정답 · 해설

해설

【핵심 용어】 ▸ Explainability—모델 의사결정을 비전문가도 이해하도록 드러내는 성질 ▸ PDP—피처 값 변화에 따른 예측 변화를 시각화하는 기법 【정답 포인트】 ▸ 투명성·설명 가능성→비전문가 이해 가능한 시각적 자료 필수 ▸ PDP는 피처별 영향도를 명확히 보여주는 표준 도구 【오답 체크】 (A)학습 코드는 개발자용 기술 자료로 비기술 이해관계자 보고서 부적합 (C)학습 샘플 데이터는 데이터 품질용일 뿐 모델 설명 도구 아님 (D)수렴 테이블은 학습 최적화용으로 예측 로직 설명과 무관 【시험 포인트】 ▸ 설명 가능성=시각화·해석 가능성→PDP·SHAP·Feature Importance 등 표준 도구 ▸ 보고서는 기술 상세보다 비즈니스 의사결정 지원 우선

해설

【핵심 용어】 ▸ Summarization—긴 텍스트에서 핵심 정보를 추출하여 응축 형태로 생성 ▸ LLM—수십억 토큰 사전학습 대규모 언어 모델 【정답 포인트】 ▸ 문서 읽고 핵심 추출=전체 의미 이해 후 요약→요약 챗봇 정확한 매칭 ▸ LLM의 효과적 사용→자연어 이해 기반 요약 생성 【오답 체크】 (A)NER은 고유명사·엔티티만 추출로 핵심 내용 전체 맥락 파악 불가능 (B)추천 엔진은 사용자-아이템 매칭 문제로 문서 분석과 무관 (D)번역은 같은 언어 내 요약과 완전히 다른 작업 【시험 포인트】 ▸ LLM 활용=언어 이해·생성→Summarization·QA·Classification 등 텍스트 중심 ▸ 법률 문서 분석→요약·조항 분류·리스크 플래깅이 표준 사용사례

해설

【핵심 용어】 ▸ Decision Tree—각 노드에서 피처 값 기반 이진 분기로 완전히 투명한 화이트박스 모델 ▸ Interpretability—모델 결과 도달 과정을 추적·설명 가능한 성질 【정답 포인트】 ▸ 분류+내부 동작 문서화=모델 자체가 설명인 Decision Tree 최적 ▸ 20개 다중 클래스→트리는 자연스럽게 다중 클래스 처리 가능 【오답 체크】 (B)Linear Regression은 회귀 모델로 분류 문제 부적합 (C)Logistic Regression은 이진 분류 중심이며 20개 다중 클래스 설명 복잡도 증가 (D)Neural Networks는 블랙박스로 설명 가능성 극히 낮음 【시험 포인트】 ▸ 설명 가능성 요구→Decision Tree·Linear Model·Rule-based 같은 화이트박스 선택 ▸ 규제·의료 분야=Explainability 필수→항상 트리·선형 모델 고려

해설

【핵심 용어】 ▸ Accuracy—분류 모델 기본 평가 지표=(TP+TN)/전체로 올바르게 분류된 비율 ▸ RMSE—회귀 모델의 예측·실제값 오차를 평균 제곱근으로 계산 【정답 포인트】 ▸ 얼마나 많이 올바르게 분류=Accuracy의 정의와 정확히 일치 ▸ 이미지 분류=명확한 카테고리 할당→분류 문제→분류 지표 필수 【오답 체크】 (A)R² Score는 회귀 모델의 분산 설명력으로 분류 문제 적용 불가 (C)RMSE는 회귀 모델의 오차 크기로 분류 정오분류 직접 평가 안 함 (D)Learning Rate는 학습 최적화 하이퍼파라미터로 성능 평가 지표 아님 【시험 포인트】 ▸ 분류 vs 회귀=평가 지표 구분 필수→Accuracy/F1/AUC(분류) vs MSE/RMSE/R²(회귀) ▸ 불균형 데이터 주의하되 문제 직접 언급 없으면 기본 지표 선택

