정답 · 해설

해설

【핵심 용어】 ▸ Security Group—상태 추적 방화벽(stateful), 명시적 거부 규칙 불가능, 오직 허용만 지정 ▸ Network ACL—상태 비추적 방화벽(stateless), 명시적 거부/허용 규칙 모두 지원 ▸ 퍼블릭 서브넷—인터넷 게이트웨이 연결 필요, NACL 우선 적용 【정답 포인트】 ▸ 특정 IP 거부→명시적 거부 규칙 필요 ▸ Security Group은 거부 불가능→NACL만 해결책 ▸ NACL을 서브넷(도메인 위치)에 할당→유입 트래픽 차단 【오답 체크】 (A)Security Group은 기본적으로 허용 패턴(화이트리스트)→명시적 거부 규칙 미지원 (C)Shadow Variant는 카나리 배포 기법→특정 IP 차단 용도 아님 (D)Route Table은 L3 라우팅만 담당→트래픽 거부 불가능 【시험 포인트】Security Group의 한계 인식→NACL만 명시적 거부 지원

해설

【핵심 용어】 ▸ One-hot Encoding—카테고리 특성을 이진 벡터로 변환 (각 카테고리마다 0/1 컬럼) ▸ 명목형 데이터(Nominal)—day_of_week처럼 순서 없는 카테고리 ▸ 이진 값 변환—각 클래스를 별도의 이진 특성으로 표현 【정답 포인트】 ▸ 7가지 요일→7개 이진 컬럼으로 변환 ▸ Monday=[1,0,0,0,0,0,0], Tuesday=[0,1,0,0,0,0,0] 등 ▸ 순서 없는 명목 데이터→One-hot 표준 기법 【오답 체크】 (A)Binary Encoding—카테고리를 2진수로 변환 (001, 010 등)→순서 암시 가능, 명목형 부적절 (B)Label Encoding—0~6 정수로 순차 할당→순서 암시 (월요일이 목요일보다 "작다") 모델 혼동 (D)Tokenization—텍스트 단어 분할용→구조화 데이터에 부적절 【시험 포인트】명목형 카테고리=One-hot Encoding 선택지

해설

【핵심 용어】 ▸ SageMaker Data Wrangler—ETL/데이터 준비 도구, 결측치 처리 기능 내장 ▸ SageMaker Clarify—모델 설명/편향 분석 도구 (데이터 전처리 아님) ▸ 최빈값(Mode)—범주형 데이터 결측 대체의 표준 방법 【정답 포인트】 ▸ 범주형 결측치→Mode 보간 (분류형 데이터 특성상) ▸ SageMaker Data Wrangler→데이터 전처리 전문 도구 ▸ 평균값은 수치형 데이터 전용 【오답 체크】 (A)Clarify는 해석가능성/편향 분석→데이터 보간 기능 없음 (B)Clarity는 실제 존재하지 않는 서비스명 (오타) (C)Data Wrangler 맞으나 평균값 사용→범주형에는 부적절 【시험 포인트】범주형 결측치=Mode 보간+Data Wrangler 사용

해설

【핵심 용어】 ▸ VPC Endpoint—AWS 서비스와 프라이빗 연결, 인터넷 게이트웨이 거치지 않음 ▸ OPT_OUT_TRACKING—AWS에 훈련 메타데이터 전송 거부 환경 변수 ▸ Cross-Account 접근—계정 간 안전한 데이터 공유 【정답 포인트】 ▸ 프라이빗 IP 만 사용→VPC Endpoint (인터넷 경로 회피) ▸ 메타데이터 비공유→OPT_OUT_TRACKING=1 설정 ▸ 두 조건 동시 만족 필요 【오답 체크】 (A)VPC 피어링은 프라이빗 연결 가능하지만 메타데이터 거부는 이메일 수동 요청 불안정 (C)보안 그룹은 EC2 인스턴스용→S3 버킷에 할당 불가능 (D)Presigned URL은 인터넷 경로 필요 가능→프라이빗 IP 요구사항 미충족 【시험 포인트】프라이빗+메타데이터 비공유=VPC Endpoint+OPT_OUT_TRACKING

