AIP-C01

정답 · 해설

각 문제의 정답과 상세 해설을 정리했습니다. 핵심 용어, 정답 근거, 오답 체크, 시험 포인트까지 읽으며 복습하세요.

2 / 5 페이지

문제 21

회사가 Amazon Bedrock을 사용하여 민감한 고객 문의를 처리하는 고객 대면 AI 어시스턴트를 구축하고 있습니다. 회사는 정교한 프롬프트 인젝션 공격을 차단하기 위해 심층 방어 보안 제어를 사용해야 합니다. 회사는 모든 보안 개입의 감사 로그를 유지해야 합니다. AI 어시스턴트는 크로스 리전 장애 조치 기능을 가져야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. 프롬프트 인젝션 공격을 방지하기 위해 콘텐츠 필터를 사용하도록 Amazon Bedrock Guardrails을 구성합니다. 콘텐츠 필터를 높음으로 설정합니다. Guardrail 프로필을 사용하여 크로스 리전 Guardrail 추론을 구현합니다. Amazon CloudWatch Logs를 사용하여 상세한 Guardrail 개입 이벤트를 캡처합니다.✓ 정답
B. 프롬프트 인젝션 공격을 방지하기 위해 콘텐츠 필터를 사용하도록 Amazon Bedrock Guardrails을 구성합니다. 콘텐츠 필터를 높음으로 설정합니다. AWS WAF를 사용하여 의심스러운 입력을 차단합니다. AWS CloudTrail을 사용하여 감사를 위해 API 호출을 로깅합니다.
C. 프롬프트 인젝션 공격을 감지하기 위해 Amazon Comprehend 사용자 정의 분류를 배포합니다. 요청을 검증하기 위해 Amazon API Gateway를 사용합니다. Amazon CloudWatch Logs를 사용하여 상세한 개입 이벤트를 캡처합니다.
D. 해로운 콘텐츠를 방지하기 위해 사용자 정의 콘텐츠 필터를 사용하도록 Amazon Bedrock Guardrails을 구성합니다. 콘텐츠 필터를 높음으로 설정합니다. 알려진 공격 패턴을 방지하기 위해 단어 필터를 사용합니다. 장애 조치 기능을 제공하기 위해 크로스 리전 Guardrail 복제를 구성합니다. 규정 준수 감사를 위해 로그를 AWS CloudTrail에 저장합니다.

해설

【핵심 용어】 Amazon Bedrock / Guardrails 【정답 포인트】 정답: A Amazon Bedrock Guardrails는 프롬프트 인젝션 공격에 대한 전문적인 방어 메커니즘을 제공합니다. 콘텐츠 필터를 높음으로 설정하여 정교한 공격을 효과적으로 차단할 수 있습니다. Guardrail 프로필을 사용하면 크로스 리전에서 일관된 보안 정책을 적용하여 장애 조치 요구사항을 충족합니다. CloudWatch Logs와 통합되어 모든 보안 개입 이벤트를 상세히 기록하므로 완전한 감사 추적이 가능합니다. 이는 규정 준수와 보안 모니터링의 필수 요소입니다. 심층 방어 전략에서 LLM 레벨의 위험 입력을 감지하고 차단하는 핵심 역할을 합니다. 【오답 체크】 B: 외부 로직으로 자동화 불완전 | C: SQS 순차 처리로 시간 요구사항 미충족 【시험 포인트】 AWS AIP-C01 시험에서 정답 A는 AWS 베스트 프랙티스를 반영합니다. 이 문제는 실제 운영 환경의 복잡한 요구사항을 효율적으로 해결하는 아키텍처 설계 능력을 평가합니다. 정답 선택 시 다른 선택지의 구체적 제한사항을 명확히 구분하고, 성능, 보안, 비용, 운영성 측면에서 종합적으로 검토하는 능력이 필수입니다. AWS 서비스의 기능과 제약을 정확히 이해하고, 요구사항 전체를 만족하는지 체계적으로 검증하세요.

문제 22

회사가 결제 처리 API를 위한 카나리 배포 전략을 설계하고 있습니다. 시스템은 실시간 추론 메트릭, 과거 트래픽 패턴 및 서비스 상태에 따라 여러 Amazon Bedrock 모델 간의 자동화된 점진적 트래픽 이동을 지원해야 합니다. 솔루션은 새 모델 버전으로 트래픽을 점진적으로 증가시킬 수 있어야 합니다. 메트릭이 건강하면 시스템이 트래픽을 증가시키고 성능이 수용 가능한 임계값 아래로 저하되면 트래픽을 감소시켜야 합니다. 회사는 배포 단계 중에 추론 지연 시간과 오류율을 포괄적으로 모니터링해야 합니다. 회사는 배포를 중단하고 수동 개입 없이 이전 모델 버전으로 되돌릴 수 있어야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. 프로비저닝된 처리량으로 모델 버전을 호스팅하기 위해 Amazon Bedrock을 사용합니다. 새 모델 버전이 릴리스될 때 워크플로를 호출하도록 Amazon EventBridge 규칙을 구성합니다. 워크플로를 구성하여 단계별로 트래픽을 이동하고, 지정된 시간 동안 대기하며, Amazon CloudWatch 성능 메트릭을 확인하기 위해 AWS Lambda 함수를 호출합니다. 메트릭이 임계값을 충족하면 트래픽을 증가시키고 성능 메트릭이 임계값 아래로 떨어지면 트래픽 롤백을 트리거하도록 워크플로를 구성합니다.✓ 정답
B. 다양한 Amazon Bedrock 모델 버전을 호출하기 위해 AWS Lambda 함수를 사용합니다. 단계 변수 및 가중 라우팅이 있는 Amazon API Gateway HTTP API를 사용하여 새 모델 버전으로 트래픽을 점진적으로 이동합니다. Amazon CloudWatch를 사용하여 성능 메트릭을 모니터링합니다. 외부 로직을 사용하여 모델 버전 간 트래픽을 조정하고 성능이 임계값 아래로 떨어지면 롤백합니다.
C. 여러 Amazon Bedrock 모델 버전을 나타내기 위해 Amazon SageMaker AI 엔드포인트 변형을 사용합니다. 트래픽을 이동하기 위해 변형 가중치를 사용합니다. Amazon CloudWatch를 사용하여 성능 메트릭을 모니터링합니다. SageMaker Model Monitor를 사용하여 성능이 지정된 임계값 아래로 떨어지면 모델 배포를 롤백하기 위해 AWS Lambda 함수를 트리거합니다. 이상이 감지되면 모델 배포를 롤백하도록 Amazon EventBridge 규칙을 구성합니다.
D. 추론 로그를 추적하기 위해 Amazon OpenSearch Service를 사용합니다. OpenSearch Service를 구성하여 AWS Systems Manager 자동화 실행책을 호출하여 추론 로그를 기반으로 트래픽을 이동하도록 Amazon Bedrock 모델 엔드포인트를 업데이트합니다.

해설

【핵심 용어】 Amazon Bedrock / 카나리 배포 【정답 포인트】 정답: A EventBridge는 새로운 모델 버전 릴리스 이벤트를 감지하여 Step Functions 워크플로우를 자동 트리거합니다. Step Functions 워크플로우는 트래픽을 단계적으로 이동하면서 각 단계마다 지정된 시간 대기합니다. 대기 중에 Lambda 함수를 호출하여 CloudWatch의 성능 메트릭(추론 지연, 오류율)을 확인합니다. 메트릭이 임계값을 충족하면 트래픽을 계속 증가시키고, 성능이 저하되면 자동으로 이전 버전으로 롤백합니다. 이러한 자동화된 카나리 배포는 수동 개입 없이 무중단 배포를 실현하여 높은 가용성을 보장합니다. 【오답 체크】 B: 외부 로직으로 자동화 불완전 | C: SQS 순차 처리로 시간 요구사항 미충족 【시험 포인트】 AWS AIP-C01 시험에서 정답 A는 AWS 베스트 프랙티스를 반영합니다. 이 문제는 실제 운영 환경의 복잡한 요구사항을 효율적으로 해결하는 아키텍처 설계 능력을 평가합니다. 정답 선택 시 다른 선택지의 구체적 제한사항을 명확히 구분하고, 성능, 보안, 비용, 운영성 측면에서 종합적으로 검토하는 능력이 필수입니다. AWS 서비스의 기능과 제약을 정확히 이해하고, 요구사항 전체를 만족하는지 체계적으로 검증하세요.

