 주성분으로 압축해 패턴 도출 【오답 체크】 (B) t-SNE는 주로 시각화용 축소로 대규모 일반 차원 축소·SageMaker 내장 표준 답으로는 PCA가 적합. (C) k-means는 군집화 알고리즘으로 차원 축소가 아님. (D) Random Cut Forest는 이상 탐지 알고리즘으로 목적이 다름. 【시험 포인트】 차원 축소 = PCA. 군집=k-means, 이상탐지=RCF로 구분.

해설

【핵심 용어】 ▸ Underfitting(과소적합) — 모델이 데이터를 충분히 학습 못 함, 너무 빨리 수렴 ▸ Batch Size — 배치가 크면 그래디언트가 매끄러워 빠르게 수렴하나 일반화/최적점 탐색이 약해질 수 있음 ▸ 작은 배치 — 그래디언트 노이즈로 더 세밀히 학습, 과소적합 완화(메모리 사용도 감소) 【정답 포인트】 ▸ "예상보다 빠른 수렴 + 과소적합" + "메모리 이미 최대" → 배치 크기를 줄이면 학습이 세밀해지고 메모리도 절감 ▸ D: 배치 크기 감소로 과소적합 완화 및 메모리 여유 확보 【오답 체크】 (A) 배치 크기 증가는 메모리 초과 + 과소적합을 더 악화. (B) 에폭 감소는 학습을 더 줄여 과소적합 심화. (C) 데이터 축소는 학습 정보를 줄여 과소적합 악화. 【시험 포인트】 과소적합 + 메모리 포화 → 배치 크기 감소(세밀 학습 + 메모리 절감).

해설

【핵심 용어】 ▸ ISO 인증(AI 위험 관리) — 조직의 프로세스/관리 체계(개발 프레임워크)가 표준을 준수함을 인증 ▸ 인증 대상 — 개인/개별 시스템이 아니라 조직의 관리·개발 프레임워크 【정답 포인트】 ▸ "AI 위험 관리·책임 있는 AI를 위한 ISO 인증" → 회사의 개발 프레임워크가 ISO 인증을 받았음을 의미 ▸ D: 인증은 프로세스/프레임워크 수준의 준수를 반영 【오답 체크】 (A) 모든 구성원이 개별 ISO 인증을 받는다는 의미가 아님. (B) 사용하는 모든 AI 시스템이 인증된다는 의미가 아님. (C) 팀원 전원이 개별 인증받는다는 의미가 아님. 【시험 포인트】 ISO 인증 = 조직의 프로세스/프레임워크 준수 인증(개인·개별 시스템 단위 아님).

해설

【핵심 용어】 ▸ Supervised Learning(지도 학습) — 라벨(정답, 여기서는 심장병 여부)이 있는 데이터로 학습 ▸ 분류/회귀 — 타깃 값이 주어진 예측 문제 【정답 포인트】 ▸ "환자 데이터 + 심장병 여부(타깃 라벨)로 위험 예측" → 라벨이 있으므로 지도 학습 ▸ B: 정답 라벨(target)이 존재하는 예측 = 지도 학습 【오답 체크】 (A) 비지도 학습은 라벨 없이 패턴/군집 발견, 타깃 라벨이 있으면 부적합. (C) 강화 학습은 보상 기반 행동 학습으로 이 시나리오와 무관. (D) 준지도 학습은 일부만 라벨된 경우, 여기서는 완전 라벨 데이터. 【시험 포인트】 타깃 라벨이 있는 예측 → 지도 학습(supervised).

해설

【핵심 용어】 ▸ Data Retention(데이터 보존) — 데이터의 저장 기간·삭제 규칙을 정하는 거버넌스 전략 ▸ 저장/삭제 지침 — 보존 정책의 핵심 【정답 포인트】 ▸ "데이터 저장 및 삭제에 대한 지침" → 데이터 보존(Data retention) 전략 ▸ C: 저장 기간과 삭제 규칙 관리가 곧 데이터 보존 거버넌스 【오답 체크】 (A) 데이터 비식별화는 개인정보 제거 기법으로 저장/삭제 정책과 다름. (B) 데이터 품질 표준은 정확성/일관성 기준으로 보존과 무관. (D) 로그 저장은 특정 로그 보관일 뿐 전반적 보존 전략이 아님. 【시험 포인트】 저장 기간·삭제 규칙 = Data retention(데이터 보존).

