정답 · 해설

해설

【핵심 용어】 ▸ k-NN 검색—벡터 임베딩 간 거리 기반 유사도 검색 기능 ▸ Nearest Neighbor 검색—가장 가까운 벡터 이웃을 찾는 벡터 DB 핵심 기능 【정답 포인트】 ▸ 벡터 DB 구축=k-NN 및 nearest neighbor 검색 필수 ▸ OpenSearch 확장 인덱싱+유사도 검색으로 RAG·의미 검색 구현 【오답 체크】 (A)S3 객체 저장—문서 스토리지로 벡터 DB와 다른 용도 (B)지리 공간 인덱싱—좌표 기반 검색으로 벡터 의미 검색과 별개 (D)스트리밍 분석—실시간 처리용으로 벡터 임베딩 저장 무관 【시험 포인트】 ▸ 벡터 DB=즉시 k-NN/nearest neighbor 검색과 연결 ▸ OpenSearch k-NN은 RAG 아키텍처의 필수 인프라

해설

【핵심 용어】 ▸ Generative AI—새로운 콘텐츠(텍스트·이미지·음성·코드)를 생성하는 AI ▸ Text-to-Image Generation—텍스트 프롬프트로 이미지 생성 【정답 포인트】 ▸ 텍스트 설명으로 이미지 생성=생성형 AI의 전형적 유스케이스 ▸ Stable Diffusion·Titan Image Generator 등 생성형 모델 표준 활용 【오답 체크】 (A)침입 탐지—분류/이상 탐지 ML 태스크로 생성형 아님 (C)DB 인덱싱—전통적 데이터베이스 최적화 기술 (D)금융 분석—예측/분류 ML 문제로 콘텐츠 생성과 별개 【시험 포인트】 ▸ 생성형 AI=새 콘텐츠 창작 강조→예측/분류와 엄격히 구분 ▸ 이미지 생성 유스케이스는 생성형 AI 정의 문제로 자주 출제

해설

【핵심 용어】 ▸ Context Window—모델이 한 번에 처리 가능한 최대 토큰 수 ▸ Token Limit—프롬프트+응답 입출력 길이 제약 결정 요소 【정답 포인트】 ▸ 프롬프트 정보량=컨텍스트 윈도우 크기로 직접 결정 ▸ Claude 200K·Titan·Llama 등 모델별 컨텍스트 크기 차이가 FM 선정 기준 【오답 체크】 (A)Temperature—응답 창의성/무작위성 제어로 입력 길이 무관 (C)Batch size—학습·추론 내부 병렬 처리 파라미터 (D)Model size—성능 일반 지표로 입력 수용 길이와 별개 【시험 포인트】 ▸ 얼마나 많은 정보 문제→즉시 Context Window로 직결 ▸ FM 선택 기준에서 컨텍스트 크기는 실무 중요도 높음

해설

【핵심 용어】 ▸ Iterative Prompt Engineering—원하는 톤·스타일 응답 획득까지 프롬프트를 반복 개선 ▸ System Prompt 설계—톤·스타일·가이드라인을 시스템 프롬프트에 명시 【정답 포인트】 ▸ 응답 톤 조정=프롬프트 디자인 영역으로 추가 학습 없이 즉시 반영 가능 ▸ 회사 톤 맞추기는 프롬프트 엔지니어링으로 해결하는 저비용 접근 【오답 체크】 (A)토큰 제한—응답 길이만 줄일 뿐 톤 변경과 무관 (B)Batch 추론—대량 처리 효율화로 톤 일관성과 별개 (D)Temperature 증가—응답 무작위성 높여 오히려 톤 일관성 저하 【시험 포인트】 ▸ 프롬프트 반복 개선으로 톤·스타일 제어하는 실무 기법 강조 ▸ 얻고 싶은 응답까지 프롬프트 실험=프롬프트 엔지니어링의 정의

해설

【핵심 용어】 ▸ Few-shot Prompting—라벨된 예시 여러 개를 프롬프트에 제공하는 기법 ▸ In-context Learning—프롬프트 내 예시로부터 모델이 패턴 학습 【정답 포인트】 ▸ 분류 정확도 향상=라벨된 예시 제공으로 모델이 패턴 인지 ▸ Few-shot은 감정 분석·개체 추출 등 분류 태스크의 표준 접근법 【오답 체크】 (B)이론 설명—감정 분석·LLM 원리 설명으로 성능 개선 불충분 (C)Zero-shot—예시 없이 모델이 패턴 파악 어려워 정확도 저하 (D)무관한 예시—요약·QA 같은 다른 태스크 예시로 오히려 혼란 야기 【시험 포인트】 ▸ Few-shot 프롬프팅=라벨된 예시로 분류 성능 향상하는 핵심 기법 ▸ 감정 분석·분류 태스크에서 few-shot의 효과는 시험 빈출 패턴