해설

【핵심 용어】 ▸ SageMaker Feature Store—훈련/추론 시 피처를 중앙에서 관리하는 저장소 ▸ 동기화—배치/실시간에서 동일한 피처 데이터 사용 보장 ▸ 온라인/오프라인 스토어—실시간/배치 용 이중 저장소 【정답 포인트】 ▸ 피처 저장소 구축→SageMaker Feature Store 표준 ▸ 배치/실시간 동시 지원→온라인(실시간용)+오프라인(배치용) 스토어 ▸ 자동 동기화→일관된 피처 데이터 제공 【오답 체크】 (B)Athena—쿼리 엔진, 피처 저장소 미흡, 실시간 추론 성능 부족 (C)Lake Formation—데이터 거버넌스 도구, 피처 저장소 역할 아님 (D)Data Wrangler—데이터 탐색/정제 도구, 지속 가능한 저장소 아님 【시험 포인트】배치+실시간 동기화 필요=SageMaker Feature Store 유일 해결책

해설

【핵심 용어】 ▸ SageMaker Model Monitor—배포된 모델의 데이터/모델 품질 자동 모니터링 ▸ 스케줄 모니터링—정기적 실행으로 일일 보고서 생성 ▸ 모니터링 결과—품질 메트릭 자동 계산 【정답 포인트】 ▸ 일일 자동 보고서→Model Monitor 스케줄 설정 ▸ 데이터+모델 품질 동시 체크→Model Monitor 기본 기능 ▸ 배치 추론 후 평가 용이→배치 작업 후 자동 실행 【오답 체크】 (B)CloudWatch는 인프라 메트릭(CPU, 메모리) 추적→데이터/모델 품질 평가 불가 (C)DataBrew는 데이터 품질 규칙 생성→모델 성능 평가 미흡 (D)SageMaker Pipeline의 QualityCheck는 가능하나 Model Monitor가 표준이며 더 간단 【시험 포인트】데이터+모델 품질 일일 보고=SageMaker Model Monitor 스케줄 기능

해설

【핵심 용어】 ▸ Cataloged Connection—데이터 소스 메타데이터 저장, 재사용 가능한 연결 ▸ Direct Connection—일회성 연결, 메타데이터 저장 미흡 ▸ 최신 상태 유지—변경 내역 감지 및 자동 동기화 【정답 포인트】 ▸ 지속적 최신화→Cataloged Connection으로 연결 관리 ▸ 자동 동기화→카탈로그 연결은 원본 변경 감지 및 업데이트 ▸ 운영 효율→재사용 가능한 연결 구성 【오답 체크】 (A)Direct Connection은 일회성→지속적 동기화 메커니즘 미흡 (C)Glue를 거치는 중간 계층→불필요한 복잡도 증가 (D)Lambda 커스텀 개발→관리 오버헤드 증가, 표준 기능 미사용 【시험 포인트】자동 최신화 유지=Cataloged Connection으로 원본 변경 동기화

해설

【핵심 용어】 ▸ 회귀(Regression)—연속 수치 예측 (분류 아님) ▸ RMSE—회귀 모델의 표준 평가 메트릭, 잔차의 제곱 평균 제곱근 ▸ Accuracy/AUC—분류 모델 전용 메트릭 【정답 포인트】 ▸ "지속적인 수치 예측"→회귀 문제 ▸ 회귀 평가→RMSE, MAE, MAPE 등 ▸ RMSE는 원래 단위 해석 용이 【오답 체크】 (A)Accuracy—분류 모델의 정답률→회귀 미지원 (B)InferenceLatency—성능 메트릭 아님 (추론 시간만 측정) (C)AUC—이진/다중 분류 평가 메트릭→회귀에 부적합 【시험 포인트】연속 수치 예측=회귀=RMSE 메트릭 선택

해설

【핵심 용어】 ▸ Real-time Endpoint—지연시간 중요, 즉각적 응답 필요 ▸ Batch Transform—예정된 배치 작업, 지연 가능 ▸ Asynchronous Endpoint—실시간보다 느린 응답, 비용 효율 【정답 포인트】 ▸ 모델 A (매 거래 접근, 즉시 응답 필요)→Real-time Endpoint ▸ 모델 B (월 1회 접근, 지연 허용)→Batch Transform ▸ 각 모델 특성에 맞는 호스팅 방식 선택 【오답 체크】 (A)하나의 엔드포인트→모델 B 요청 빈도 적음에 불필요한 비용 낭비 (B)모델 A를 비동기→사기 감지는 즉시 응답 필수, 부적절 (D)모델 A를 배치→매 거래마다 배치 실행 불가능, 비실용적 【시험 포인트】빈번한 요청+즉시 응답=Real-time, 드문 배치 작업=Batch Transform