해설

【핵심 용어】 ▸ Prompt Engineering—입력 프롬프트를 정교하게 작성하여 LLM 응답 형식·길이·내용 제어 ▸ Temperature—생성 다양성 제어로 높을수록 창의적·비결정적 【정답 포인트】 ▸ 짧게·특정 언어 같은 형식 요구=프롬프트에 명시로 즉시 해결 ▸ 프롬프트 조정=가장 빠른 iteration·재학습 불필요 【오답 체크】 (B)모델 크기 변경은 과도한 조치로 성능보다 비용·지연 증가 (C)Temperature 증가=창의성 높이는 것으로 응답 길이·언어와 무관 (D)Top K 증가=생성 다양성 증가로 짧고 구체적 응답과 반대 방향 【시험 포인트】 ▸ LLM 응답 제어 우선순위=프롬프트(가장 효과)>파라미터>모델 교체 ▸ 프롬프트에는 예시·명확한 지시·응답 형식 명시 포함

해설

【핵심 용어】 ▸ Asynchronous Inference—1GB 페이로드·최대 1시간 처리·near real-time 지원 ▸ Real-time Inference—초저지연이나 6MB·60초 제약 【정답 포인트】 ▸ 1GB+1시간+near real-time=Asynchronous의 정확한 유스케이스 ▸ 요청 큐 저장→S3 결과 반환 구조로 요구사항 완전 일치 【오답 체크】 (A)Real-time—6MB·60초 제약으로 기술적 불가능 (B)Serverless—콜드 스타트·메모리 제한 더 엄격 (D)Batch Transform—개별 요청의 실시간 응답 불가 【시험 포인트】 ▸ SageMaker 추론 선택=지연 요구(실시간 vs 배치)×페이로드 크기(작은 vs 대용량) ▸ Async는 비동기 큐+S3 폴링 구조 이해 필수

해설

【핵심 용어】 ▸ Transfer Learning—사전학습 모델의 가중치를 새 도메인·태스크에 fine-tuning하는 전략 ▸ Fine-tuning—사전학습 가중치에서 시작하여 새 태스크 데이터로 추가 학습 【정답 포인트】 ▸ 사전학습 모델을 새 태스크에 적응=전이 학습의 정의 그대로 일치 ▸ 처음부터 만들지 않음=기존 학습된 가중치 재활용 【오답 체크】 (A) (C)Epoch 수 증감은 학습 반복 횟수 조정일 뿐 사전학습 활용과 개념적 무관 (D)Unsupervised Learning—라벨 없이 패턴 추출로 새 태스크 적응과 다른 차원 【시험 포인트】 ▸ Transfer Learning=처음부터 X·기존 학습 활용 O ▸ Fine-tuning vs Pre-training—전이 학습은 두 단계 개념

해설

【핵심 용어】 ▸ SageMaker Ground Truth Plus—전문 라벨러 팀이 데이터 정밀하게 검수·라벨링 ▸ Human-in-the-loop—ML 모델 자동 판단에 사람이 개입하여 정확도 높이기 【정답 포인트】 ▸ 높은 정확도+잘못된 레이블 최소화=사람이 직접 검수하는 GT Plus 최적 솔루션 ▸ Plus=자동화된 검수+전문가 개입으로 매우 높은 정확도 달성 【오답 체크】 (B)Bedrock 지식 베이스—텍스트 기반 RAG로 이미지 라벨링과 무관 (C)Rekognition—사전학습 객체 인식 API로 커스텀 라벨링 처리 불가 (D)QuickSight Q—데이터 대시보드 기능로 라벨링 정확도와 무관 【시험 포인트】 ▸ 데이터 품질=라벨 품질로 Critical 도메인은 GT Plus 필수 ▸ Ground Truth vs Plus—Plus는 관리형·검수팀·높은 비용·높은 품질

