AWS Certified AI Practitioner AIF C01 학습 자료

AWS의 AI 및 ML 서비스, 접근 방식, 제어 선택을 위한 실용적인 복습 가이드

저는 이 시험이 반복적으로 요구하는 선택 사항들을 복습하기 위해 이 노트를 작성했습니다. 이는 고립된 정의를 암기하는 것보다는 시나리오가 실제로 무엇을 묻는지 파악하는 것에 더 중점을 두고 있습니다: 모델 커스터마이징의 적절한 수준, 적합한 관리형 서비스(managed service), 또는 특정 지표 뒤에 숨겨진 트레이드오프(trade-off)를 찾는 것입니다.

시험 준비 접근 방식

저는 이 시험이 크게 세 영역으로 나뉜다는 것을 알게 되었습니다: 기본 AWS 서비스 지식, 기본적인 AI 및 ML 개념, 그리고 보안 기초입니다. 만약 이미 AWS Certified Cloud Practitioner 또는 더 높은 AWS 인증을 통과했다면, AWS 서비스 관련 자료는 익숙할 것입니다. 마찬가지로, 보안을 공부했거나 보안 중심의 시험을 통과한 사람이라면 보안 콘텐츠의 상당 부분에 대해 편안함을 느낄 수 있을 것입니다.

이것이 저의 출발점이었습니다: 저는 이미 기본 AWS 및 보안 지식을 가지고 있었기 때문에, 약 2주 동안 AI 자료에 집중했습니다. 만약 완전히 처음부터 시작한다면, AI 관련 주제에 초점을 맞추기 전에 AWS 및 보안 기초를 다지는 데 2~3주를 더 할애하는 것이 좋겠습니다.

시험 형식

문항 수	65개 (50점 배점 / 15점 미배점)
시간	90분
...
Compensatory scoring(보상 점수제)은 각 도메인별로 최소 점수가 없다는 것을 의미합니다. 따라서 한 가지 약한 주제가 단독으로 시험에 실패하게 만들지는 않습니다. 하지만 순서 배열, 매칭, 다중 응답 질문 형식은 전부 아니면 전무입니다: 다섯 쌍 중 네 쌍을 맞히더라도 점수는 0점입니다. 단순히 내용을 읽는 것뿐만 아니라 이러한 형식을 연습할 가치가 있습니다.

추측하는 것에 대한 페널티가 없으며, 답하지 않은 질문은 오답으로 처리됩니다. 문제당 약 80초를 고려했을 때, 현명한 접근 방식은 빠르게 첫 번째 순회(first pass)를 하고 확실하지 않은 것은 표시해 둔 다음, 나중에 돌아와서 푸는 것입니다.

점수가 배정되는 영역

도메인	가중치
Foundation 모델 응용 분야 (Applications of foundation models)	28%
...
시험의 절반 이상이 생성형 AI(generative AI)와 파운데이션 모델 영역에 걸쳐 있으므로, 여기에 가장 많은 복습 시간을 할애하는 것이 좋겠습니다.

커스터마이징 사다리 (The customisation ladder)

이것은 아마도 명확하게 이해하는 데 가장 유용한 아이디어일 것입니다. 파운데이션 모델을 변경하는 방법들은 가장 간단하고 저렴한 것부터 가장 복잡한 것에 이르기까지 대략적인 사다리를 이루고 있습니다:

프롬프트 엔지니어링 (Prompt engineering): 톤, 형식(format), 길이, 페르소나 또는 청중을 조정합니다.
RAG / Amazon Bedrock Knowledge Bases: 조직의 데이터, 특히 변경되는 데이터를 가져옵니다.
파인튜닝 (Fine-tuning): 라벨링된 프롬프트/완성 쌍(prompt/completion pairs)을 사용하여 특정 작업, 스타일 또는 도메인 용어를 가르칩니다.
지속 사전 학습 (Continued pre-training): 원시적이고 라벨링되지 않은 문서에서 도메인 지식을 구축합니다.
처음부터 훈련 (Training from scratch): 가장 큰 비용이 들지만, 동시에 가장 큰 통제력과 보안 소유권을 가집니다.

저의 경험칙은 다음과 같습니다. 이 사다리의 가능한 한 낮은 곳에서 시작하세요. 질문에 비용(cost)이 언급되면, 그것은 보통 요구 사항을 실제로 충족하는 가장 덜 복잡한 옵션을 선택하라는 초대가 됩니다.

데이터 단서도 도움이 됩니다. 라벨링된 데이터는 파인튜닝을 시사합니다. 라벨링되지 않은 데이터는 지속 사전 학습을 시사합니다. 정보가 독점적이거나 최신 상태를 유지해야 하는 경우, RAG를 생각하세요. 파인튜닝은 모델의 지식을 최신 상태로 유지하지 못하며, 추론 비용(inference cost)도 줄이지 못합니다.

Amazon Bedrock

기능 (Feature)	역할 (What it does)
Knowledge Bases	관리형 RAG로, 응답을 문서에 기반하도록 합니다.
...