문제 23

금융 서비스 회사는 AI 애플리케이션을 사용하여 Amazon Bedrock으로 금융 문서를 처리합니다. 업무 시간 중에 애플리케이션은 시간당 약 10,000개의 요청을 처리하며, 이는 일관된 처리량이 필요합니다. 회사는 CreateProvisionedModelThroughput API를 사용하여 프로비저닝된 처리량을 구매합니다. Amazon CloudWatch 메트릭은 프로비저닝된 용량이 미사용 상태인 동안 온디맨드 요청이 제한되고 있음을 보여줍니다. 회사는 애플리케이션에서 다음 코드를 찾습니다: python response = bedrock_runtime.invoke_model(modelId="anthropic.claude-v2", body=json.dumps(payload)) 회사는 애플리케이션이 프로비저닝된 처리량을 사용하고 제한 문제를 해결해야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. 프로비저닝된 처리량 구성에서 모델 단위(MU) 수를 증가시킵니다.
B. 모델 ID 매개변수를 CreateProvisionedModelThroughput API가 반환하는 프로비저닝된 모델의 ARN으로 바꿉니다.✓ 정답
C. 피크 시간 동안 제한 예외를 처리하기 위해 지수 백오프 재시도 로직을 추가합니다.
D. 애플리케이션을 수정하여 InvokeModel API 대신 InvokeModelWithResponseStream API를 사용합니다.

해설

【핵심 용어】 Amazon Bedrock / 프로비저닝 처리량 【정답 포인트】 정답: B 프로비저닝된 처리량을 실제로 활용하려면 ARN(Amazon Resource Name) 기반 호출이 필수입니다. CreateProvisionedModelThroughput API가 반환하는 ARN을 invoke_model()의 modelId 매개변수에 사용해야 합니다. 모델 ID 문자열(예: 'anthropic.claude-v2')을 사용하면 온디맨드 API를 호출하므로 프로비저닝된 용량이 활용되지 않습니다. 온디맨드 요청이 제한되는 동안 프로비저닝된 용량은 미사용 상태로 남게 됩니다. ARN으로 변경하면 Bedrock이 프로비저닝된 처리량 풀에서 요청을 처리하여 시간당 10,000개의 일관된 처리가 가능해집니다. 【오답 체크】 A: 순차 처리로 병렬화 이점 상실 | C: SQS 순차 처리로 시간 요구사항 미충족 【시험 포인트】 AWS AIP-C01 시험에서 정답 B는 AWS 베스트 프랙티스를 반영합니다. 이 문제는 실제 운영 환경의 복잡한 요구사항을 효율적으로 해결하는 아키텍처 설계 능력을 평가합니다. 정답 선택 시 다른 선택지의 구체적 제한사항을 명확히 구분하고, 성능, 보안, 비용, 운영성 측면에서 종합적으로 검토하는 능력이 필수입니다. AWS 서비스의 기능과 제약을 정확히 이해하고, 요구사항 전체를 만족하는지 체계적으로 검증하세요.

문제 24

회사가 Amazon Bedrock을 사용하여 AI 자문 애플리케이션을 구축하고 있습니다. 애플리케이션은 고객에게 권장 사항을 제공합니다. 회사는 애플리케이션이 추론 과정을 설명하고 데이터의 특정 출처를 인용해야 합니다. 애플리케이션은 회사 데이터 소스에서 정보를 검색하고 권장 사항에 대한 단계별 추론을 표시해야 합니다. 애플리케이션은 또한 데이터 주장을 소스 문서에 연결하고 3초 미만의 응답 지연 시간을 유지해야 합니다. 이 요구 사항을 최소한의 운영 오버헤드로 충족할 솔루션은 어느 것입니까?

A. 소스 속성이 활성화된 Amazon Bedrock Knowledge Bases를 사용합니다. Anthropic Claude Messages API를 RAG와 함께 사용하여 소스 문서에 대한 높은 관련성 임계값을 설정합니다. 추론 및 인용을 Amazon S3에 저장하여 감사합니다.✓ 정답
B. Amazon Bedrock과 Anthropic Claude 모델 및 확장 사고를 사용합니다. 4,000개 토큰 사고 예산을 구성합니다. 추론 추적 및 인용을 Amazon DynamoDB에 저장하여 감사합니다.
C. Amazon SageMaker AI를 사용자 정의 Anthropic Claude 모델로 구성합니다. 모델의 추론 매개변수와 AWS Lambda를 사용하여 응답을 처리합니다. 별도의 Amazon RDS 데이터베이스에서 소스 인용을 추가합니다.
D. Amazon Bedrock과 Anthropic Claude 모델 및 사고 연쇄 추론을 사용합니다. Amazon Bedrock Knowledge Bases API로 사용자 정의 검색 추적을 구성합니다. Amazon CloudWatch를 사용하여 응답 지연 시간 메트릭을 모니터링합니다.

해설

【핵심 용어】 Amazon Bedrock / RAG 【정답 포인트】 정답: A Knowledge Bases는 RAG 구현의 표준 솔루션으로 source attribution을 기본 제공합니다. 검색된 문서의 출처를 자동으로 반환하므로 수동 인용 처리가 불필요합니다. Anthropic Claude Messages API와의 통합으로 추론 과정을 단계별로 설명하고 데이터 출처를 명확히 인용할 수 있습니다. 높은 관련성 임계값 설정으로 검색 정확도를 높여 환각을 최소화합니다. 이 솔루션은 3초 미만의 응답 지연 시간을 달성하고 운영 오버헤드가 최소화되어 가장 비용 효과적입니다. 【오답 체크】 B: 외부 로직으로 자동화 불완전 | C: SQS 순차 처리로 시간 요구사항 미충족 【시험 포인트】 AWS AIP-C01 시험에서 정답 A는 AWS 베스트 프랙티스를 반영합니다. 이 문제는 실제 운영 환경의 복잡한 요구사항을 효율적으로 해결하는 아키텍처 설계 능력을 평가합니다. 정답 선택 시 다른 선택지의 구체적 제한사항을 명확히 구분하고, 성능, 보안, 비용, 운영성 측면에서 종합적으로 검토하는 능력이 필수입니다. AWS 서비스의 기능과 제약을 정확히 이해하고, 요구사항 전체를 만족하는지 체계적으로 검증하세요.

문제 25

금융 서비스 회사는 민감한 금융 데이터를 사용한 GenAI에 대한 새로운 규정을 준수하기 위해 여러 foundation model(FM)을 Amazon Bedrock을 통해 사용합니다. 회사는 토큰 관리 솔루션이 필요합니다. 토큰 관리 솔루션은 애플리케이션이 모델 특정 토큰 한계에 가까워질 때 사전에 경고해야 합니다. 솔루션은 또한 분당 5,000개 이상의 요청을 처리하고 비용을 사업부 전체에 할당하기 위해 토큰 사용률 메트릭을 유지해야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. AWS Lambda 함수에서 모델 특정 토크나이저를 개발합니다. Lambda 함수를 구성하여 Amazon Bedrock으로 요청을 보내기 전에 토큰 사용량을 추정합니다. Lambda 함수를 구성하여 메트릭을 Amazon CloudWatch에 게시하고 요청이 임계값에 접근할 때 경보를 트리거합니다. 비용 보고를 위해 Amazon DynamoDB에 상세한 토큰 사용량을 저장합니다.✓ 정답
B. 토큰 할당량 정책으로 Amazon Bedrock Guardrails을 구현합니다. 거부된 요청에 대한 메트릭을 캡처합니다. Amazon Bedrock Guardrails 메트릭을 기반으로 알림을 트리거하도록 Amazon EventBridge 규칙을 구성합니다. Amazon CloudWatch 대시보드를 사용하여 모델 전체의 토큰 사용률 추세를 시각화합니다.
C. 실패한 요청을 위해 Amazon SQS 배달 못한 편지 큐를 배포합니다. 토큰 관련 실패를 분석하도록 AWS Lambda 함수를 구성합니다. Amazon CloudWatch Logs Insights를 사용하여 Amazon Bedrock API 응답의 오류 로그를 기반으로 토큰 사용 패턴에 대한 보고서를 생성합니다.
D. 모든 Amazon Bedrock API 호출에 대한 프록시를 만들기 위해 Amazon API Gateway를 사용합니다. 미리 정의된 토큰 할당량이 있는 사용자 정의 사용 계획에 기반한 요청 제한을 구성합니다. API Gateway를 구성하여 토큰 한계를 초과할 요청을 거부합니다.