해설

【핵심 용어】 ▸ IAM Role—AWS 서비스가 다른 AWS 리소스 접근 시 사용하는 권한 집합 ▸ SSE-S3—S3 서버 측 암호화로 AWS 관리 키로 객체 자동 암호화 【정답 포인트】 ▸ 접근 실패 근본 원인=권한 부족→Bedrock 실행 role에 S3 읽기+복호화 권한 필수 ▸ IAM 정책에서 s3:GetObject·kms:Decrypt 권한 필요 【오답 체크】 (B)S3 Public 접근—심각한 보안 위반으로 절대 금지 (C)프롬프트 엔지니어링—권한 부족을 지시사항으로 해결 불가능 (D)민감 데이터 확인—요구사항과 무관 【시험 포인트】 ▸ AWS 서비스 간 통신=IAM role의 assume+정책 권한 필수 ▸ 암호화+권한=두 가지 모두 확보해야 접근 가능

해설

【핵심 용어】 ▸ SLM—파라미터 수십억 이하의 작은 언어 모델로 엣지·모바일·IoT 환경 배포 가능 ▸ Edge Computing—클라우드 의존 없이 로컬 디바이스에서 직접 추론→최소 지연 【정답 포인트】 ▸ 최저 지연+엣지=네트워크 왕복 없이 디바이스 로컬에서 실행하는 SLM ▸ 지연=로컬 추론(ms) vs API 호출(수십~수백ms)+네트워크로 로컬 압도적 우위 【오답 체크】 (B)LLM 엣지 배포—수십GB 이상 가중치로 엣지 디바이스 저장·실행 불가능 (C) (D)중앙 API 호출—네트워크 지연 발생으로 최저 지연과 모순 【시험 포인트】 ▸ Edge ML=작은 모델+로컬 배포→가장 빠른=로컬 추론 기본 원칙 ▸ SLM은 성능 약간 낮지만 지연 요구에서 LLM 불가능→SLM 정답

해설

【핵심 용어】 ▸ SageMaker Feature Store—피처를 중앙 집중식으로 저장·버전 관리·검색·공유 ▸ Data Wrangler—데이터 수집·탐색·변환 도구로 공유·관리 기능 약함 【정답 포인트】 ▸ 여러 팀·피처 공유/관리=Feature Store의 핵심 용도 그대로 ▸ 중앙 저장소→학습·추론 양쪽에서 일관된 피처 사용 가능 【오답 체크】 (B)Data Wrangler—데이터 준비 도구로 팀 간 피처 공유 기능 부족 (C)Clarify—편향·설명 가능성 분석로 피처 공유 무관 (D)Model Cards—모델 문서화로 피처 관리 아님 【시험 포인트】 ▸ SageMaker 각 도구의 용도 구분→Feature Store≠Data Wrangler(전처리) ▸ 공유 키워드=Feature Store 또는 Model Registry 같은 중앙 저장소 서비스

해설

【핵심 용어】 ▸ Amazon Q Developer—IDE·CLI 통합 개발자용 생성형 AI 어시스턴트 ▸ Code Generation—자연어 설명에서 코드 스니펫 자동 생성 ▸ License Compliance—코드의 오픈소스 라이선스 자동 식별·추적 【정답 포인트】 ▸ Q Developer의 주요 기능=(1)코드 생성(2)참조 추적(3)라이선스 추적→A가 모두 포함 ▸ IDE 통합→개발자 워크플로우 내 native하게 동작 【오답 체크】 (B)서버리스 실행—Lambda의 역할로 Q 기능 아님 (C)음성 명령—Q의 표준 기능 아님 (D)오디오→텍스트 변환—Transcribe 기능 【시험 포인트】 ▸ Q Developer=IDE 통합 AI 어시스턴트→코딩 생산성·보안·품질 세 축 ▸ AWS Q 제품군 구분→Q Developer(개발자) vs Q Business(기업 검색)