해설

【핵심 용어】 ▸ AWS Lambda — 서버리스 함수로 이미지 전치(transpose)·회전 같은 수치 변환을 코드로 간단·효율 수행 ▸ 결정적 수치 변환 — 라이브러리(예: 이미지 처리)로 처리, ML 모델 불필요 【정답 포인트】 ▸ "이미지 전치·회전 같은 수치 변환" + "가장 운영 효율적" → Lambda 함수로 변환 수행 ▸ B: 단순·결정적 이미지 변환은 서버리스 Lambda가 가장 효율적 【오답 체크】 (A) 심층 신경망 구축은 단순 변환에 과도한 학습/운영 부담. (C) LLM(높은 temperature)은 텍스트 생성용, 이미지 수치 변환에 부적합. (D) Glue Data Quality는 데이터 품질 규칙 검사용으로 이미지 변환 도구가 아님. 【시험 포인트】 단순·결정적 이미지 변환(전치/회전) → Lambda 함수. ML 모델/LLM은 과함.

해설

【핵심 용어】 ▸ Amazon Q Developer — IDE 통합 코딩 어시스턴트, 테스트 케이스·문서 자동 생성 ▸ IDE 통합 — 코드 컨텍스트를 바로 활용해 최소 노력으로 지원 【정답 포인트】 ▸ "테스트 케이스 신속 개발 + 코드 문서화" + "최소 노력" → IDE 내 Amazon Q Developer ▸ C: IDE 통합 Q Developer가 코드 문맥 기반으로 테스트·문서를 즉시 생성 【오답 체크】 (A) 온라인 코딩 어시스턴트에 업로드는 보안·워크플로 면에서 IDE 통합보다 번거로움. (B) FM 기반 앱 자체 개발은 노력이 큼(직접 구축 부담). (D) 수동으로 조사·작성은 노력이 가장 큼. 【시험 포인트】 IDE에서 코드 테스트/문서 자동화 → Amazon Q Developer.

해설

【핵심 용어】 ▸ Transformer 기반 모델 — 일관된 스타일/톤의 자연어 문단 생성에 최적, 텍스트 생성의 표준 ▸ 대량 텍스트 생성 — LLM(트랜스포머)이 매일 수천 개 고유 설명 생성에 적합 【정답 포인트】 ▸ "일관된 스타일·톤의 텍스트 문단 생성" + "매일 수천 개 고유 설명" → Transformer 기반 모델(LLM) ▸ B: 자연어 텍스트 생성에는 트랜스포머 기반 언어 모델이 적합 【오답 체크】 (A) VAE는 주로 데이터 생성/차원 축소용으로 자연어 텍스트 생성 표준이 아님. (C) Diffusion 모델은 이미지 생성에 특화. (D) GAN은 이미지 등 생성에 강점, 일관된 텍스트 문단 생성에는 부적합. 【시험 포인트】 자연어 텍스트 생성 → Transformer 기반 모델. 이미지 생성=Diffusion/GAN.

해설

【핵심 용어】 ▸ Overfitting(과적합) — 학습 데이터에는 잘 맞으나 평가/신규 데이터에서 성능 저하 ▸ 일반화 실패 — 과적합의 전형적 증상 【정답 포인트】 ▸ "학습 데이터 성능 좋음 + 평가 데이터 성능 나쁨" → 과적합(overfit) ▸ D: 학습↔평가 성능 격차는 과적합의 대표 신호 【오답 체크】 (A) 과소적합은 학습 데이터에서도 성능이 낮음(시나리오와 반대). (B) 프롬프트 엔지니어링 필요는 이 성능 격차의 원인 설명이 아님. (C) 편향은 특정 그룹 불공정 문제로 이 증상과 직접 관련 없음. 【시험 포인트】 학습 good + 평가 poor = 과적합(overfitting). 둘 다 poor = 과소적합.

해설

【핵심 용어】 ▸ Logistic Regression(로지스틱 회귀) — 계수 해석이 쉬운 대표적 해석 가능(interpretable) 모델 ▸ 해석 가능성 — 대출 심사 등 설명 책임이 중요한 분야에 적합 【정답 포인트】 ▸ "해석 가능한 ML 모델" + "대출 위험 평가" → 로지스틱 회귀(계수로 각 피처 영향 설명) ▸ B: 로지스틱 회귀는 결과 근거 설명이 용이해 해석성 요구에 부합 【오답 체크】 (A) 딥러닝은 블랙박스 성격이 강해 해석성이 낮음. (C) k-means는 군집화 알고리즘으로 분류·해석 목적과 다름. (D) Random Cut Forest는 이상 탐지용으로 해석 가능한 분류 모델이 아님. 【시험 포인트】 해석 가능성 요구 → 로지스틱 회귀/결정 트리 등 선형·규칙 기반 모델.