해설

【핵심 용어】 Amazon Bedrock 【정답 포인트】 정답: A AWS Lambda 함수에서 모델 특정 토크나이저를 개발합니다. Lambda 함수를 구성하여 Amazon Bedrock으로 요청을 보내기 전에 토큰 사용량을 추정합니다. Lambda 함수를 구성하여 메트릭을 Amazon CloudWatch에 게시하고 요청이 임계값에 접근할 때 경보를 트리거합니다. 비용 보고를 위해 Amazon DynamoDB에 상세한 토큰... 이 선택지가 주어진 모든 요구사항을 가장 효율적으로 충족하는 솔루션입니다. 【오답 체크】 B: 외부 로직으로 자동화 불완전 | C: SQS 순차 처리로 시간 요구사항 미충족 【시험 포인트】 AWS AIP-C01 시험에서 정답 A는 AWS 베스트 프랙티스를 반영합니다. 이 문제는 실제 운영 환경의 복잡한 요구사항을 효율적으로 해결하는 아키텍처 설계 능력을 평가합니다. 정답 선택 시 다른 선택지의 구체적 제한사항을 명확히 구분하고, 성능, 보안, 비용, 운영성 측면에서 종합적으로 검토하는 능력이 필수입니다. AWS 서비스의 기능과 제약을 정확히 이해하고, 요구사항 전체를 만족하는지 체계적으로 검증하세요.

문제 26

소매 회사가 제품, 주문 및 보증에 대한 쿼리 10,000개를 매일 처리해야 하는 고객 서비스 애플리케이션을 개발하고 있습니다. 애플리케이션은 매일 업데이트되는 50,000개 제품 문서에 대한 쿼리에 응답할 수 있어야 합니다. 애플리케이션은 주문 관리 API와 통합되어 주문 상태를 확인하고 반품 처리를 도와야 합니다. 애플리케이션은 고객과의 다중 턴 상호 작용 전체에서 컨텍스트를 유지해야 합니다. 회사는 애플리케이션 응답에 대한 완전한 감시 기록을 수집해야 합니다. 이 요구 사항을 최소한의 운영 오버헤드로 충족할 솔루션은 어느 것입니까?

A. 각 제품 카테고리에 대해 미세 조정된 Amazon Bedrock Anthropic Claude 모델을 배포합니다. 각 모델을 주문 관리 API에 연결하는 AWS Lambda 함수를 생성합니다. 대화 기록을 Amazon DynamoDB에 저장합니다.
B. 모든 제품 문서에 대해 지속적인 사전 학습을 사용하는 사용자 정의 모델을 생성합니다. 모델을 주문 관리 API에 연결하는 AWS Lambda 함수를 사용하는 Amazon API Gateway REST API를 설정합니다.
C. Amazon SageMaker AI를 컨테이너와 함께 사용하여 모델을 배포합니다. Amazon Kendra를 사용하여 제품 문서를 검색합니다. AWS Step Functions를 사용하여 주문 관리 API에 대한 호출을 오케스트레이션합니다.
D. Amazon Bedrock 에이전트를 주문 관리 API와 통합하는 액션 그룹과 함께 사용합니다. Retrieval Augmentation Generation(RAG)을 사용하여 제품 문서를 검색하도록 Amazon Bedrock knowledge base를 에이전트와 연결합니다. 감사 기록을 캡처하도록 추적 이벤트를 활성화합니다.✓ 정답

해설

【핵심 용어】 ▸ AWS API Gateway, AWS Lambda, AWS Step Functions, Amazon Bedrock, Amazon DynamoDB, Amazon Kendra, Amazon SageMaker, Retrieval Augmented Generation 【정답 포인트】 ▸ 정답: D ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (D) Amazon Bedrock 에이전트를 주문 관리 API와 통합하는 액션 그룹과 함께 사용합니다. Retrieval Augmentation Gen... 【오답 체크】 (A) 각 제품 카테고리에 대해 미세 조정된 Amazon Bedrock Anthropic Claude 모델을 배포합니다. 각 모델을 ... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (B) 모든 제품 문서에 대해 지속적인 사전 학습을 사용하는 사용자 정의 모델을 생성합니다. 모델을 주문 관리 API에 연결하는 AW... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) Amazon SageMaker AI를 컨테이너와 함께 사용하여 모델을 배포합니다. Amazon Kendra를 사용하여 제품 문... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 27

eCommerce 회사가 Amazon Bedrock을 사용하여 GenAI 애플리케이션을 구축하고 있습니다. 애플리케이션은 AWS Step Functions를 사용하여 상세한 제품 설명을 생성하기 위한 다중 에이전트 워크플로우를 오케스트레이션합니다. 워크플로우는 3개의 순차 상태로 구성됩니다: 설명 생성기, 기술 사양 검증자 및 브랜드 음성 일관성 검사기입니다. 각 상태는 다음 상태로 전달되는 중간 추론 추적 및 출력을 생성합니다. 애플리케이션은 프로세스 저장소 및 출력 저장을 위해 Amazon S3 버킷을 사용합니다. 테스트 중에 회사는 Step Functions 상태 간 출력이 256KB 할당량을 자주 초과하여 워크플로우 실패를 초래한다는 것을 발견합니다. GenAI 개발자는 Step Functions 256KB 할당량을 효율적으로 처리하고 워크플로우 관찰성을 유지하기 위해 애플리케이션 아키텍처를 수정해야 합니다. 수정된 아키텍처는 기존 다중 에이전트 추론 및 행동(ReAct) 패턴을 유지해야 합니다. 이 요구 사항을 최소한의 운영 오버헤드로 충족할 솔루션은 어느 것입니까?

A. 중간 출력을 Amazon DynamoDB에 저장합니다. 상태 간에만 참조를 전달합니다. 각 에이전트 처리 단계에 필요할 때 DynamoDB에서 완전한 데이터를 검색하는 Map 상태를 생성합니다.
B. Amazon Bedrock 통합을 구성하여 대용량 출력을 위한 입력 매개변수에서 S3 버킷 URI를 사용합니다. ResultPath 필드와 ResultSelector 필드를 사용하여 순차 검증 워크플로우를 유지하면서 에이전트 단계 간에 S3 참조를 라우팅합니다.✓ 정답
C. 각 에이전트 상태 이전에 출력을 256KB 미만으로 압축하도록 AWS Lambda 함수를 사용합니다. 각 에이전트 작업을 구성하여 처리 전에 출력을 압축 해제하고 다음 상태로 전달하기 전에 결과를 압축합니다.
D. 각 에이전트의 처리를 처리하도록 별도의 Step Functions 상태 머신을 구성합니다. 상태 머신 간 실행 흐름을 조정하도록 Amazon EventBridge를 사용합니다. 출력을 위해 S3 참조를 이벤트 데이터로 사용합니다.

