ChatGPT Image 2026年7月18日 17_05_14.png

AWS Certified AI Practitioner (AIF-C01) 학습을 통해 Bedrock, SageMaker, Comprehend, Rekognition과 같은 매니지드 AI (Managed AI) 서비스를 체계적으로 익히게 되었다. 한편, 나의 일상은 Claude나 OpenAI의 API를 직접 호출하며 개인 개발을 하는 매일이다. 시험은 "어떤 서비스가 무엇을 하는가"를 지도로 알려주지만, 실무에서 실제로 무엇을 선택할지는 별개의 문제다. 이 기사에서는 AIF-C01이 그리는 AWS AI 서비스의 지도와, API 직접 호출파인 내가 현장에서 어떻게 선택하는지를 공식 문서를 참조하며 확인해 보려 한다.

이유는 단순하다. 시험에서 외우는 서비스 목록과 내가 실제로 손을 움직이고 있는 서비스가 상당히 어긋나 있었기 때문이다.

본업에서는 SES로 인프라 운용을 하고 있고, 부업으로 개인 개발을 하고 있다. 개인 개발 쪽에서는 AI 관련 작업을 거의 Claude와 OpenAI의 API를 직접 호출하는 것으로 해결해 왔다. 요약을 만드는 것도, 문장을 분류하는 것도, 직접 프롬프트 (Prompt)를 작성하여 API에 던진다. 매니지드 서비스 (Managed Service)로 옮기는 것보다 그 편이 더 빠르고 저렴하다고 느끼는 경우가 많았다.

여기에 AIF-C01 학습이 들어왔다. 시험 범위에는 내가 평소에 만지지 않는 AWS의 매니지드 AI 서비스들이 줄지어 늘어서 있다. 이름만 외우는 것이라면 암기로 충분하다. 하지만 그렇게 하면 이전에 CLF-C02를 공부했을 때와 마찬가지로, "읽어본 적은 있지만, 언제 사용하는지 설명할 수 없는" 상태인 채로 머릿속에서 빠져나가 버린다. 모처럼 지도를 얻었으니, 내가 실제로 어디를 걷고 있는지와 대조해 두고 싶었다.

또 하나 큰 동기는 학습 사이트 때문이다. 나는 AWS Cert Roadmap Lab이라는 AWS 학습자를 위한 사이트를 개인 개발 및 운영하고 있다. 현재 다루고 있는 것은 CLF·SAA 위주의 용어나 구성에 관한 이야기이며, AI 서비스 콘텐츠는 아직 없다. 다만, 향후 이 학습 사이트에 AI 장을 확장해 나갈 계획이 있으며, 그 밑작업으로서 AWS AI 서비스의 구분(棲み分け)을 자신의 언어로 정리해 두고 싶었다. 시험 공부와 사이트 콘텐츠 설계, 그리고 실무의 확인. 이 세 가지를 한 번에 해버리자는 것이 이번 정리의 출발점이다.

먼저 지도의 전체 모습부터. AIF-C01은 5개의 출제 도메인 (Domain)으로 구성되며, 배점 비율이 정해져 있다. 이는 공식 시험 가이드에 명시된 숫자다.

배점이 가장 큰 것은 Domain 3 「기반 모델의 응용」으로 28%를 차지한다. 프롬프트 엔지니어링 (Prompt Engineering), RAG, 파인 튜닝 (Fine-tuning), FM의 평가 지표 (ROUGE / BLEU / BERTScore 등)와 같이 생성 AI를 "사용하는 측"의 구현 지식이 여기에 모여 있다. 시험 전체적으로도 AI를 스스로 처음부터 만드는 사람이 아니라, 준비된 모델이나 서비스를 조합하여 사용하는 사람을 대상으로 하고 있다는 것이 특징이다. 공식 대상자상도 "AWS 상에서 AI/ML 솔루션을 사용하지만, 반드시 스스로 구축하지는 않는다", "AI/ML 기술에 대한 노출은 최대 6개월 정도"라고 정의되어 있다.

그 바탕 위에서, 시험 범위 (in-scope) 서비스는 기능별로 카테고리 분류되어 있다. 중심이 되는 것은 「Machine Learning」 카테고리로, 여기에 16개의 서비스·기능이 포함된다.