해설

【핵심 용어】 ▸ Linear Learner—선형 회귀/분류 알고리즘, 높은 해석가능성 ▸ 설명가능성(Explainability)—규제 요구사항, 계수 및 피처 기여도 명확 ▸ SageMaker 기본 알고리즘—AWS 내장 지원 【정답 포인트】 ▸ 규제 규정→모델 투명성/해석가능성 필수 ▸ Linear Learner→가중치 계수로 피처 기여도 명확 해석 가능 ▸ AWS 기본 지원 알고리즘 【오답 체크】 (A)Object2Vec—임베딩 생성 알고리즘, 해석가능성 낮음 (C)신경망—블랙박스 모델, 규제 설명 어려움 (D)k-means—비지도 클러스터링, 분류 예측 불가 【시험 포인트】설명가능+SageMaker 기본=Linear Learner 선택

해설

【핵심 용어】 ▸ SageMaker Data Wrangler—데이터 품질 규칙, 결측치/중복 처리 전문 ▸ SageMaker Clarify—훈련 데이터의 통계적 편향 감지 및 분석 ▸ 훈련 전 데이터 준비→Wrangler 우선, 편향 검증→Clarify 【정답 포인트】 ▸ 데이터 품질 (중복/결측) 개선→Data Wrangler ▸ 통계적 편향 감지→SageMaker Clarify의 bias detection ▸ 훈련 전 단계에 Data Wrangler, 데이터 검증 단계에 Clarify 【오답 체크】 (A)Clarify는 편향 감지 전문→데이터 품질 규칙 미흡, Model Monitor는 프로덕션 배포 후 모니터링용 (C)Debugger는 훈련 중 모델 디버깅→데이터 품질 규칙 생성 미흡 (D)Model Monitor는 배포 후 모니터링→훈련 전 데이터 준비 미흡 【시험 포인트】데이터 정제=Data Wrangler, 편향 검증=SageMaker Clarify

해설

【핵심 용어】 ▸ 이상치(Outlier)—극단적 값 (저택/아파트 사례) ▸ 로그 변환—극단값 범위 축소, 분포 정규화 ▸ 회귀 모델 성능—"일반적" 데이터에 최적화 【정답 포인트】 ▸ 저택/아파트 이상치→모델 학습 왜곡 ▸ 제거+로그 변환→이상치 영향 완전 제거+정규분포 유사도 향상 ▸ 일반적 데이터 예측 정확도 향상 【오답 체크】 (B)정규화(0~1 범위)는 극단값 유지→모델 편향 여전히 발생 (C)원-핫 인코딩은 범주형 데이터용→수치형 제곱미터에 부적절 (D)이상치 유지+잘못된 인코딩→이중 오류 【시험 포인트】극단 이상치+수치형 변수=제거+로그 변환

해설

【핵심 용어】 ▸ SageMaker Clarify—편향/공정성 분석 도구 ▸ CloudWatch Metrics—메트릭 수집 및 대시보드 표시 표준 ▸ CloudTrail—감사 로그 (메트릭 아님) 【정답 포인트】 ▸ Clarify 편향 분석→CloudWatch 메트릭으로 내보내기 ▸ CloudWatch 대시보드→시각화 및 실시간 모니터링 ▸ 표준 메트릭 수집 방식 【오답 체크】 (A)CloudTrail은 API 감사 로그→메트릭 아님, 대시보드 표시 불가 (C)EventBridge는 이벤트 라우팅 서비스→메트릭 수집/표시 미흡 (D)SNS는 알림 서비스→메트릭 저장/시각화 기능 없음 【시험 포인트】Clarify 편향 메트릭→CloudWatch로 수집 및 대시보드 표시