해설

【핵심 용어】 ▸ AWS PrivateLink—VPC에서 AWS 서비스로의 트래픽을 AWS 백본 네트워크 통해 인터넷 거치지 않고 라우팅 ▸ VPC Endpoint—PrivateLink의 구체적 구현로 인터페이스·게이트웨이 엔드포인트 형태 【정답 포인트】 ▸ VPC+인터넷 금지=대퍼블릭 서비스 접근하면서 인터넷 경유 제거→PrivateLink ▸ 금융 규제(PCI-DSS·SOX)→프라이빗 통신 경로 필수 【오답 체크】 (B)Macie—S3 민감 데이터 탐지로 네트워크 격리 문제와 별개 (C)CloudFront—퍼블릭 CDN으로 인터넷 개방→규제 위반 (D)Internet Gateway—인터넷 접근 가능으로 금지 요구사항과 정반대 【시험 포인트】 ▸ VPC+규제→PrivateLink/VPC Endpoint 반사적 연상 ▸ 인터넷 금지+외부 서비스 필요=PrivateLink 유일한 답

해설

【핵심 용어】 ▸ 확률 계산 공식—해당 경우의 수/전체 경우의 수로 정확한 수학적 정의 ▸ 운영 오버헤드—모델 학습·관리·배포·모니터링의 비용·노력 【정답 포인트】 ▸ 운영 오버헤드 최소=학습 데이터 불필요·모델 관리 불필요→계산 코드 최적 ▸ 확률 공식은 고정·명확→ML로 학습할 것이 아님 【오답 체크】 (A)지도학습—학습 데이터셋·하이퍼파라미터·모니터링 오버헤드 발생 (B)강화학습—보상 설정·정책 학습·수렴 확인으로 오버헤드 극대화 (D)비지도학습—데이터·모델 관리 필요로 불필요 【시험 포인트】 ▸ ML은 만능 아님→명확한 수학·규칙이 있으면 단순 코드 선택 ▸ 과학올림피아드 확률≠예측 모델→전략 선택 능력 평가

해설

【핵심 용어】 ▸ Runtime Efficiency—배포된 모델의 운영 단계에서 추론을 빠르고 효율적으로 수행하는 성능 지표 ▸ Inference Latency—모델이 입력받아 출력할 때까지의 시간 【정답 포인트】 ▸ 운영 단계의 효율=추론 성능=응답 시간이 핵심 지표 ▸ 사용자 경험=모델이 얼마나 빨리 답하는가로 응답 시간 직결 【오답 체크】 (A)CSAT—사용자 만족도로 사업 지표이지 모델 기술 효율 지표 아님 (B)에폭당 학습 시간—학습 단계 지표로 운영 효율과 무관 (D)학습 인스턴스—학습 자원·비용 지표로 운영 효율 아님 【시험 포인트】 ▸ 모델 생명 주기=학습→배포→운영로 각 단계 지표 구분 필수 ▸ Runtime=서빙=프로덕션 추론→모두 같은 맥락

해설

【핵심 용어】 ▸ Amazon Transcribe—음성을 자동으로 텍스트로 전사하는 Speech-to-Text 서비스 ▸ Speech-to-Text—오디오 자료 분석의 필수 첫 단계 【정답 포인트】 ▸ 오디오 분석→먼저 오디오를 텍스트로 변환 필수→Transcribe가 필수 첫 단계 ▸ 통화 녹음(음성)→Transcribe→텍스트 파이프라인 【오답 체크】 (A)Lex—챗봇 구축로 녹음된 통화 분석과 무관 (C)Model Monitor—배포 모델 품질 감시로 녹음 정보 추출 무관 (D)Comprehend—텍스트 입력 기준으로 오디오 파일 직접 처리 불가 【시험 포인트】 ▸ 오디오 분석=Transcribe(음성→텍스트)→Comprehend(텍스트 분석) ▸ 핵심 정보 추출=Transcribe 필수 요건

해설

【핵심 용어】 ▸ Unsupervised Learning—라벨이 없는 데이터에서 숨겨진 패턴·구조·그룹을 자동 발견 ▸ Clustering—유사한 것끼리 묶는 작업로 고객을 구매력·행동 기반 그룹화 【정답 포인트】 ▸ 라벨 없음+고객 그룹화/티어 분류=Unsupervised Learning의 정확한 사용 사례 ▸ 페타바이트 규모→빅데이터 클러스터링 필요 【오답 체크】 (A)Supervised Learning—라벨이 없으므로 불가능 (C)Reinforcement Learning—게임·로봇용으로 고객 분류와 무관 (D)RLHF—생성형 AI 정렬용으로 고객 분류 무관 【시험 포인트】 ▸ 라벨 여부가 학습 방법 선택의 1순위 기준 ▸ 그룹화=Clustering=Unsupervised의 신호