해설

【핵심 용어】 ▸ Amazon Bedrock Agents — 사용자 요청을 해석해 적절한 API를 호출·오케스트레이션하여 작업(예약 등) 완수 ▸ Action/Tool 호출 — 에이전트가 외부 API를 실행해 트랜잭션 수행 【정답 포인트】 ▸ "고객 요청 처리 + 적절한 API 호출로 예약 완료" → Bedrock Agents ▸ A: Agents가 다단계 작업과 API 호출을 자동 수행 【오답 체크】 (B) Intelligent prompt routing은 요청을 적합 모델로 라우팅할 뿐 API 실행 오케스트레이션이 아님. (C) Knowledge Bases는 RAG용 지식 제공, API 호출 실행 기능이 아님. (D) Guardrails는 콘텐츠 안전 필터링용. 【시험 포인트】 API 호출/작업 실행 오케스트레이션 → Bedrock Agents.

해설

【핵심 용어】 ▸ MLOps 모범 사례 — 프로덕션 배포 후 출력/성능을 지속 모니터링(드리프트·품질 저하 대응) ▸ 사전학습 모델 사용 — 재학습 없이도 운영 모니터링은 필수 【정답 포인트】 ▸ "오픈소스 사전학습 모델로 감성 분석" + "MLOps 모범 사례" → 프로덕션 출력을 지속 모니터링 ▸ C: 지속적 출력 모니터링이 MLOps의 핵심 실천 사항 【오답 체크】 (A) 하이퍼파라미터 튜닝은 사전학습 모델 사용 맥락에서 필수 MLOps 관행이 아님. (B) 리뷰 수집·라벨링은 새 학습 데이터 준비이지 이 상황의 필수 관행이 아님. (D) 피처 엔지니어링은 모델 개발 단계 작업으로 사전학습 모델 운영의 핵심 관행이 아님. 【시험 포인트】 MLOps 배포 후 필수 = 지속적 모니터링(모델/데이터 드리프트 감시).

해설

【핵심 용어】 ▸ Bedrock Custom Model + Provisioned Throughput — 커스텀(파인튜닝) 모델은 프로비저닝된 처리량을 구매해야 추론에 사용 가능 ▸ Provisioned Throughput — 커스텀 모델 호스팅·호출을 위한 필수 용량 구매 【정답 포인트】 ▸ "Bedrock에서 커스텀 모델을 사용" → 해당 커스텀 모델에 Provisioned Throughput 구매 ▸ A: 커스텀 모델은 프로비저닝된 처리량을 통해 Bedrock에서 서빙 【오답 체크】 (B) SageMaker 엔드포인트 배포는 Bedrock 커스텀 모델 사용 방식이 아님. (C) SageMaker Model Registry 등록은 Bedrock 서빙과 무관. (D) 승인 상태 변경(Approved)은 SageMaker 배포 승인 워크플로로 이 요구와 무관. 【시험 포인트】 Bedrock 커스텀/파인튜닝 모델 추론 → Provisioned Throughput 구매 필수.

해설

【핵심 용어】 ▸ Amazon Bedrock — 다중 FM 접근, 텍스트+이미지(멀티모달) 입력 지원 모델로 챗봇 구축 ▸ 멀티모달 LLM — 텍스트·이미지 입력을 함께 처리 【정답 포인트】 ▸ "LLM 챗봇" + "텍스트·이미지 입력 처리" → 멀티모달 FM을 제공하는 Amazon Bedrock ▸ A: Bedrock의 멀티모달 파운데이션 모델로 텍스트+이미지 챗봇 구현 【오답 체크】 (B) Comprehend는 텍스트 NLP 전용으로 이미지 입력·챗봇 생성 부적합. (C) Amazon Q는 특정 어시스턴트 서비스로 커스텀 LLM 챗봇 구축 요구에는 Bedrock이 적합. (D) Rekognition은 이미지 분석 전용으로 대화형 텍스트 생성이 아님. 【시험 포인트】 멀티모달(텍스트+이미지) LLM 앱 → Amazon Bedrock.

