정답 · 해설

해설

【핵심 용어】 ▸ Bedrock Invocation Logging—모델 호출 입출력을 CloudWatch·S3로 자동 저장. 모니터링·감시·규제 준수 【정답 포인트】 ▸ 호출 로그 저장+입출력 모니터링=Bedrock의 내장 Invocation Logging 기능 활성화. 고객 서비스 데이터 감시와 품질 관리 【오답 체크】 (A) CloudTrail은 API 호출 메타데이터만—응답 내용 저장 안 함 (C) Audit Manager는 규정 준수 감시 (D) EventBridge는 이벤트 라우팅 【시험 포인트】 ▸ "Bedrock 호출 입출력 로깅"=Invocation Logging 직결. 모니터링의 필수 기능

해설

【핵심 용어】 ▸ SageMaker Batch Transform—대규모 일괄 데이터셋을 입력받아 배치 처리 후 예측을 S3로 출력. 높은 처리량·저비용 특화 【정답 포인트】 ▸ "수 GB 대용량"+"즉시 필요 X"=Batch Transform의 정의적 시나리오. 비용 효율성·처리량 최대화 【오답 체크】 (B) Real-time inference는 저지연 단건 호출—대용량 배치 불효율 (C) Serverless는 간헐적 트래픽 (D) Asynchronous는 큐잉 기반 near-real-time 【시험 포인트】 ▸ "대용량+비실시간"=Batch Transform. SageMaker 4대 추론 옵션 시나리오별 구분

해설

【핵심 용어】 ▸ Embedding(임베딩)—단어·문장·이미지를 의미를 담은 고차원 벡터로 변환한 수치 표현. Word2Vec·GloVe·Transformer 기반 임베딩 【정답 포인트】 ▸ "실세계 객체·개념의 수치 표현"=Embedding의 정확한 정의. 의미 기반 유사도 검색·RAG·벡터 DB의 기초 기술 【오답 체크】 (B) 토큰은 텍스트 분할 단위(정수 ID)—의미 정보 미포함 (C) 모델은 신경망 구조 자체 (D) 바이너리는 파일 형식 【시험 포인트】 ▸ "텍스트·개념의 수치 표현"=Embedding 직결. Vector Search·RAG 시대의 필수 개념

해설

【핵심 용어】 ▸ Domain Adaptation Fine-tuning—과학·의학·법률 등 특정 도메인의 전문 용어·개념 구조에 맞춰 FM을 추가 학습. 도메인 전문성 획득 【정답 포인트】 ▸ "복잡한 과학 용어" 이해 한계=모델의 기초 지식 부족→fine-tuning으로 근본 해결만 가능 【오답 체크】 (A) Few-shot prompting은 응답 방식 패턴만 제공—용어 학습 아님 (C) 추론 파라미터 조정은 창의성 조정 (D) 용어 제거는 정보 손실 【시험 포인트】 ▸ "도메인 특화+전문 용어"=Domain Adaptation Fine-tuning. Fine-tuning vs Few-shot 본질 구분

해설

【핵심 용어】 ▸ Temperature—LLM 토큰 선택 확률 분포의 날카로움 조절. 값 낮을수록 최고 확률 토큰만 선택(일관성↑). 높을수록 확률 분포 평탄화(창의성↑) 【정답 포인트】 ▸ "일관된 응답"=매번 정확히 같은 선택→Temperature 최소화 필수. Temperature 0=greedy decoding 【오답 체크】 (B) Temperature 높이면 응답 변동성·다양성 극도 증대(역효과) (C) 토큰 길이는 응답 길이만 영향 (D) 생성 길이는 일관성과 무관 【시험 포인트】 ▸ "일관성 우선"=Temperature↓ 반사 적용. 추론 파라미터의 핵심 이해

해설

【핵심 용어】 ▸ Least Privilege Principle(최소 권한 원칙)—각 주체에게 작업 수행에 필요한 최소 권한만 부여. 데이터 유출 범위 최소화 【정답 포인트】 ▸ 팀별 데이터 경계 정확 분리=각 팀 전용 service role 생성. Bedrock 호출 시점에 권한 검증 【오답 체크】 (B) 요청 시 고객명 지정은 애플리케이션 로직—진정한 권한 제어 아님 (C) 마스킹은 원본 보호 X (D) 전역 권한+IAM 중복은 기본 원칙 위배 【시험 포인트】 ▸ "팀별 데이터 격리"=전용 Service Role 생성. IAM 권한 최소화 원칙

해설

【핵심 용어】 ▸ Bedrock Guardrails—모델 입·출력을 실시간 검사해 PII·의료정보·정책 위반 자동 마스킹·차단. CloudWatch Metrics 연동 【정답 포인트】 ▸ "PII 차단"=Guardrails의 기본 기능. "위반 시 알림"=CloudWatch Alarm 연동. HIPAA 규제 준수 【오답 체크】 (A) Macie는 S3 저장 데이터 스캔—실시간 필터링 없음 (B) CloudTrail은 로깅만 (D) Model Monitor는 데이터 드리프트 탐지 【시험 포인트】 ▸ "PII 차단+실시간 알림"=Guardrails+CloudWatch Alarm. Responsible AI·규제 준수