해설

【핵심 용어】 ▸ AWS Lambda, AWS Step Functions, Amazon Bedrock, Amazon DynamoDB, Amazon EventBridge, Amazon S3, ReAct Pattern 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) Amazon Bedrock 통합을 구성하여 대용량 출력을 위한 입력 매개변수에서 S3 버킷 URI를 사용합니다. ResultPath 필드와 Re... 【오답 체크】 (A) 중간 출력을 Amazon DynamoDB에 저장합니다. 상태 간에만 참조를 전달합니다. 각 에이전트 처리 단계에 필요할 때 D... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) 각 에이전트 상태 이전에 출력을 256KB 미만으로 압축하도록 AWS Lambda 함수를 사용합니다. 각 에이전트 작업을 구성... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) 각 에이전트의 처리를 처리하도록 별도의 Step Functions 상태 머신을 구성합니다. 상태 머신 간 실행 흐름을 조정하도... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 28

회사는 전 세계 사용자가 새로운 식당을 발견할 수 있도록 돕는 서비스를 제공합니다. 서비스는 월간 활성 사용자가 5천만 명입니다. 회사는 2천만 개의 식당과 2억 개의 리뷰를 포함하는 데이터베이스 전체에서 의미론적 검색 솔루션을 구현하려고 합니다. 회사는 현재 데이터를 PostgreSQL 데이터베이스에 저장합니다. 솔루션은 복잡한 자연어 쿼리를 지원하고 최소 95%의 쿼리에 대해 500ms 이내의 결과를 반환해야 합니다. 솔루션은 시간마다 업데이트되는 식당 세부 정보의 데이터 신선도를 유지해야 합니다. 솔루션은 또한 피크 사용 기간 동안 비용 효율적으로 확장해야 합니다. 이 요구 사항을 최소한의 개발 노력으로 충족할 솔루션은 어느 것입니까?

A. 식당 데이터를 Amazon OpenSearch Service로 마이그레이션합니다. 사용자 정의 분석기 및 관련성 튜닝을 사용하여 요리 유형, 기능 및 위치와 같은 속성을 기반으로 식당을 찾는 키워드 기반 검색 규칙을 구현합니다. 사용자 쿼리를 구조화된 검색 매개변수로 변환하도록 Amazon API Gateway HTTP API 엔드포인트를 생성합니다.
B. 식당 데이터를 Amazon OpenSearch Service로 마이그레이션합니다. Amazon Bedrock에서 foundation model(FM)을 사용하여 식당 설명, 리뷰 및 메뉴 항목에서 벡터 임베딩을 생성합니다. 사용자가 자연어 쿼리를 제출할 때, 같은 FM을 사용하여 쿼리를 임베딩으로 변환합니다. k-nearest neighbors(k-NN) 검색을 수행하여 의미론적으로 유사한 결과를 찾습니다.✓ 정답
C. PostgreSQL에 식당 데이터를 유지하고 pgvector 확장을 구현합니다. Amazon Bedrock에서 foundation model(FM)을 사용하여 식당 데이터에서 벡터 임베딩을 생성합니다. 벡터 임베딩을 PostgreSQL에 직접 저장합니다. 같은 FM을 사용하여 자연어 쿼리를 벡터 표현으로 변환하도록 AWS Lambda 함수를 생성합니다. Lambda 함수를 구성하여 데이터베이스 내에서 유사성 검색을 수행합니다.
D. 식당 데이터를 사용자 정의 수집 파이프라인을 사용하여 Amazon Bedrock knowledge base로 마이그레이션합니다. knowledge base를 구성하여 식당 정보에서 임베딩을 자동으로 생성합니다. Amazon Bedrock Retrieve API와 자연어 입력을 사용하여 knowledge base를 직접 쿼리하도록 built-in 벡터 검색 기능을 사용합니다.

해설

【핵심 용어】 ▸ AWS API Gateway, AWS Lambda, Amazon Bedrock, Amazon OpenSearch Service, PostgreSQL, pgvector 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) 식당 데이터를 Amazon OpenSearch Service로 마이그레이션합니다. Amazon Bedrock에서 foundation model(... 【오답 체크】 (A) 식당 데이터를 Amazon OpenSearch Service로 마이그레이션합니다. 사용자 정의 분석기 및 관련성 튜닝을 사용하... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) PostgreSQL에 식당 데이터를 유지하고 pgvector 확장을 구현합니다. Amazon Bedrock에서 foundati... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) 식당 데이터를 사용자 정의 수집 파이프라인을 사용하여 Amazon Bedrock knowledge base로 마이그레이션합니다... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 29

의료 회사가 Amazon Bedrock을 사용하여 임상 문서 요약 시스템을 구동합니다. 시스템은 복잡한 임상 문서를 처리할 때 일관성 없는 요약을 생성합니다. 시스템은 단순한 임상 문서에서 잘 수행되었습니다. 회사는 불일치를 진단하고, 프롬프트 성능을 확립된 메트릭과 비교하며, 프롬프트 버전의 과거 기록을 유지하는 솔루션이 필요합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. Amazon Bedrock의 Prompt management를 사용하여 여러 프롬프트 변형을 생성합니다. 단순한 임상 문서로 프롬프트를 수동으로 테스트합니다. Amazon Bedrock 콘솔을 사용하여 가장 성능이 좋은 버전을 배포합니다.
B. 코드 리포지토리에서 프롬프트의 버전 관리를 구현하고 복잡한 임상 문서 및 정량화 가능한 평가 메트릭을 포함하는 테스트 스위트를 사용합니다. 자동 테스트 프레임워크를 사용하여 프롬프트 버전을 비교하고 성능 패턴을 문서화합니다.✓ 정답
C. 각 새로운 프롬프트 버전을 별도의 Amazon Bedrock API 엔드포인트에 배포합니다. 엔드포인트 간에 프로덕션 트래픽을 분할합니다. Amazon CloudWatch를 구성하여 응답 메트릭 및 사용자 피드백을 캡처하고 자동 버전 선택을 수행합니다.
D. Amazon Bedrock Flows에서 사용자 정의 프롬프트 평가 흐름을 생성합니다. Amazon Comprehend Medical을 사용하여 각 버전의 팩트 정확성을 분석하고 채점합니다.

해설

【핵심 용어】 ▸ Amazon Bedrock, Amazon CloudWatch, Amazon Comprehend 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) 코드 리포지토리에서 프롬프트의 버전 관리를 구현하고 복잡한 임상 문서 및 정량화 가능한 평가 메트릭을 포함하는 테스트 스위트를 사용합니다. 자동... 【오답 체크】 (A) Amazon Bedrock의 Prompt management를 사용하여 여러 프롬프트 변형을 생성합니다. 단순한 임상 문서로 ... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) 각 새로운 프롬프트 버전을 별도의 Amazon Bedrock API 엔드포인트에 배포합니다. 엔드포인트 간에 프로덕션 트래픽을... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) Amazon Bedrock Flows에서 사용자 정의 프롬프트 평가 흐름을 생성합니다. Amazon Comprehend Med... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 30

회사가 Amazon Bedrock을 사용하여 고객을 위한 기술 콘텐츠를 생성합니다. 회사는 최근 회사의 모델이 긴 기술 문서의 요약을 생성할 때 환각 출력이 급증한 것을 경험했습니다. 모델 출력에는 부정확하거나 조작된 세부 정보가 포함됩니다. 회사의 현재 솔루션은 전체 문서를 단일 입력에 포함하는 기본 원샷 프롬프트가 있는 대형 foundation model(FM)을 사용합니다. 회사는 환각을 줄이고 사실 정확성 목표를 충족하는 솔루션이 필요합니다. 솔루션은 시간당 1,000개 이상의 문서를 처리하고 각 문서에 대해 3초 내에 요약을 제공해야 합니다. 이 요구 사항을 충족할 솔루션 조합은 어느 것입니까? (2개를 선택하세요.)

A. 모델이 각 요약을 생성하기 전에 단계별 추론과 명시적 팩트 검증을 요구하는 제로샷 사고 연쇄(CoT) 지시를 구현합니다.✓ 정답
B. Amazon Bedrock knowledge base와 함께 Retrieval Augmented Generation(RAG)을 사용합니다. 의미론적 청킹과 조정된 임베딩을 적용하여 요약을 소스 콘텐츠에 고정합니다.✓ 정답
C. 환각된 콘텐츠와 연결된 패턴과 일치하는 생성된 출력을 차단하도록 Amazon Bedrock Guardrails을 구성합니다.
D. Amazon Bedrock의 온도 매개변수를 증가시킵니다.
E. Amazon Bedrock 모델에 한 번에 전체 문서를 요약하도록 프롬프트합니다.