해설

【핵심 용어】 ▸ AWS CloudTrail — AWS API 호출을 감사 로그로 기록하는 서비스 ▸ Access Tracking — 누가(IAM 사용자), 언제, 어떤 리소스에 어떤 작업했는지 추적 【정답 포인트】 ▸ Bedrock 호출 추적 = CloudTrail이 모든 API 호출을 기록 ▸ 인가 여부 확인, 미인가 시도 식별은 CloudTrail 감사 로그 분석으로 가능 【오답 체크】 (A) Audit Manager는 컴플라이언스 프레임워크 매핑 및 내부 감사 자동화 (C) Fraud Detector는 거래의 이상 패턴 탐지 (D) Trusted Advisor는 비용 최적화, 성능, 보안 권고 서비스 【시험 포인트】 ▸ "누가 호출했는가" = 즉시 CloudTrail로 연결 ▸ 보안 감사 로깅 요구사항 → CloudTrail의 전형적 출제 문맥

해설

【핵심 용어】 ▸ Serverless Inference — 서버·인프라 관리 없이 모델 호스팅·추론 자동 스케일링 ▸ Auto-scaling — 트래픽 없으면 0으로 축소, 요청 있으면 자동 확장 【정답 포인트】 ▸ "인프라 관리 불필요" = SageMaker Serverless Inference의 정의 ▸ 예측 불가능·간헐적 트래픽에 최적화된 배포 패턴 【오답 체크】 (B) CloudFront는 CDN 엣지 캐싱, 모델 호스팅 서비스 아님 (C) API Gateway는 API 엔드포인트 관리, 모델 추론 호스팅 아님 (D) AWS Batch는 대용량 배치 작업 오케스트레이션, 실시간 추론 아님 【시험 포인트】 ▸ 서버리스 배포 = SageMaker 플랫폼의 핵심 경쟁 우위 ▸ "관리 불필요" 문맥 → 신속히 Serverless 옵션 선택

해설

【핵심 용어】 ▸ AWS Artifact — AWS 및 ISV 컴플라이언스 리포트 저장소 ▸ Compliance Reports — SOC, ISO, PCI-DSS 등 제3자 감사 리포트 관리 【정답 포인트】 ▸ ISV 컴플라이언스 리포트 업로드 → Artifact에서 이메일 알림 구독 가능 ▸ 규제 리포트 신규 배포 시 자동 알림 기능 내장 【오답 체크】 (A) Audit Manager는 내부 감사 자동화, 외부 ISV 리포트 관리 아님 (C) Trusted Advisor는 AWS 계정 최적화 권고 서비스 (D) Data Exchange는 서드파티 데이터셋 거래 마켓플레이스 【시험 포인트】 ▸ "ISV 컴플라이언스 리포트 + 알림" = Artifact의 명확한 기능 ▸ 규제/컴플라이언스 문맥 → Artifact 즉시 연결

해설

【핵심 용어】 ▸ Prompt Injection — "이전 지시 무시", "새 규칙 적용" 등으로 시스템 프롬프트 우회 공격 ▸ Injection Defense — 시스템 프롬프트에 공격 패턴 예시와 거부 지시 명시 【정답 포인트】 ▸ 프롬프트 인젝션 방어 = 공격 패턴을 모델에 "학습"시키는 프롬프트 설계 ▸ 악의적 입력을 탐지·거부하도록 프롬프트 템플릿에 명시 【오답 체크】 (B) Temperature 증가는 응답의 무작위성만 높여 예측 불가능성 악화 (C) SageMaker 플랫폼 선택으로는 프롬프트 인젝션이 원천 차단되지 않음 (D) 입력 토큰 축소는 공격 방지와 무관한 조치 【시험 포인트】 ▸ 프롬프트 인젝션 대응 = 프롬프트 자체에 방어 로직 내장 ▸ "악의적 조작 방지" 문제에서 프롬프트 강화 기법 강조

해설

【핵심 용어】 ▸ Generative AI Security Scoping Matrix — AWS 책임 모델, 스코프 1~5로 구분 ▸ Scope 5 — 회사가 FM을 처음부터 학습, 최대 책임 범위 【정답 포인트】 ▸ 자체 데이터로 FM 처음 구축·학습 = 스코프 5 = 최고 책임 수준 ▸ 데이터·모델·인프라·배포 전체 통제 = 최대 보안 책임 【오답 체크】 (A) 서드파티 엔터프라이즈 앱 사용 = 스코프 1(소비자, 책임 최소) (B) 서드파티 FM 위 앱 구축 = 스코프 3(애플리케이션 개발) (C) 서드파티 FM fine-tuning = 스코프 4(모델 커스터마이징) 【시험 포인트】 ▸ Scoping Matrix 스코프 이해 = AWS 공유 책임 모델 시험 빈출 ▸ "처음부터 구축" = 최대 책임이라는 직관 적용