해설

【핵심 용어】 ▸ Amazon Q Developer — 코드 생성·테스트 코드 작성 등 개발 생산성 지원, 최소 운영 노력 ▸ 코드/테스트 자동 생성 — 개발자용 생성형 AI 어시스턴트 【정답 포인트】 ▸ "소프트웨어 테스트용 코드 작성으로 생산성 향상" + "최소 운영 노력" → Amazon Q Developer ▸ C: Q Developer가 테스트 코드 생성을 즉시 지원 【오답 체크】 (A) Amazon Q Business는 비즈니스 문서/데이터 질의용으로 코드 작성 전문이 아님. (B) Bedrock Agents는 앱 오케스트레이션 구축 부담이 있어 최소 노력에 부적합. (D) SageMaker Clarify는 편향/설명 도구로 코드 작성과 무관. 【시험 포인트】 코드/테스트 작성 생산성 → Amazon Q Developer.

해설

【핵심 용어】 ▸ Amazon Bedrock — 여러 제공사의 파운데이션 모델을 비교·선택해 생성형 AI에 활용 ▸ FM 선택 — Bedrock이 다양한 FM 카탈로그 제공 【정답 포인트】 ▸ "생성형 AI용 FM 선택을 돕는 서비스" → Amazon Bedrock ▸ B: Bedrock은 다양한 FM을 단일 API로 제공해 선택·전환 용이 【오답 체크】 (A) Personalize는 추천 시스템 전용 서비스. (C) Q Developer는 코딩 어시스턴트로 FM 선택 서비스가 아님. (D) Rekognition은 이미지/영상 분석 전용. 【시험 포인트】 FM 선택·비교·접근 → Amazon Bedrock.

해설

【핵심 용어】 ▸ Hallucination(환각) — 생성형 AI가 사실과 다른/부정확한 내용을 그럴듯하게 생성하는 단점 ▸ 비결정성 — 동일 입력에도 출력이 달라질 수 있음 【정답 포인트】 ▸ "프로덕션에서 생성형 AI의 단점" → 환각(hallucination)과 부정확성 ▸ D: 환각·부정확성이 생성형 AI의 대표적 위험/단점 【오답 체크】 (A) 높은 정확도·신뢰성은 단점이 아니라 장점(성립도 보장 안 됨). (B) 결정적·일관된 동작은 생성형 AI의 특성이 아니며 단점도 아님. (C) 미미한 연산 자원 요구는 사실과 다름(오히려 자원 소모 큼)이자 단점 서술 아님. 【시험 포인트】 생성형 AI 단점 = 환각(hallucination)·부정확성.

해설

【핵심 용어】 ▸ Amazon Bedrock — 파운데이션 모델을 API로 즉시 활용, 인프라 구축 없이 최소 개발 노력으로 AI 앱 배포 ▸ 관리형 FM 서비스 — 모델 학습/호스팅 부담 제거 【정답 포인트】 ▸ "FM으로 AI 모델 개발·배포" + "최소 개발 노력" → Amazon Bedrock ▸ A: 관리형 FM API로 개발 노력 최소화 【오답 체크】 (B) SageMaker AI는 강력하나 직접 구축·관리 부담이 커 최소 노력 요건에 상대적으로 불리. (C) PartyRock은 실험/프로토타입용 놀이터로 프로덕션 FM 앱 개발·배포 표준이 아님. (D) Q Developer는 코딩 어시스턴트로 FM 앱 배포 서비스가 아님. 【시험 포인트】 FM 기반 앱을 최소 개발 노력으로 → Amazon Bedrock(관리형).

해설

【핵심 용어】 ▸ Amazon Neptune — 완전관리형 그래프 데이터베이스, 그래프 기반 ML(예: 관계·패턴 분석)에 적합 ▸ 그래프 ML — 사기 패턴 등 관계형 데이터 분석에 그래프 모델 활용 【정답 포인트】 ▸ "그래프 기반 ML로 사기 조사 도구 개발" → Amazon Neptune(그래프 DB) ▸ C: Neptune이 그래프 데이터 저장·질의·그래프 ML을 지원 【오답 체크】 (A) OpenSearch는 검색/분석 엔진으로 그래프 DB가 아님. (B) Aurora는 관계형 DB로 그래프 ML 특화 서비스가 아님. (D) MemoryDB는 인메모리 DB로 그래프 ML 목적과 다름. 【시험 포인트】 그래프 기반 ML/관계 분석 → Amazon Neptune.