해설

【핵심 용어】 ▸ Amazon Bedrock, Retrieval Augmented Generation 【정답 포인트】 ▸ 정답: AB ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (A) 모델이 각 요약을 생성하기 전에 단계별 추론과 명시적 팩트 검증을 요구하는 제로샷 사고 연쇄(CoT) 지시를 구현합니다.... ▸ (B) Amazon Bedrock knowledge base와 함께 Retrieval Augmented Generation(RAG)을 사용합니다. 의미... 【오답 체크】 (C) 환각된 콘텐츠와 연결된 패턴과 일치하는 생성된 출력을 차단하도록 Amazon Bedrock Guardrails을 구성합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) Amazon Bedrock의 온도 매개변수를 증가시킵니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (E) Amazon Bedrock 모델에 한 번에 전체 문서를 요약하도록 프롬프트합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 31

회사가 추천 시스템을 갖고 있습니다. 시스템의 애플리케이션은 Amazon EC2 인스턴스에서 실행됩니다. 애플리케이션은 고객 행동을 분석하고 개인화된 제품 권장 사항을 생성하기 위해 Amazon Bedrock foundation models(FM)에 API 호출을 합니다. 시스템은 간헐적인 문제를 경험하고 있습니다. 일부 권장 사항이 고객 선호도와 일치하지 않습니다. 회사는 운영 메트릭을 모니터링하고 확립된 기준선과 비교하여 운영 성능 저하 패턴을 감지하는 관찰성 솔루션이 필요합니다. 솔루션은 또한 FM 동작이 예상 패턴에서 벗어날 때 10분 이내에 상관 데이터와 함께 경보를 생성해야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. 애플리케이션 인프라에 대해 Amazon CloudWatch Container Insights를 구성합니다. 지연 시간 임계값에 대한 CloudWatch 경보를 설정합니다. CloudWatch 임베드된 메트릭 형식을 사용하여 토큰 수에 대한 사용자 정의 메트릭을 추가합니다. 데이터를 시각화하기 위해 CloudWatch 대시보드를 생성합니다.
B. AWS X-Ray를 구현하여 애플리케이션 구성 요소를 통해 요청을 추적합니다. 오류 패턴 감지를 위해 CloudWatch Logs Insights를 활성화합니다. Amazon Bedrock에 대한 모든 API 호출을 모니터링하도록 AWS CloudTrail을 설정합니다. Amazon QuickSight에서 사용자 정의 대시보드를 생성합니다.
C. 애플리케이션 리소스에 대해 Amazon CloudWatch Application Insights를 활성화합니다. CloudWatch 임베드된 메트릭 형식을 사용하여 권장 사항 품질, 토큰 사용량 및 응답 지연 시간에 대한 사용자 정의 메트릭을 생성하고 요청 유형 및 사용자 세그먼트에 대한 차원을 사용합니다. CloudWatch 이상 탐지를 모델 메트릭에 구성합니다. CloudWatch Logs Insights를 사용하여 로그 패턴 분석을 구축합니다.✓ 정답
D. 관찰성 플러그인이 있는 Amazon OpenSearch Service를 사용합니다. Amazon Kinesis를 사용하여 모델 메트릭 및 로그를 수집합니다. 사용자 정의 Piped Processing Language(PPL) 쿼리를 생성하여 모델 동작 패턴을 분석합니다. 실시간으로 이상을 시각화하도록 운영 대시보드를 구축합니다.

해설

【핵심 용어】 ▸ Amazon Bedrock, Amazon CloudWatch, Amazon OpenSearch Service 【정답 포인트】 ▸ 정답: C ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (C) 애플리케이션 리소스에 대해 Amazon CloudWatch Application Insights를 활성화합니다. CloudWatch 임베드된 메... 【오답 체크】 (A) 애플리케이션 인프라에 대해 Amazon CloudWatch Container Insights를 구성합니다. 지연 시간 임계값에... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (B) AWS X-Ray를 구현하여 애플리케이션 구성 요소를 통해 요청을 추적합니다. 오류 패턴 감지를 위해 CloudWatch Lo... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) 관찰성 플러그인이 있는 Amazon OpenSearch Service를 사용합니다. Amazon Kinesis를 사용하여 모델... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 32

엔터프라이즈 애플리케이션이 Amazon Bedrock foundation model(FM)을 사용하여 50~200 페이지의 기술 문서를 처리하고 분석합니다. 사용자는 FM의 컨텍스트 윈도우 한계를 초과하는 문서를 처리할 때 일관성 없는 응답을 받고 있으며 출력이 잘려 있습니다. 이 문제를 해결할 솔루션은 어느 것입니까?

A. 4,000개 토큰의 고정 크기 청킹을 20% 겹침으로 구성합니다. 애플리케이션 레벨 로직을 사용하여 여러 청크를 순차적으로 연결하여 FM의 최대 컨텍스트 윈도우인 200,000 토큰에 도달하기 전에 추론 호출을 수행합니다.
B. 부모 청크가 8,000 토큰이고 자식 청크가 2,000 토큰인 계층적 청킹을 사용합니다. Amazon Bedrock Knowledge Bases의 built-in 검색을 사용하여 쿼리 컨텍스트를 기반으로 관련 부모 청크를 자동으로 선택합니다. 의미론적 연속성을 유지하도록 겹침 토큰을 구성합니다.
C. breakpoint percentile 임계값을 95%로 설정하고 버퍼 크기를 3개 문장으로 사용한 의미론적 청킹을 사용합니다. Amazon Bedrock RetrieveAndGenerate API 호출을 사용하여 임베딩 유사성 점수를 기반으로 동적으로 가장 관련된 청크를 선택합니다.✓ 정답
D. 문서 토큰 수를 분석하는 FM의 토크나이저를 사용하는 사전 처리 AWS Lambda 함수를 생성합니다. Lambda 함수를 구성하여 문서를 컨텍스트 윈도우의 80% 내에 맞는 동일한 세그먼트로 분할합니다. Lambda 함수를 구성하여 각 세그먼트를 독립적으로 처리한 후 결과를 집계합니다.

해설

【핵심 용어】 ▸ AWS Lambda, Amazon Bedrock 【정답 포인트】 ▸ 정답: C ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (C) breakpoint percentile 임계값을 95%로 설정하고 버퍼 크기를 3개 문장으로 사용한 의미론적 청킹을 사용합니다. Amazon B... 【오답 체크】 (A) 4,000개 토큰의 고정 크기 청킹을 20% 겹침으로 구성합니다. 애플리케이션 레벨 로직을 사용하여 여러 청크를 순차적으로 연... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (B) 부모 청크가 8,000 토큰이고 자식 청크가 2,000 토큰인 계층적 청킹을 사용합니다. Amazon Bedrock Knowl... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) 문서 토큰 수를 분석하는 FM의 토크나이저를 사용하는 사전 처리 AWS Lambda 함수를 생성합니다. Lambda 함수를 구... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 33

회사가 실시간으로 고객 서비스 통화를 분석하고 인간 고객 서비스 대리인을 위한 제안된 응답을 생성하는 GenAI 애플리케이션을 개발하고 있습니다. 애플리케이션은 피크 시간 동안 500,000개의 동시 통화를 처리해야 하며 각 제안에 대해 200ms 미만의 종단 간 지연 시간을 유지해야 합니다. 회사는 기존 아키텍처를 사용하여 고객 통화 오디오 스트림을 전사합니다. 애플리케이션은 미리 정의된 월간 계산 예산을 초과하면 안 되며 자동 스케일링 기능을 유지해야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. Amazon Bedrock에 대형 복잡한 추론 모델을 배포합니다. 프로비저닝된 처리량을 구매하고 배치 처리에 최적화합니다.
B. Amazon Bedrock에 저지연, 실시간 최적화 모델을 배포합니다. 프로비저닝된 처리량을 구매하고 자동 스케일링 정책을 설정합니다.✓ 정답
C. Amazon SageMaker AI 실시간 엔드포인트에 전용 GPU 인스턴스를 사용하는 대형 언어 모델(LLM)을 배포합니다.
D. 배치 처리에 최적화된 Amazon SageMaker AI 서버리스 엔드포인트에 중간 크기 언어 모델을 배포합니다.