출처: In-Scope AWS Services (AIF-C01)

이 16개를 막연하게 훑어보는 것만으로는 머릿속에 들어오지 않는다. 내가 지도로 활용하기 좋았던 것은 '기반 모델(Foundation Model)을 어떻게 다룰 것인가'라는 축으로 3개의 계층으로 나누는 AWS의 공식적인 사고방식이다. AWS의 '기계 학습 서비스 선택 방법(Choosing an AWS machine learning service)'이라는 결정 가이드에서는, AI 서비스를 "① 특정 유스케이스(Use Case)를 위한 사전 학습된 서비스(Comprehend, Rekognition, Textract, Translate 등)", "② SageMaker AI (직접 모델을 구축·학습·배포)", "③ 저수준(Low-level) ML 프레임워크·인프라"의 3개 계층으로 정리하고 있다. 참고로 이 결정 가이드에는 페이지 내에 "Last updated: May 3, 2024"라고 명시되어 있어, Bedrock AgentCore와 같은 새로운 에이전트 계열 서비스의 위치까지는 커버하지 않으므로, 큰 틀의 사고방식으로 읽는 것이 좋아 보인다.

서비스 이름을 나열하는 것만으로는 지도를 단순히 필사하는 것에 불과하다. 지금부터는 시험에서 외워야 할 정의와, 내가 실무에서 어떻게 다루고 있는지(혹은 다루지 않고 있는지)를 서비스별로 하나씩 대조해 나가겠다.

가장 많이 검색되는 Bedrock과 SageMaker의 차이부터 시작한다. 결론을 먼저 한 문장으로 쓰자면, Bedrock은 준비된 기반 모델을 API로 호출하는 서비스이고, SageMaker AI는 직접 모델을 구축·학습·배포하기 위한 종합 기반이라는 차이가 있다. 시험에서는 "어느 쪽이 기반 모델을 제공하는가", "어느 쪽이 자체 모델 학습에 적합한가"라는 식으로 질문이 나온다. 실무적인 감각으로 치환하면, Claude나 Llama와 같은 기존 모델을 호출하고 싶을 뿐이라면 Bedrock 계층, 독자적인 데이터로 처음부터 학습시키고 싶다면 SageMaker 계층으로 구분된다.

개별 서비스도 마찬가지로 정의와 실무 용도를 쌍으로 나열해 본다.

이렇게 나열해 보며 스스로 정리할 수 있었던 점은, 시험에서 외우는 개별 서비스의 상당수가 "LLM에 직접 프롬프트를 작성하면 비슷한 일을 할 수 있지만, 정해진 업무를 안정적이고 저렴하게 대량 처리하고 싶을 때 효과적이다"라는 위치를 점하고 있다는 사실이었다. 시험의 정의만 외우다 보면, 이 "언제 전용 서비스로 넘어갈 것인가"에 대한 핵심을 놓치게 된다.

솔직히 말하면, 여기에 언급한 개별 서비스들은 하나같이 실무에서 직접 다뤄본 적이 없다. Comprehend가 수행하는 감성 분석·엔티티 추출도, Textract와 같은 양식(Form)에서의 구조적 추출도, 지금까지는 모두 Claude나 OpenAI의 API에 직접 던져서 해결해 왔다. 전용 서비스 도입을 검토하기 전에 API 직접 호출로 구현 가능한 수준에서 작업이 끝나버리는 경우가 많아, 결과적으로 "AWS의 매니지드 AI 서비스를 경유하지 않고 해결하기"가 나의 기본값이 되어 있다.

개인 개발에서 AWS의 생성형 AI 서비스를 선택할 때, 내가 가장 먼저 스스로에게 묻는 것은 "모델을 직접 학습시킬 필요가 있는가"이다. 이 결정이 내려지면 SageMaker 계층으로 내려갈 것인지, Bedrock 계층으로 충분할 것인지가 거의 기계적으로 결정된다.

그 바탕 위에서, 실제 채택 여부는 다음의 판단 축을 기준으로 보고 있다.

비용 구조: 사용한 만큼 지불하는 종량제인가, 상시 가동으로 인해 고정 비용이 발생하는가. 개인 개발에서는 고정비가 발생하는 구성을 가급적 피하고 싶다 -
커스터마이징 가능성: 기존 모델을 그대로 사용할 수 있으면 충분한가, 독자적인 데이터로의 학습·튜닝(Tuning)이 필요한가 -
운영 부하: 직접 모델을 보유하면 업데이트·모니터링·스케일링(Scaling)까지 모두 자신의 업무가 된다. 전용 서비스나 매니지드 서비스로 넘길수록 이 부하는 AWS 측으로 이전된다 -
API 직접 호출로 충분한가: 애초에 AWS 서비스를 거치지 않고 Claude / OpenAI의 API를 직접 호출하는 것이 더 빠르고 저렴한 상황도 많다