해설

【핵심 용어】 ▸ Baseline Drift—추론 데이터가 훈련 데이터의 기준선과 다름 (데이터 드리프트) ▸ 기준선 업데이트—새 훈련 데이터로 재생성해야 함 ▸ Model Retraining—새 데이터로 모델 학습 【정답 포인트】 ▸ Baseline drift 위반→기준선과 실제 데이터 분포 이탈 ▸ 새 훈련 데이터→새 기준선 생성 필수 ▸ 원본 기준선 재사용→계속 위반 발생 【오답 체크】 (A)SageMaker Debugger는 훈련 프로세스 디버깅→드리프트 해결 미흡 (B)재훈련하나 원본 기준선 유지→드리프트 문제 계속 발생 (D)emit_metrics 활성화는 메트릭 출력일 뿐→드리프트 해결 미흡 【시험 포인트】재훈련 후 새로운 기준선 생성이 필수→데이터 드리프트 해결

해설

【핵심 용어】 ▸ Recall(재현율)—실제 양성 중에서 올바르게 예측된 양성의 비율. TP/(TP+FN) ▸ Precision(정밀도)—양성으로 예측된 것 중 실제 양성의 비율. TP/(TP+FP) 【정답 포인트】 ▸ '가능한 많은 사기 거래를 식별'→거짓음성(FN) 최소화 필요 ▸ 사기 탐지에서 놓친 사기 거래(FN)가 비용이 매우 높음 ▸ Recall이 FN을 직접 반영: TP/(TP+FN)→FN이 낮을수록 높은 Recall ▸ '많은 식별'은 검출률 극대화를 의미하므로 Recall이 핵심 지표 【오답 체크】 (A)F1 점수: Precision과 Recall의 조화평균으로 둘 다 고려. 사기 탐지에서는 Recall을 더 중시하므로 부적절 (B)AUC: 전체 분류 성능을 평가하지만 특정 목표(높은 검출률)에는 최적화되지 않음 (C)Precision: 오탐지(FP) 최소화에 초점. 사기를 놓치는 것보다 정상 거래를 거부하는 비용이 낮으므로 부적절 【시험 포인트】거짓음성 최소화→Recall 지표 선택. 의료/보안/사기 탐지 도메인에서 검출률 극대화 요구사항 인식.

해설

【핵심 용어】 ▸ Auto Scaling—메트릭(요청 수, CPU) 기반으로 인스턴스 자동 증감 ▸ SageMaker Endpoint—배포된 모델의 실시간 추론 서비스 【정답 포인트】 ▸ 트래픽 증가 중 '모델 가용성 유지'→동적 용량 조정 필요 ▸ SageMaker 엔드포인트는 Auto Scaling 네이티브 지원 ▸ Target Tracking Scaling Policy로 요청/초 메트릭 기반 자동 스케일 ▸ 비용 효율적이고 빠른 응답 시간 제공 【오답 체크】 (B)새 엔드포인트 생성: 현재 트래픽에 대응 불가, 수동 개입 필요, 비효율적 (C)SageMaker Neo: 모델 최적화 도구로 스케일링 문제 해결 불가 (D)Auto Scaling 그룹: EC2 Auto Scaling Group은 SageMaker 엔드포인트와 호환되지 않음. SageMaker는 내부 스케일링 메커니즘 사용 【시험 포인트】SageMaker 엔드포인트 트래픽 증가 대응→Auto Scaling 구성. AWS 서비스별 스케일링 메커니즘 차이 이해.

해설

【핵심 용어】 ▸ L1 정규화(Lasso) — 가중치의 절대값 합을 손실함수에 추가(∑|w|). 불필요한 가중치를 0으로 축소하여 피처 선택 효과 ▸ 과적합(Overfitting) — 학습 데이터에 과도하게 적응하여 일반화 성능 저하 【정답 포인트】 ▸ 과적합 + 불필요 피처 제거 → L1 정규화 선택 ▸ L1은 가중치 축소(weight shrinkage)로 비중요 피처의 계수를 정확히 0으로 만듦 ▸ L2(Ridge)는 가중치를 작게 하지만 0으로 만들지 않음 → 피처 제거 효과 없음 ▸ 재학습으로 정규화 효과 적용 필수 【오답 체크】 (A) 반복 횟수 증가: 과적합을 더 악화시킬 뿐 피처 선택 효과 없음 (C) 반복 횟수 감소: 모델이 충분히 수렴하지 않아 과소적합(Underfitting) 유발 (D) SageMaker Debugger: 디버깅 및 모니터링 도구이지 정규화 적용 도구가 아님 【시험 포인트】 L1 정규화의 피처 선택 특성(sparsity) 이해. 과적합 + 차원 축소 → L1 정규화 조합.