해설

【핵심 용어】 ▸ Amazon Bedrock, Amazon SageMaker 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) Amazon Bedrock에 저지연, 실시간 최적화 모델을 배포합니다. 프로비저닝된 처리량을 구매하고 자동 스케일링 정책을 설정합니다.... 【오답 체크】 (A) Amazon Bedrock에 대형 복잡한 추론 모델을 배포합니다. 프로비저닝된 처리량을 구매하고 배치 처리에 최적화합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) Amazon SageMaker AI 실시간 엔드포인트에 전용 GPU 인스턴스를 사용하는 대형 언어 모델(LLM)을 배포합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) 배치 처리에 최적화된 Amazon SageMaker AI 서버리스 엔드포인트에 중간 크기 언어 모델을 배포합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 34

eCommerce 회사가 Amazon Bedrock foundation models(FM)을 사용하여 GenAI 애플리케이션을 개발하기 위한 내부 플랫폼을 구축하고 있습니다. 개발자는 eCommerce 사용 사례에 맞춘 평가를 기반으로 모델을 선택해야 합니다. 플랫폼은 텍스트 생성 및 요약에 대한 정확도 메트릭을 대시보드에 표시해야 합니다. 회사는 표준화된 평가 입력으로 사용할 사용자 정의 eCommerce 데이터세트를 가지고 있습니다. 최소한의 운영 오버헤드로 이 요구 사항을 충족할 단계의 조합은 어느 것입니까? (2개를 선택하세요.)

A. 데이터세트를 Amazon S3 버킷으로 가져옵니다. 평가 작업이 데이터세트에 액세스할 수 있도록 적절한 IAM 권한 및 크로스 오리진 리소스 공유(CORS) 권한을 제공합니다.✓ 정답
B. 데이터세트를 Amazon S3 버킷으로 가져옵니다. 평가 작업이 데이터세트에 액세스할 수 있도록 적절한 IAM 권한 및 VPC 엔드포인트 구성을 제공합니다.
C. Amazon Bedrock 콘솔에서 acl.json이라는 JSON 파일을 생성하여 각 부서 폴더에 배치합니다. 각 파일에서 해당 부서의 데이터에 액세스해야 하는 IAM Identity Center 그룹을 지정하는 액세스 제어 항목을 생성합니다. 데이터 소스 설정의 Access Control 섹션에서 JSON 파일의 위치를 지정합니다.✓ 정답
D. Amazon SageMaker Clarify를 일정에 따라 사용하여 모델 평가 작업을 생성합니다. 오픈 소스 프레임워크를 사용하여 표준화된 평가를 생성하고 실행합니다. 결과를 Amazon CloudWatch 네임스페이스에 게시합니다. 텍스트 생성의 정확도 메트릭으로 단어 오류율을 사용하고 요약의 독성을 사용합니다. 작업의 상태를 확인하고 CloudWatch에 사용자 정의 로그를 게시하는 AWS Lambda 함수를 구성합니다. 사용자 정의 CloudWatch Logs Insights 대시보드를 생성합니다.
E. Amazon SageMaker AI 노트북 작업을 일정에 따라 fmevals 또는 ragas 프레임워크를 사용하여 실행합니다. S3 버킷의 데이터세트를 사용하는 평가를 실행하기 위해 노트북에서 Python 코드를 작성합니다. FM에 직접 InvokeModel API 호출을 수행하고 평가를 위해 응답을 처리합니다. 텍스트 생성의 정확도 메트릭으로 실제 세계 지식(RWK) 점수를 사용하고 요약의 독성을 사용하여 작업 상태 및 결과를 Amazon CloudWatch Logs에 게시합니다. 사용자 정의 CloudWatch Logs Insights 대시보드를 생성합니다.

해설

【핵심 용어】 ▸ AWS Lambda, Amazon Bedrock, Amazon CloudWatch, Amazon S3, Amazon SageMaker 【정답 포인트】 ▸ 정답: AC ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (A) 데이터세트를 Amazon S3 버킷으로 가져옵니다. 평가 작업이 데이터세트에 액세스할 수 있도록 적절한 IAM 권한 및 크로스 오리진 리소스 공... ▸ (C) Amazon Bedrock 콘솔에서 acl.json이라는 JSON 파일을 생성하여 각 부서 폴더에 배치합니다. 각 파일에서 해당 부서의 데이터에... 【오답 체크】 (B) 데이터세트를 Amazon S3 버킷으로 가져옵니다. 평가 작업이 데이터세트에 액세스할 수 있도록 적절한 IAM 권한 및 VPC... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) Amazon SageMaker Clarify를 일정에 따라 사용하여 모델 평가 작업을 생성합니다. 오픈 소스 프레임워크를 사용... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (E) Amazon SageMaker AI 노트북 작업을 일정에 따라 fmevals 또는 ragas 프레임워크를 사용하여 실행합니다.... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 35

엘리베이터 서비스 회사가 Amazon Bedrock을 사용하여 AI 어시스턴트 애플리케이션을 개발했습니다. 애플리케이션은 회사의 엘리베이터 기술자를 지원하기 위해 엘리베이터 유지보수 권장 사항을 생성합니다. 회사는 Amazon Kinesis Data Streams를 사용하여 엘리베이터 센서 데이터를 수집합니다. 새로운 규정 규칙에 따르면 인간 기술자가 AI 생성 권장 사항을 모두 검토해야 합니다. 회사는 AI 권장 사항을 검토하고 승인하기 위한 인간 감시 워크플로우를 구축해야 합니다. 회사는 감사 목적으로 모든 인간 기술자 검토 결정을 저장해야 합니다. 이 요구 사항을 충족할 솔루션은 어느 것입니까?

A. AWS Lambda 함수 및 Amazon SQS 큐를 사용하여 인간 검토를 위한 사용자 정의 승인 워크플로우를 생성합니다. 모든 검토 결정을 Amazon DynamoDB에 저장하여 감사합니다.
B. waitForTaskToken API를 사용하는 인간 승인 단계가 있는 AWS Step Functions 워크플로우를 생성합니다. 인간 기술자가 검토를 완료한 후, SendTaskSuccess API를 호출하도록 AWS Lambda 함수를 사용합니다. 모든 검토 결정을 Amazon DynamoDB에 저장합니다.✓ 정답
C. 인간 승인 단계가 있는 AWS Glue 워크플로우를 생성합니다. 인간 기술자 검토 후, SendTaskSuccess API를 호출하는 AWS Lambda 함수와 애플리케이션을 통합합니다. 모든 인간 기술자 검토 결정을 Amazon DynamoDB에 저장합니다.
D. AI 권장 사항을 인간 기술자에게 검토하도록 라우팅하기 위해 사용자 정의 이벤트 패턴을 사용하여 Amazon EventBridge 규칙을 구성합니다. AWS Glue 작업을 생성하여 인간 기술자 승인 큐를 처리합니다. 모든 인간 기술자 검토 결정을 캐시하기 위해 Amazon ElastiCache를 사용합니다.

해설

【핵심 용어】 ▸ AWS Lambda, AWS Step Functions, Amazon Bedrock, Amazon DynamoDB, Amazon EventBridge 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) waitForTaskToken API를 사용하는 인간 승인 단계가 있는 AWS Step Functions 워크플로우를 생성합니다. 인간 기술자가... 【오답 체크】 (A) AWS Lambda 함수 및 Amazon SQS 큐를 사용하여 인간 검토를 위한 사용자 정의 승인 워크플로우를 생성합니다. 모... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) 인간 승인 단계가 있는 AWS Glue 워크플로우를 생성합니다. 인간 기술자 검토 후, SendTaskSuccess API를 ... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) AI 권장 사항을 인간 기술자에게 검토하도록 라우팅하기 위해 사용자 정의 이벤트 패턴을 사용하여 Amazon EventBrid... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 36

은행이 스캔한 금융 문서를 사용하여 대출 신청을 평가하기 위해 Amazon Bedrock을 사용하는 GenAI 애플리케이션을 구축하고 있습니다. 애플리케이션은 문서에서 구조화된 데이터를 추출해야 합니다. 애플리케이션은 추론 이전에 개인 식별 정보(PII)를 마스킹해야 합니다. 애플리케이션은 foundation models(FM)을 사용하여 승인을 생성해야 합니다. 애플리케이션은 대출 신청자와 동일한 AWS 리전 내의 인간 검토자에게 신뢰도가 낮은 문서 추출 결과를 라우팅해야 합니다. 회사는 엄격한 리전 데이터 거주 및 감사 가능성 요구 사항을 준수해야 합니다. 애플리케이션은 하루에 25,000개 애플리케이션을 처리할 수 있고 99.9% 가용성을 제공해야 합니다. 이 요구 사항을 충족할 솔루션 조합은 어느 것입니까? (3개를 선택하세요.)