마지막 관점은 AWS 자격증 관련 글에서는 잘 다루지 않는 부분이라고 생각한다. 나의 경우, AWS 상에서 시스템을 구축할 전제가 없다면 매니지드 AI (Managed AI) 서비스를 거치지 않고 API를 직접 호출하는 것이 가장 유연하고 빠르다. 반대로 인증, 네트워크, 다른 AWS 리소스와의 연계까지 포함하여 AWS 내부에서 완결 짓고 싶다면, Bedrock처럼 모델 액세스 자체를 AWS의 권한 관리 (IAM) 내부에 둘 수 있다는 점이 가치를 발휘한다. 시험에서 Bedrock이 '풀 매니지드 (Full-managed)'라고 강조되는 의미를 이 문맥에서 이해할 수 있었다.

정리하는 과정에서, 시험을 위해 외운 지도와 현장의 실태가 어긋나는 장면을 세 가지 발견했다. 모두 암기만 해서는 깨닫지 못했을 부분들이다.

첫 번째는, 분명히 외웠던 서비스가 실무에서는 선택할 수 없게 된 것이다. 교재나 학습 로그에 '암기 대상'으로 Amazon Forecast (시계열 예측 서비스)를 적어 두었으나, 현재의 in-scope 리스트를 확인해 보니 Forecast는 포함되어 있지 않았다. 게다가 공식 문서에는 다음과 같이 명확하게 적혀 있다.

Amazon Forecast is no longer available to new customers. Existing customers of Amazon Forecast can continue to use the service as normal.

(Amazon Forecast는 신규 고객은 이용할 수 없습니다. 기존 Amazon Forecast 고객은 평소와 같이 서비스를 계속 이용할 수 있습니다.)

즉, 이름만 외워 두었어도 새로 개인 개발로 사용하려 할 때는 선택지에 오르지 못한다. 공식 측은 이관 대상으로 SageMaker Canvas를 안내하고 있다. '시험을 위해 외운 서비스가 실무에서는 신규로 접할 수 없다'는 것은 지도와 현장을 대조해 보고 나서야 알 수 있는 사실이었다.

두 번째는, 시험 범위 자체가 몇 개월 단위로 움직이고 있었다는 점이다. AIF-C01 시험 가이드에는 개정 이력이 공개되어 있는데, 버전 1.0은 2026년 3월 26일, 버전 1.1은 2026년 4월 30일에 공개되었다. 이 v1.1에서 출제 관점에 'agentic AI (에이전트형 AI)'가 여러 항목 추가되었고, in-scope 서비스에도 Bedrock AgentCore, SageMaker JumpStart, AWS Transform (Machine Learning 카테고리) 및 Kiro, Strands Agents, Amazon Q (Developer Tools 카테고리) 등이 추가되었다. 파운데이션 모델 (Foundation Model)의 커스터마이징 기법으로 model distillation이, FM 평가로 LLM-as-a-judge가 추가된 것도 생성 AI 측면의 움직임을 그대로 반영한 변화다 (출처: Revisions (AIF-C01)).

이는 '교재가 오래되었다'는 차원의 문제가 아니라, 생성 AI 영역의 자격증은 시험 범위 자체가 짧은 주기로 움직인다는 업계 특성의 문제라고 받아들이고 있다. 종이 교재나 구매한 강의는 공개된 특정 시점의 스냅샷이다. 따라서 최신 in-scope 리스트와 개정 이력은 교재와 별개로 공식 사이트에서 한 번 확인해 두는 것이 안전하다고 생각한다.

세 번째는, 가지고 있는 교재가 커버하는 범위와 공식의 최신 범위 사이에 차이가 있었다는 점이다. 내가 사용 중인 시판 교재는 위에서 언급한 v1.1에서 추가된 에이전트 계열 서비스까지는 다루지 못하고 있었다. 이 또한 교재의 좋고 나쁨의 문제가 아니라, 변화가 빠른 영역을 배울 때는 '교재로 토대를 잡고, 공식 문서로 차이점을 확인한다'는 이단계 전략으로 접근하는 것이 현실적이라는 배움으로 받아들였다.

AIF-C01 학습을 통해 얻은 AWS AI 서비스의 지도를, API를 직접 호출하는 개인 개발자의 시선으로 검증해 보았다. 시험은 'Bedrock은 모델을 호출하는 층, SageMaker는 직접 만드는 층'과 같은 구분 지도를 매우 잘 만들어 놓았으며, 실무에서 서비스를 선택할 때 첫 번째 가늠자를 잡는 데 도움이 된다. 다만, 지도와 현장이 완전히 일치하지는 않았다. 분명히 외웠던 Forecast는 신규로 사용할 수 없었고, 시험 범위 자체도 몇 개월 만에 개정되었다.