해설

【핵심 용어】 ▸ Similarity Encoding(유사성 인코딩) — 철자 오류나 유사한 문자열을 같은 범주로 그룹화. 편집 거리(Edit Distance) 또는 유사도 메트릭 기반 ▸ 철자 오류(Spelling Errors) — 같은 의미의 값이 다르게 표기(예: "Smith", "Smyth", "Smythe") 【정답 포인트】 ▸ '철자 오류로만 다른 수천 개 값' → 실제로는 소수의 실제 범주 ▸ 유사성 인코딩이 철자 변이를 감지하여 자동으로 그룹화 ▸ 범주 축소로 과적합 방지, 모델 성능 개선 ▸ SageMaker Data Wrangler에서 기본 지원 【오답 체크】 (A) Ordinal Encoding: 순서가 있는 범주에만 적합(예: 우수/양호/보통). 철자 변이 처리 불가 (C) One-Hot Encoding: 수천 개 범주 각각을 새 열로 생성하여 차원 폭발 발생. 과적합 악화 (D) Target Encoding: 목표 변수와 관계 없이 철자 유사성 처리 불가 【시험 포인트】 범주 문제(철자 오류, 유사 텍스트) → Similarity Encoding. Data Wrangler의 텍스트 전처리 특화 기능 인식.

해설

【핵심 용어】 ▸ Learning Rate(학습률) — 각 업데이트에서 가중치 변화 크기. 높을수록 큰 스텝, 낮을수록 작은 스텝 ▸ Mini-batch Size(미니배치 크기) — 한 번의 가중치 업데이트에 사용된 샘플 수 ▸ 진동(Oscillating) — 손실이 수렴 대신 상하로 변함 → 불안정한 학습 【정답 포인트】 ▸ '손실 함수가 수렴하지 않고 정확도 진동' → 학습률이 너무 높음 (불안정) ▸ 학습률 감소: 스텝 크기 축소로 최적값 근처에서 미세한 조정 → 수렴 안정화 ▸ 미니배치 크기 증가: 그래디언트 추정 분산 감소 → 더 안정적인 학습 ▸ 둘 다 조합하면 일반화 성능 향상 및 안정성 극대화 【오답 체크】 (A) 학습률 증가 + 배치 감소: 불안정성을 더 악화시킴 (B) 학습률을 에포크에 따라 증가: 에포크가 진행될수록 더 불안정해짐 (D) 학습률 감소 + 배치 감소: 배치가 작으면 노이즈 증가로 수렴 어려움 【시험 포인트】 진동하는 손실 → 학습률 감소. 불안정한 학습 → 배치 크기 증가. 하이퍼파라미터 튜닝 직관.

해설

【핵심 용어】 ▸ Amazon EFS — NFS 프로토콜 기반 관리형 파일 시스템. 파일 잠금(file locking) 지원, VPC 내 AWS 리소스 및 온프레미스 연결 가능 ▸ File Locking(파일 잠금) — 동시 접근 제어로 데이터 무결성 보장. NFS 표준 지원 【정답 포인트】 ▸ 'NFS 기반' → NFS 프로토콜 지원 필수 ▸ '온프레미스 + AWS' → 하이브리드 연결 필요 (AWS Direct Connect 또는 VPN) ▸ '파일 잠금 필요' → EFS가 POSIX 호환 파일 잠금 기본 지원 ▸ EFS는 다중 EC2, SageMaker, 온프레미스 서버 동시 마운트 지원 ▸ 관리형 NFS 호환 파일 시스템으로 NFS 마이그레이션에 최적 【오답 체크】 (A) S3 + Mountpoint: 객체 저장소로 NFS 프로토콜 미지원. 파일 잠금 불가능 (C) FSx for Lustre: 고성능 HPC/빅 데이터용. NFS 미지원, 온프레미스 연결 불가 (D) EBS: 단일 EC2 인스턴스 전용. 온프레미스 접근 불가, 공유 파일 시스템 아님 【시험 포인트】 NFS 호환 + 하이브리드 + 파일 잠금 → EFS. AWS 파일 시스템별 기능 매핑 필수.