A. 스캔한 문서에서 관련 데이터를 추출하기 위해 Amazon Textract와 Amazon Augmented AI(Amazon A2I)를 동일한 리전에 배포합니다. 신뢰도가 낮은 페이지를 인간 검토자에게 라우팅합니다.✓ 정답
B. 제출된 문서에서 PII를 감지하고 마스킹하기 위해 AWS Lambda 함수를 사용합니다. 모델 출력의 부적절하거나 승인되지 않은 콘텐츠를 방지하기 위해 Amazon Bedrock Guardrails을 적용합니다. 리전 특정 IAM 역할을 구성하여 데이터 거주 요구 사항을 강제하고 추출된 데이터에 대한 액세스를 제어합니다.✓ 정답
C. 업로드된 문서에서 필드 레벨 값을 의미론적으로 추출하기 위해 Amazon Kendra와 Amazon OpenSearch Service를 사용합니다.
D. 업로드된 문서를 Amazon S3에 저장하고 객체 메타데이터를 적용합니다. IAM 정책을 구성하여 각 신청자와 동일한 리전 내에 원본 문서를 저장합니다. 향후 감사를 위해 객체 태깅을 활성화합니다.✓ 정답
E. AWS Glue Data Quality를 사용하여 구조화된 문서 데이터를 검증합니다. AWS Step Functions를 사용하여 검증된 데이터를 Amazon Bedrock에 호출하여 대출 신청을 평가하기 전에 최적화된 프롬프트로 변환하는 프롬프트 엔지니어링 단계를 포함하는 검토 워크플로우를 오케스트레이션합니다.
F. Amazon Bedrock이 수행한 모델 채점 결정을 기반으로 공정성 및 편향 보고서를 생성하기 위해 Amazon SageMaker Clarify를 사용합니다.

해설

【핵심 용어】 ▸ AWS Lambda, AWS Step Functions, Amazon Bedrock, Amazon Kendra, Amazon OpenSearch Service, Amazon S3, Amazon SageMaker 【정답 포인트】 ▸ 정답: ABD ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (A) 스캔한 문서에서 관련 데이터를 추출하기 위해 Amazon Textract와 Amazon Augmented AI(Amazon A2I)를 동일한 리... ▸ (B) 제출된 문서에서 PII를 감지하고 마스킹하기 위해 AWS Lambda 함수를 사용합니다. 모델 출력의 부적절하거나 승인되지 않은 콘텐츠를 방지하... ▸ (D) 업로드된 문서를 Amazon S3에 저장하고 객체 메타데이터를 적용합니다. IAM 정책을 구성하여 각 신청자와 동일한 리전 내에 원본 문서를 저... 【오답 체크】 (C) 업로드된 문서에서 필드 레벨 값을 의미론적으로 추출하기 위해 Amazon Kendra와 Amazon OpenSearch Ser... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (E) AWS Glue Data Quality를 사용하여 구조화된 문서 데이터를 검증합니다. AWS Step Functions를 사용... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (F) Amazon Bedrock이 수행한 모델 채점 결정을 기반으로 공정성 및 편향 보고서를 생성하기 위해 Amazon SageMa... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 37

소프트웨어 회사가 Amazon Q Business를 사용하여 직원이 자연어 프롬프트를 사용하여 회사 정보 및 개인 정보에 액세스할 수 있도록 하는 AI 어시스턴트를 구축하고 있습니다. 회사는 이 정보를 Amazon S3 버킷에 저장합니다. 회사의 각 부서는 S3 버킷의 전용 접두사를 가지고 있습니다. 각 객체 이름에는 해당 객체가 속한 부서의 S3 접두사가 포함됩니다. 각 부서는 AWS IAM Identity Center의 단일 그룹에만 속할 수 있습니다. 각 직원은 단일 부서에 속합니다. 회사는 Amazon Q Business를 S3 버킷에 저장된 데이터에 액세스하도록 데이터 소스로 구성합니다. 회사는 AI 어시스턴트가 사용자의 IAM Identity Center 그룹 멤버십을 기반으로 액세스 제어를 존중하는지 확인해야 합니다. 이 요구 사항을 최소한의 운영 오버헤드로 충족할 솔루션은 어느 것입니까?

A. 각 부서 폴더에서 acl.json이라는 JSON 파일을 생성합니다. 각 파일에서 해당 부서의 데이터에 액세스해야 하는 IAM Identity Center 그룹을 지정하는 액세스 제어 항목을 생성합니다. 데이터 소스 설정의 Access Control 섹션에서 JSON 파일의 위치를 지정합니다.
B. S3 버킷의 최상위 수준에서 acl.json이라는 단일 JSON 파일을 생성합니다. 각 부서의 S3 접두사를 해당하는 IAM Identity Center 그룹에 매핑하는 액세스 제어 항목을 추가합니다. 데이터 소스 설정의 Access Control 섹션에서 JSON 파일의 위치를 지정합니다.✓ 정답
C. 각 IAM Identity Center 그룹에 대해 S3 버킷의 모든 접두사에 대한 액세스를 거부하는 별도의 권한 집합을 생성합니다. StringNotEquals 조건 키를 각 그룹이 연결된 부서를 지정하는 각 권한 집합에 추가합니다. 권한 집합을 Identity Center 그룹에 연결합니다.
D. S3 버킷의 최상위 수준에서 metadata.json이라는 메타데이터 파일을 생성합니다. 파일에 각 부서의 접두사의 S3 경로를 지정하는 AccessControlList 객체를 추가합니다. 각 부서의 접두사에 액세스해야 하는 IAM Identity Center 그룹을 지정합니다. 데이터 소스 메타데이터 설정에서 파일 위치를 참조합니다.

해설

【핵심 용어】 ▸ Amazon S3 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) S3 버킷의 최상위 수준에서 acl.json이라는 단일 JSON 파일을 생성합니다. 각 부서의 S3 접두사를 해당하는 IAM Identity C... 【오답 체크】 (A) 각 부서 폴더에서 acl.json이라는 JSON 파일을 생성합니다. 각 파일에서 해당 부서의 데이터에 액세스해야 하는 IAM ... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) 각 IAM Identity Center 그룹에 대해 S3 버킷의 모든 접두사에 대한 액세스를 거부하는 별도의 권한 집합을 생성... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) S3 버킷의 최상위 수준에서 metadata.json이라는 메타데이터 파일을 생성합니다. 파일에 각 부서의 접두사의 S3 경로... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 38

의료 회사가 Amazon Bedrock을 사용하여 의사가 임상 결정을 내리는 데 도움이 되는 시스템을 구축하고 있습니다. 시스템은 승인된 의료 문서를 기반으로만 치료 권장 사항을 제공하고 특정 출처를 인용해야 합니다. 시스템은 환각하거나 사실상 부정확한 정보를 생성하면 안 됩니다. 이 요구 사항을 최소한의 운영 오버헤드로 충족할 솔루션은 어느 것입니까?