해설

【핵심 용어】 ▸ Amazon Textract—PDF·스캔 이미지에서 텍스트·표·폼을 기계학습 기반으로 자동 추출하는 OCR++ 수준의 문서 처리 서비스 【정답 포인트】 ▸ "PDF→플레인 텍스트" 자동 정확 변환=Textract의 가장 기본적 정의적 사용 사례 【오답 체크】 (B) Personalize는 추천 시스템 (C) Lex는 챗봇 플랫폼 (D) Transcribe는 음성→텍스트 【시험 포인트】 ▸ "PDF·이미지→텍스트" 자동 추출=Textract 고정. Textract vs Transcribe 서비스 구분

해설

【핵심 용어】 ▸ System Prompt/Role Prompting—"당신은 초등학생을 대상으로 설명합니다"는 명확한 역할을 추가만으로 응답 스타일·난이도·톤 종합 제어 【정답 포인트】 ▸ "구현 노력 최소"=순수 프롬프트 엔지니어링(개발 비용/시간 0) 【오답 체크】 (A) Fine-tuning은 데이터·학습·검증·배포 필요 (C) Chain-of-thought는 추론 절차만 (D) 요약은 정보 손실 【시험 포인트】 ▸ "최소 노력+종합 스타일 제어"=Role Prompting. Prompt Engineering의 효과

해설

【핵심 용어】 ▸ 모델 평가의 과학적 기본 원칙—학습에 사용하지 않은 별도 독립적 테스트 셋(벤치마크)에서 정확도·F1·AUC·혼동행렬 등 정량 지표 객관적 측정 【정답 포인트】 ▸ "정확도 평가"=별도 벤치마크 테스트 셋 필수조건. 훈련 데이터로는 과적합 문제 심각 【오답 체크】 (A) 리소스 비용은 경제성—성능 능력과 무관 (C) 신경망 레이어 수는 복잡도(깊다고 정확한 것 아님) (D) 색 정확도는 화질—분류 정확도와 무관 【시험 포인트】 ▸ "FM 분류 정확도 평가"=별도 벤치마크 테스트셋. 비용·구조·화질은 다른 차원

해설

【핵심 용어】 ▸ Responsible AI 원칙—공정성(Fairness)·투명성·설명성·안전성을 배포 전 검증. Fairness Metrics는 인구통계적 그룹 간 성능 격차 측정. Bias Mitigation은 학습 데이터의 편향 제거·균형화 【정답 포인트】 ▸ (A) "공정성 지표 포함"=책임 있는 평가의 필수(정확도만으로는 부족) (C) "데이터 편향 수정"=근본 원인 제거. 금융·회계 영역의 필수 조치 【오답 체크】 (B) Temperature는 창의성/일관성—책임성과 무관 (D) Overfit 방지는 일반 ML 모범 사례 (E) 프롬프트 엔지니어링은 편향 근본 해결 불가능 【시험 포인트】 ▸ "책임 있는 AI"+"복수 선택"=공정성 지표+편향 완화

해설

【핵심 용어】 ▸ EDA(Exploratory Data Analysis)—수집된 데이터의 내재 특성·분포·이상치·결측·극단값을 심층 탐색. 기술통계·상관행렬·히스토그램·산점도 등 【정답 포인트】 ▸ "통계·상관·시각화"=EDA의 정의적 활동 세트. 데이터 품질·숨은 패턴·변수 간 의존성 파악의 필수 사전 단계 【오답 체크】 (A) 전처리는 결측값·이상치 제거·인코딩(EDA 후) (B) 피처 엔지니어링은 새로운 파생 피처 생성(EDA 후) (D) 하이퍼파라미터 튜닝은 모델 학습 최적화 【시험 포인트】 ▸ "통계·상관·시각화"=EDA 고정. ML 파이프라인 단계 순서 숙지

해설

【핵심 용어】 ▸ BERT(Bidirectional Encoder Representations from Transformers)—양방향 컨텍스트를 활용해 마스크된 토큰 예측(MLM)에 특화. Cloze Task(빈칸 채우기)는 BERT의 원래 사전학습 목적 【정답 포인트】 ▸ "빈칸 채우기"=BERT MLM의 정의적·표준 사용 사례. 양방향 문맥 기반 단어 예측 【오답 체크】 (A) Topic modeling은 주제 추출·그룹화 (B) Clustering은 유사 문서·단어 그룹화 (C) Prescriptive ML은 의사결정 최적화 【시험 포인트】 ▸ "빈칸 채우기"+"문맥 활용"=BERT 직결. NLP 필수 개념

해설

【핵심 용어】 ▸ Amazon Q in QuickSight—BI 대시보드에 자연어 질의 인터페이스를 직접 통합. "지난 12개월 월별 매출 보여줘"→즉시 관련 차트·그래프·테이블 자동 생성 【정답 포인트】 ▸ "매출 그래프 자동 생성"=Q in QuickSight의 정의적 1순위 기능. Self-service Analytics 구현 【오답 체크】 (A) Q in EC2는 인스턴스 운영·리소스 최적화 (B) Q Developer는 코딩·개발 지원 (D) Q in Chatbot은 Slack·Teams 메시징 【시험 포인트】 ▸ "BI 대시보드 그래프 자동 생성"=Q in QuickSight. 다양한 Amazon Q 변형 사용처 구분