이 글에서 쓴 내용도 어디까지나 확인한 시점의 스냅샷이다. Bedrock의 대응 모델이나 요금 체계, in-scope의 구성은 앞으로도 계속 변할 것이다. 그렇기에 '시험에서 외운 정의를 실무의 제공 상황으로 한 번 더 검산한다'는 태도를 가져가 주신다면 기쁘겠다. 이는 AWS에 국한되지 않고, 변화가 빠른 영역의 자격증을 공부할 때 적용할 수 있는 태도라고 생각한다.

나 자신의 숙제도 남아 있다. v1.1에서 추가된 Bedrock AgentCore나 에이전트 계열의 서비스는 아직 실무에서 직접 다뤄보지 못했다. 지도 위에서 위치는 알더라도 실제로 걸어보지 않으면 알 수 없는 것이 있다는 사실은, Forecast의 사례를 통해 뼈저리게 느꼈다. 다음에는 이 부분을 개인 개발로 직접 만져본 뒤, 학습 사이트의 AI 장(章)에 반영하고 싶다.

Q: Bedrock과 SageMaker 중, 개인 개발에서는 어느 쪽부터 다뤄보는 것이 좋을까요?

A: 기존의 기반 모델 (Foundation Model)을 API를 통해 사용하고 싶을 뿐이라면 Amazon Bedrock, 직접 모델을 학습하거나 튜닝 (Tuning)하고 싶다면 Amazon SageMaker AI가 시작점이 된다. 개인 개발에서 처음부터 모델을 학습시키는 상황은 많지 않기 때문에, 우선은 Bedrock부터 다루는 경우가 많다.

Q: AIF-C01에서 배우는 AWS AI 서비스는 실무에서도 그대로 사용하나요?

A: Comprehend, Rekognition, Textract, Translate 등의 개별 서비스는 시험과 실무에서 이름이 일치한다. 다만 Amazon Forecast처럼 시험 학습 대상에서는 제외되었거나, 공식적으로도 신규 접수를 종료한 서비스도 있다. 시험 지식을 그대로 실무의 서비스 선정에 사용할 때는 현재의 제공 상황을 확인하는 것이 좋다.

Q: AIF-C01의 시험 범위는 어느 정도 빈도로 바뀌나요?

A: 2026년 한 해에만 v1.0 (3월 26일 공개)에서 v1.1 (4월 30일 공개)로 개정되었으며, 에이전트형 AI (Agentic AI) 관점이나 Bedrock AgentCore, Kiro, Strands Agents 등의 서비스가 새롭게 시험 범위에 추가되었다. 생성형 AI (Generative AI) 영역의 자격증은 시험 범위가 몇 달 단위로 움직인다는 전제하에 학습 계획을 세우는 것이 안전하다.

Q: 일상적으로 Claude / OpenAI의 API를 직접 호출하여 사용하고 있는 경우, AWS의 AI 서비스를 배우는 의미가 있을까요?

A: 모델 API를 직접 호출하는 경험과 AWS의 매니지드 AI 서비스 (Bedrock / SageMaker / Comprehend 등)의 역할 분담을 이해하는 경험은 별개의 것이다. AWS 상에서 시스템을 구축한다는 전제라면, 어떤 매니지드 서비스가 어느 계층의 과제를 해결하는지 알고 있음으로써 API 직접 호출과 매니지드 서비스 채택 중 어느 쪽이 적절한지 판단하기 쉬워진다.

• AWS Certified AI Practitioner (AIF-C01) Exam Guide — 5개 도메인의 배점·대상자상·출제 형식
• In-Scope AWS Services (AIF-C01) — 시험 범위 서비스 목록 (카테고리별)
• Revisions (AIF-C01) — v1.0 → v1.1 개정 이력
• Amazon Bedrock / Amazon SageMaker — 각 서비스 공식 사이트
• Choosing an AWS machine learning service — AI 서비스를 3개 계층으로 정리하는 결정 가이드
• What Is Amazon Forecast? — 신규 접수 종료 관련 1차 정보
• 관련: AWS CLF-C02를 Claude Code와 자작 사이트로 취득한 이야기 — 동일한 AWS 학습 사이트를 사용한 CLF-C02 학습 로그