A. Amazon Bedrock을 Amazon Kendra와 통합하여 승인된 문서를 검색합니다. 생성된 응답을 소스 문서와 비교하고 인용을 포함하기 위한 사용자 정의 후 처리를 구현합니다.
B. Amazon Bedrock knowledge base를 승인된 임상 소스 문서에 연결하고 배포합니다. Amazon Bedrock RetrieveAndGenerate API를 사용하여 knowledge base에서 인용을 반환합니다.✓ 정답
C. Amazon Bedrock과 Amazon Comprehend Medical을 사용하여 의료 엔티티를 추출합니다. 의료 용어 데이터베이스에 대해 검증 로직을 구현합니다.
D. Amazon Bedrock knowledge base와 Retrieve API 호출 및 InvokeModel API 호출을 사용하여 승인된 임상 소스 문서를 검색합니다. 검색된 출처와 비교하기 위해 검증 로직을 구현하고 출처를 인용합니다.

해설

【핵심 용어】 ▸ Amazon Bedrock, Amazon Comprehend, Amazon Kendra 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) Amazon Bedrock knowledge base를 승인된 임상 소스 문서에 연결하고 배포합니다. Amazon Bedrock Retrieve... 【오답 체크】 (A) Amazon Bedrock을 Amazon Kendra와 통합하여 승인된 문서를 검색합니다. 생성된 응답을 소스 문서와 비교하고... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) Amazon Bedrock과 Amazon Comprehend Medical을 사용하여 의료 엔티티를 추출합니다. 의료 용어 데... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) Amazon Bedrock knowledge base와 Retrieve API 호출 및 InvokeModel API 호출을 사... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 39

금융 서비스 회사가 콜센터 상담원을 지원하는 실시간 생성형 AI 어시스턴트를 개발하고 있습니다. 어시스턴트는 고객의 음성을 실시간으로 전사하고, 문맥을 분석하며, 고객이 말하는 동안 상담원에게 점진적 제안을 제공해야 합니다. 응답성을 유지하려면 음성에서 초기 응답 표시까지의 총 지연시간이 1초 미만이어야 합니다. 아키텍처는 관리형 AWS 서비스만 사용하고 양방향 스트리밍을 지원해야 합니다. 어느 솔루션이 요구사항을 충족합니까?

A. Amazon Transcribe 스트리밍 API를 사용하여 통화를 전사합니다. 텍스트를 Amazon Comprehend로 전달하여 감정 분석을 수행합니다. 결과를 InvokeModel API로 Amazon Bedrock의 Anthropic Claude에 전달합니다. 결과를 Amazon DynamoDB에 저장합니다. WebSocket API를 사용하여 결과를 표시합니다.
B. 부분 결과가 활성화된 Amazon Transcribe 스트리밍을 사용하여 고객이 말을 마치기 전에 전사된 텍스트 조각을 전달합니다. 텍스트 조각을 InvokeModelWithResponseStream API로 Amazon Bedrock에 전달합니다. Amazon API Gateway WebSocket API를 통해 상담원에게 응답을 스트리밍합니다.✓ 정답
C. Amazon Transcribe 일괄 처리를 사용하여 통화를 텍스트로 변환합니다. 완전한 전사본을 ConverseStream API로 Anthropic Claude on Amazon Bedrock에 전달합니다. Amazon Lex 챗봇 인터페이스를 통해 응답을 반환합니다.
D. Amazon Transcribe 스트리밍 API를 AWS Lambda 함수와 사용하여 각 오디오 세그먼트를 전사합니다. Lambda 함수를 InvokeModel API로 Amazon Bedrock의 Amazon Titan Embeddings 모델을 호출하도록 구성합니다. Amazon SNS 주제에 결과를 게시하도록 함수를 구성합니다.

해설

【핵심 용어】 ▸ AWS API Gateway, AWS Lambda, Amazon Bedrock, Amazon Comprehend, Amazon DynamoDB 【정답 포인트】 ▸ 정답: B ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (B) 부분 결과가 활성화된 Amazon Transcribe 스트리밍을 사용하여 고객이 말을 마치기 전에 전사된 텍스트 조각을 전달합니다. 텍스트 조각... 【오답 체크】 (A) Amazon Transcribe 스트리밍 API를 사용하여 통화를 전사합니다. 텍스트를 Amazon Comprehend로 전달... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) Amazon Transcribe 일괄 처리를 사용하여 통화를 텍스트로 변환합니다. 완전한 전사본을 ConverseStream ... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (D) Amazon Transcribe 스트리밍 API를 AWS Lambda 함수와 사용하여 각 오디오 세그먼트를 전사합니다. Lam... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해

문제 40

미디어 회사가 매시간 수천 명의 사용자가 이미지와 텍스트 콘텐츠를 업로드할 수 있는 플랫폼을 출시하고 있습니다. 플랫폼은 Amazon Bedrock을 사용하여 업로드된 콘텐츠를 처리하고 창작물을 생성합니다. 회사는 플랫폼이 부적절한 콘텐츠를 처리하거나 생성하지 않도록 보장해야 합니다. 생성물에서 개인식별정보(PII)를 노출하면 안 됩니다. 솔루션은 회사의 기존 Amazon S3 스토리지 워크플로우와 통합되어야 합니다. 어느 솔루션이 최소 인프라 관리 오버헤드로 요구사항을 충족합니까?

A. Enhanced Monitoring 도구를 활성화합니다. Amazon CloudWatch 알람을 사용하여 플랫폼 트래픽을 필터링합니다. Amazon Comprehend PII 감지를 사용하여 데이터를 전처리합니다. CloudWatch 알람을 생성하여 Amazon Comprehend PII 감지 이벤트를 모니터링합니다. Amazon Rekognition 이미지 조정 단계를 포함하는 AWS Step Functions 워크플로우를 생성합니다.
B. Amazon API Gateway HTTP API를 요청 검증 템플릿과 함께 사용하여 Amazon S3에 업로드된 콘텐츠를 저장하기 전에 스크린합니다. Amazon SageMaker AI를 사용하여 Amazon Bedrock으로 전송하기 전에 콘텐츠를 처리하는 사용자 정의 콘텐츠 조정 모델을 구축합니다.
C. 인증 전 AWS Lambda 함수를 실행하는 Amazon Cognito 사용자 풀을 생성합니다. Amazon Textract를 사용하여 텍스트 콘텐츠를 필터링하고 Amazon Rekognition을 사용하여 사용자가 플랫폼에 콘텐츠를 업로드할 수 있도록 하기 전에 이미지 콘텐츠를 필터링합니다.
D. 내장 Amazon Bedrock guardrails를 사용하여 콘텐츠를 필터링하는 AWS Step Functions 워크플로우를 생성합니다. Amazon Comprehend PII 감지를 사용하여 콘텐츠를 전처리합니다. Amazon Rekognition 이미지 조정을 사용합니다.✓ 정답

해설

【핵심 용어】 ▸ AWS API Gateway, AWS Lambda, AWS Step Functions, Amazon Bedrock, Amazon CloudWatch, Amazon Comprehend, Amazon S3, Amazon SageMaker 【정답 포인트】 ▸ 정답: D ▸ 요구사항 충족: 최소 운영 오버헤드, 확장성, 성능 기준 ▸ 솔루션들: ▸ (D) 내장 Amazon Bedrock guardrails를 사용하여 콘텐츠를 필터링하는 AWS Step Functions 워크플로우를 생성합니다. A... 【오답 체크】 (A) Enhanced Monitoring 도구를 활성화합니다. Amazon CloudWatch 알람을 사용하여 플랫폼 트래픽을 필터... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (B) Amazon API Gateway HTTP API를 요청 검증 템플릿과 함께 사용하여 Amazon S3에 업로드된 콘텐츠를 저... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 (C) 인증 전 AWS Lambda 함수를 실행하는 Amazon Cognito 사용자 풀을 생성합니다. Amazon Textract를... ▸ 제한사항: 구현 복잡도, 운영 오버헤드, 또는 요구사항 부분 충족 【시험 포인트】 ▸ 패턴: AWS AI 서비스 통합 및 확장 가능 아키텍처 설계 ▸ 핵심: 요구사항 대비 최소 운영 오버헤드 솔루션 선택 ▸ 검증: 성능, 비용, 보안, 관찰성 측면의 종합 검토 ▸ 주의: 각 서비스의 기능, 제약, 통합 방식 정확히 이해