해설

【핵심 용어】 ▸ Object Detection — 이미지 내 객체의 위치(박스)와 클래스(종류) 동시 탐지 ▸ Automated Classification — 사람 개입 없이 자동 식별·분류 수행 【정답 포인트】 ▸ "이미지 속 동물 자동 식별·분류" = Object Detection의 정의 ▸ 위치 박스 + 클래스 레이블 → 동물 식별·분류 두 가지 달성 【오답 체크】 (B) Anomaly Detection은 정상/이상 판별, 분류 아님 (C) Named Entity Recognition은 텍스트 엔티티 추출, 이미지 분석 아님 (D) Inpainting은 이미지 일부 복원·생성, 객체 식별이 아님 【시험 포인트】 ▸ "이미지 속 객체 찾기" = 즉시 Object Detection ▸ 컴퓨터 비전 기본 태스크로 시험 단골 출제

해설

【핵심 용어】 ▸ Bedrock On-Demand — 사용한 토큰만큼만 과금, 약정 불필요 ▸ Provisioned Throughput — 월/6개월 약정으로 용량 확보, 대규모용 【정답 포인트】 ▸ "저예산, 약정 없음, 유연" = On-Demand 가격 모델의 특징 ▸ 초기 프로젝트·소규모 트래픽에 최적 【오답 체크】 (B) Model customization은 fine-tuning 기능, 가격 모델이 아님 (C) Provisioned Throughput은 장기 약정 필수, 요구사항 위배 (D) Spot Instance는 EC2 개념, Bedrock 가격 모델이 아님 【시험 포인트】 ▸ "유연성, 약정 없음" 요구사항 → On-Demand 선택 ▸ Bedrock 가격 모델은 실무 중요도 높은 선택 문제

해설

【핵심 용어】 ▸ SageMaker JumpStart — 사전 학습 FM·ML 모델을 클릭으로 배포 ▸ VPC Deployment — 호스팅된 모델이 팀 VPC 내 SageMaker 엔드포인트로 실행 【정답 포인트】 ▸ "VPC + FM 빠른 배포" = JumpStart의 핵심 기능 ▸ 네트워크 격리, 보안 강화 동시 달성 【오답 체크】 (A) Personalize는 추천 시스템 서비스 (C) PartyRock은 공개 Bedrock 플레이그라운드, VPC 배포 불가 (D) Endpoints는 SageMaker 호스팅 인프라, FM 준비 기능 없음 【시험 포인트】 ▸ "팀 VPC + 빠른 배포" 조건 → JumpStart 즉시 연결 ▸ SageMaker 엔드포인트 배포 옵션 비교 문제로 자주 출제

해설

【핵심 용어】 ▸ Least Privilege — 필요한 최소 권한만 부여하는 IAM 기본 원칙 ▸ Prompt Design — 명확한 시스템 프롬프트로 모델 행동 제약 【정답 포인트】 ▸ Bedrock 보안의 기초 = 프롬프트 설계 + IAM 최소 권한 ▸ 공유 책임 모델에서 고객 측 최우선 조치 【오답 체크】 (B) Audit Manager는 컴플라이언스 자동화, 보안 강화와 별개 (C) Bedrock 자동 평가는 품질/편향 모니터링, 보안 아님 (D) CloudWatch Logs만으로는 설명성·편향 문제 해결 불가 【시험 포인트】 ▸ Bedrock 보안 베스트 프랙티스 = 프롬프트 + IAM 조합 ▸ "안전하게 사용" 문제에서 기초 원칙 강조

해설

【핵심 용어】 ▸ GPT(Generative Pre-trained Transformer) — 자연어 이해·생성 강력 ▸ Text-to-SQL — 자연어 입력을 SQL 쿼리로 변환하는 대표 LLM 유스케이스 【정답 포인트】 ▸ "자연어 → SQL 변환" = LLM/GPT의 전형적 응용 ▸ 기술 경험 부족한 사용자도 쿼리 생성 가능 【오답 체크】 (B) ResNet은 이미지 분류용 CNN, 텍스트 처리 불가 (C) SVM은 전통적 분류기, 자연어 이해 능력 없음 (D) WaveNet은 음성 합성 모델, SQL 생성과 무관 【시험 포인트】 ▸ "자연어 입력, 구조화 출력(SQL)" = LLM의 강점 ▸ Text-to-Code 유스케이스는 LLM 정의 문제로 자주 출제