해설

【핵심 용어】 ▸ Multi-modal Embedding Model—텍스트·이미지·오디오를 같은 벡터 공간으로 인코딩 ▸ Embedding—데이터를 고정 차원 벡터로 변환하여 유사도·검색용 최적화 【정답 포인트】 ▸ 텍스트+이미지 쿼리=다중 양식 처리 필수→Multi-modal ▸ 검색=임베딩(벡터 유사도)로 Generation이 아님 【오답 체크】 (B)Text Embedding—텍스트만 인코딩 가능으로 이미지 쿼리 불가능 (C)Multi-modal Generation—새 콘텐츠 생성 목적으로 임베딩 공간 구성 안 함 (D)Image Generation—텍스트→이미지 생성로 검색 아님 【시험 포인트】 ▸ FM 타입 구분=Embedding(검색) vs Generation(생성)·Single-modal vs Multi-modal ▸ 검색 앱=임베딩 우선

해설

【핵심 용어】 ▸ Bedrock Fine-tuning — 기본 파운데이션 모델(Claude, Llama 등)에 조직의 커스텀 데이터를 추가 학습시켜 특정 도메인·스타일에 최적화. JSONL 포맷의 (prompt, completion) 쌍 데이터 필요. 예: {"prompt": "Q: 계약서...", "completion": "A: 조항 분석..."}. ▸ Labeled Data (라벨 데이터) — Fine-tuning은 지도학습 형태. 정답(completion)이 반드시 포함되어야 함. ▸ JSONL Format — 각 줄이 하나의 JSON 객체인 형식. 자유 형식 CSV·txt와 다름. ▸ Provisioned Throughput — Bedrock 추론의 용량 예약 구매. Fine-tuning과 무관. 【정답 포인트】 ▸ Fine-tuning = 입력-출력 쌍(prompt-completion) 필수. 라벨 데이터 제공이 핵심. ▸ "정확도 높임" → 모델이 조직 데이터에 맞게 학습 → 지도학습 데이터 필수. 【오답 체크】 (B) CSV 형식 .txt — Bedrock 표준 fine-tuning 포맷 아님. JSONL이 정식 포맷. 자유 형식 데이터는 파싱 불가능. (C) Provisioned Throughput — 추론 용량·비용 관련. Fine-tuning 학습 프로세스와 무관. 학습 후 배포 단계에서 활용. (D) 저널·교과서 학습 — 추가 사전학습(Pre-training) 개념. 이미 사전학습된 FM의 fine-tuning과 다름. 라벨 없는 일반 텍스트 학습은 fine-tuning 효과 제한적. 【시험 포인트】 ▸ Fine-tuning ≠ Pre-training. Pre-train(라벨 없음 대규모 데이터)은 AWS에서 진행, Fine-tune(커스텀 데이터)은 사용자 책임. ▸ Bedrock Fine-tuning은 (prompt, completion) 구조 필수. 자유형식 데이터는 불가능.

해설

【핵심 용어】 ▸ Anomaly Detection—정상 패턴에서 벗어난 이벤트를 탐지하는 보안 기법 ▸ Suspicious Source Detection—네트워크 이상 IP 식별 【정답 포인트】 ▸ 의심스러운 출처=정상 행동 패턴 벗어남→이상 탐지 패러다임 적용 ▸ 네트워크 보안의 IP 위협 판별 표준 솔루션 【오답 체크】 (A)음성 인식—네트워크 IP와 무관한 기술 (B)NER—텍스트 엔티티 추출용으로 IP 위협 평가 불가 (D)사기 예측—거래·결제 패턴용으로 IP 단독 평가 부적절 【시험 포인트】 ▸ 네트워크 보안 문제→이상 탐지 기술로 접근하는 패턴 인식 ▸ IP 출처 위협 평가=이상치 탐지의 전형적 활용 사례