해설

【핵심 용어】 ▸ Intent Detection(인텐트 감지)—사용자의 자연언어 발화를 미리 정의된 의도·인텐트 카테고리로 분류. Few-shot Learning=(입력, 레이블) 예시 쌍 【정답 포인트】 ▸ "인텐트 감지" 분류 작업의 입력·출력 구조=(사용자 메시지, 인텐트 카테고리). Few-shot 예시가 분류 패턴 제시 【오답 체크】 (A) (챗봇응답, 인텐트)는 인과관계 역행 (B) (메시지, 응답)은 응답 생성 작업용—다른 작업 (D) (인텐트, 응답)은 응답 선택 【시험 포인트】 ▸ "인텐트 감지+few-shot"=(사용자메시지, 인텐트) 쌍. NLU 작업 입출력 구조 정확히 구분

해설

【핵심 용어】 ▸ Bedrock 과금 모델—"입력 토큰 수×입력 가격"+"출력 토큰 수×출력 가격". 프롬프트(few-shot 포함) 축소=입력 토큰 감소→월간 비용 절감 【정답 포인트】 ▸ "월간 비용 절감"=입력 토큰 수 직접 축소가 가장 빠르고 즉각 효과적. 10개→3~5개 예시로 축소 【오답 체크】 (A) Fine-tuning은 사전 학습 비용 상당하고 월 1회에는 불효율 (C) 토큰 수↑=입력 비용↑(역효과) (D) Provisioned는 대규모 지속적 트래픽에만 효과 【시험 포인트】 ▸ "Bedrock 비용 절감"=토큰 축소 직결. Provisioned vs On-demand 선택 기준

해설

【핵심 용어】 ▸ Hallucination—LLM이 훈련 데이터의 통계적 패턴으로 사실 근거 없는 그럴듯한 답변 생성 현상. 신뢰도 평가, RAG, 팩트체킹 라이브러리로 완화. 【정답 포인트】 ▸ '그럴듯하지만 거짓'=Hallucination. 모델의 내재적 특성이며 신뢰성 문제. 【오답 체크】 (A)Data leakage—학습 데이터가 출력에 노출되는 보안 이슈 / (C)Overfitting—학습 데이터 과적합으로 일반화 능력 상실 / (D)Underfitting—충분히 학습되지 않아 전반적 성능 저조 【시험 포인트】 ▸ LLM 본질적 특성='자신감 있는 생성'과'사실성'의 불일치. '거짓 정보 생성'='신뢰도 문제'→Hallucination 패턴.

해설

【핵심 용어】 ▸ Fine-tuning의 불가역성—모델 가중치에 학습 데이터 정보가 수렴되므로 사후 마스킹·암호화로 제거 불가능. 근본적 해결=데이터 삭제 후 재학습만 가능. 【정답 포인트】 ▸ 기밀 데이터 제거=모델 삭제+재학습. GDPR'데이터 삭제권' 이행의 기술적 수단. 【오답 체크】 (B)동적 마스킹—응답 후처리일 뿐, 모델의 학습 정보는 유지 / (C)SageMaker 암호화—저장 암호화만 제공, 가중치 정보 제거 X / (D)KMS—저장 중 암호화만, 모델 정보 제거 X 【시험 포인트】 ▸ '규제 준수+AI 윤리' 문제. 데이터 삭제권의 기술적 이행=모델 재구축 필수.

해설

【핵심 용어】 ▸ BLEU(Bilingual Evaluation Understudy)—기계 번역의 참조 번역과 생성 번역 간 n-gram(1~4단어) 일치도 측정. 0~1 범위, 업계 표준 번역 평가 지표. 【정답 포인트】 ▸ '번역 정확도'평가→BLEU가 표준. 참조 번역과 비교 기반 메트릭. 【오답 체크】 (B)RMSE—회귀 문제의 오차 지표(수치 예측용) / (C)ROUGE—요약 문서 평가(번역 아님) / (D)F1 score—분류 작업의 조화평균 【시험 포인트】 ▸ NLP 평가 지표 작업별 구분: 번역=BLEU, 요약=ROUGE, 분류=F1/정확도.

해설

【핵심 용어】 ▸ Bedrock Agents—LLM이 외부 API·DB·도구를 자동 호출, 다단계 워크플로우를 자율적으로 실행. 주문 추적, 환불 처리, 재고 확인 등 복합 작업 자동화. 【정답 포인트】 ▸ Agents의 핵심=자동화된 복합 워크플로우 실행. 반복 업무 효율화로 운영 비용 감소, 응답 속도 향상. 【오답 체크】 (A)FM 생성=SageMaker 책임 / (C)여러 FM 호출—부가 기능, 핵심 아님 / (D)FM 자동 선택—주요 이점 아님 【시험 포인트】 ▸ '자동화+오케스트레이션'=Agents 패턴. '반복 작업', '복합 프로세스'→Agents 솔루션.