해설

【핵심 용어】 ▸ Inference(추론) — 학습된 모델이 새 데이터에 대해 예측 수행 ▸ Model Lifecycle — Training(학습) → Deployment(배포) → Inference(사용) 【정답 포인트】 ▸ "배포된 모델이 새 이미지 분석" = 추론 단계의 정의 ▸ 프로덕션 모델의 실제 작동 단계 【오답 체크】 (A) Training은 가중치 학습, 배포 전 단계 (C) Model deployment는 호스팅 작업, 예측 수행이 아님 (D) Bias correction은 학습·검증 단계에서 수행 【시험 포인트】 ▸ 추론 = 모델 라이프사이클 '사용' 단계의 기본 용어 ▸ "배포된 모델" 언급 → 추론 프로세스 자동 연결

해설

【핵심 용어】 ▸ Data Augmentation(데이터 증강) — 소수 클래스 샘플 변형으로 불균형 완화 ▸ Class Imbalance — 학습 데이터의 클래스 분포 불균형이 편향의 주원인 【정답 포인트】 ▸ 데이터 편향 해결 = 데이터 쪽 개입이 근본적 해결 ▸ 회전, 크롭, 색변환 등으로 소수 클래스 샘플 증가 【오답 체크】 (B) 모니터링은 편향 감지만 하고 해결은 아님 (C) RAG는 외부 지식 주입, 훈련 데이터 편향 해결 불가 (D) 워터마크 탐지는 출처 증명용, 편향과 무관 【시험 포인트】 ▸ "입력 데이터 편향" → 데이터 증강으로 직결 ▸ 편향 해결의 근본 접근법으로 자주 출제

해설

【핵심 용어】 ▸ Bedrock Knowledge Bases — 사내 문서를 벡터 DB에 임베딩 저장 ▸ RAG(Retrieval Augmented Generation) — 질의 시 관련 문서 검색 후 FM 프롬프트에 주입 【정답 포인트】 ▸ "사내 데이터로 모델 보완" = RAG = Knowledge Bases로 구현 ▸ Fine-tuning 없이 매니지드 서비스로 제공 【오답 체크】 (A) 모델 교체는 사내 데이터 활용과 무관 (B) Temperature 저하는 창의성만 줄일 뿐, 사내 지식 추가 불가 (D) 로깅은 관찰 목적, 지식 보완과 무관 【시험 포인트】 ▸ "사내 데이터로 보완" = 즉시 RAG/Knowledge Bases ▸ Bedrock 활용 실무 패턴으로 빈출하는 문제

해설

【핵심 용어】 ▸ SageMaker Clarify — 모델의 편향(bias)과 설명 가능성(explainability)을 자동 분석. SHAP 기반 피처 기여도 분석으로 예측 결정 근거를 투명화함. 【정답 포인트】 ▸ 규제 대응 투명성 요구 = Clarify의 설명 가능성 리포트가 정확한 솔루션 ▸ 의료 AI의 의사결정 근거를 명확히 제시할 수 있음 【오답 체크】 (A) Inspector는 EC2/ECR 보안 스캔 전용 (C) Macie는 S3 민감 데이터 탐지 (D) Rekognition은 이미지 분류 개선이지 설명 가능성과 무관 【시험 포인트】 ▸ 생성형 AI 규제 환경에서 '투명성·설명 가능성' 키워드 → Clarify 선택 ▸ 편향 감지와 SHAP 분석이 시험 빈출 개념

해설

【핵심 용어】 ▸ 규제 컴플라이언스 핵심축 — 데이터 보호(Data Protection: 암호화·PII 마스킹)와 위협 탐지(Threat Detection: 침입 탐지·모니터링)는 GDPR·HIPAA·CCPA 등 모든 규제에서 필수. 【정답 포인트】 ▸ (B) 위협 탐지와 (C) 데이터 보호는 규제 프레임워크의 보안·개인정보 요구사항을 직접 충족 ▸ 챗봇 배포 시 이 두 가지를 입증할 수 있어야 컴플라이언스 인증 가능 【오답 체크】 (A) 오토스케일링은 가용성·성능 설계 (D) 비용 최적화는 재무 운영 (E) 마이크로서비스 결합도는 아키텍처 패턴 【시험 포인트】 ▸ 규제 프레임워크 = 보안 + 개인정보 보호 ▸ 성능·비용은 비기능 요구사항으로 분리되는 패턴 학습