Bedrock 가격 책정 방식 (Bedrock pricing modes)

모드 (Mode)	사용 시점 (When to use it)
On-Demand	토큰당 비용 지불; 커밋먼트가 없는 가변적이거나 낮은 볼륨에 적합합니다.
...
추론 시간(inference time)에는 입력 및 출력 토큰 수가 비용을 결정하며, 온도(Temperature), 훈련 기간(training duration), 모델 크기는 그렇지 않습니다. Bedrock의 입력과 출력은 모델 제공업체와 공유되지 않으며 기본 모델을 훈련하는 데 사용되지 않습니다.

Guardrails 정책 (Guardrails policies)

이름들이 충분히 유사하므로 일반적인 개념에 의존하기보다는 차이점을 학습하는 것이 이득입니다.

정책 (Policy)	다루는 내용 (What it covers)
Content filters	혐오 발언, 모욕, 폭력, 성적 콘텐츠, 비행 및 프롬프트 공격
...
상황적 접지(Contextual grounding)는 간과하기 쉬운 부분입니다. 만약 RAG 애플리케이션이 소스 자료에 없는 세부 정보를 지어낸다면, 그것은 내용 필터 문제가 아니라 접지 문제(grounding issue)입니다.

가드레일(Guardrails)은 입력 및 출력에서 런타임(runtime)에 작동합니다. 이는 파인튜닝 데이터셋을 정리하지 못하며, 개인 식별 정보(PII) 제거는 파인튜닝보다 더 이른 단계에서 이루어집니다.

프롬프트 엔지니어링 (Prompt engineering)

기법 (Technique)	정의 (What it is)
Zero-shot	예시가 없는 지침(instruction)
...
분리하여 알아둘 가치가 있는 세 가지 위험이 있습니다. 프롬프트 주입(Prompt injection)은 사용자 콘텐츠가 모델의 행동을 조작하는 입력 취약점입니다. 탈옥(Jailbreaking)은 안전 제어를 우회하고 유해한 출력을 얻으려는 시도입니다. 프롬프트 템플릿 추출(Prompt template extraction)은 구성된 시스템 동작을 노출합니다.

추론 매개변수 (Inference parameters)

Temperature는 무작위성을 제어합니다. 값이 0일 때 결과는 결정론적이고 일관성이 있으며, 값이 높을수록 창의적입니다. Temperature를 낮추는 것은 환각(hallucination)도 줄입니다.

Top K는 각 단계에서 고려되는 후보 토큰의 개수입니다. Top P는 누적 확률 절단점(cumulative-probability cut-off)입니다. Max tokens는 응답 길이를 제한하고, 컨텍스트 창(context window)은 단일 프롬프트에 들어갈 수 있는 텍스트 양입니다.

만약 애플리케이션이 긴 문서에서 실패한다면, 이는 컨텍스트 창을 초과했을 가능성이 높습니다. 이 경우 다른 추론 매개변수를 조정할 것이 아니라 다른 모델을 사용해야 합니다.

평가 지표 (Evaluation metrics)

작업 (Task)	지표 (Metric)
번역 (Translation)	BLEU
...
질문들은 종종 정밀도(precision)와 재현율(recall)을 명시하지 않고 설명합니다. 만약 검토하는 항목들 중 괜찮은 것들이 나오는 데 시간을 쓰는 것이 걱정이라면, 그것은 정밀도입니다. 단 하나의 사례라도 놓치는 것이 용납되지 않는다면, 그것은 재현율입니다. 저는 먼저 문구를 거짓 양성(false positives) 또는 거짓 음성(false negatives)으로 번역한 다음, 답이 보통 명확해집니다.

ML 기초 (ML fundamentals)

⚠️ [IMG:N] 형식 토큰은 이미지 placeholder 입니다. 번역하지 말고 원래 위치에 그대로 유지하세요.

상황 (Situation)	접근 방식 (Approach)
알려진 출력이 있는 레이블링된 데이터 (Labelled data with known outputs)	지도 학습 (Supervised learning)
...
유용한 알고리즘 매칭:

필요성 (Need)	알고리즘 (Algorithm)
가장 가까운 예시로 분류 (Classify by nearest examples)	k-NN
...
과적합(Overfitting)은 훈련 데이터에서는 성능이 좋지만 새로운 데이터에서는 성능이 약하다는 것을 의미합니다. 이를 방지하려면 더 많고, 더 다양한 데이터를 사용하거나; 정규화(regularisation)를 강화하거나; 조기 종료(earlier stopping)를 하거나; 또는 모델을 단순화해야 합니다. 과소적합(Underfitting)은 에포크(epochs)를 늘리거나, 특성(features)을 추가하거나, 용량(capacity)을 높여야 함을 의미합니다.

이 생명주기(lifecycle)는 다음과 같습니다: 비즈니스 목표 (business goal), ML 문제 정의 (frame the ML problem), 데이터 수집 (collect data), 전처리 및 탐색 (pre-process and explore), 특성 공학 (feature engineering), 훈련 및 조정 (train and tune), 평가 (evaluate), 배포 (deploy), 모니터링 (monitor). 규정 준수(Compliance) 및 규제 요구 사항은 비즈니스 목표 단계에 속합니다. 상관관계 행렬(Correlation matrices), 요약 통계(summary statistics), 그리고 플롯(plots)은 탐색적 데이터 분석(exploratory data analysis)입니다.

SageMaker

기능 (Feature)	역할 (What it does)
명확화 (Clarify)	편향 감지 및 설명 가능성 통합 (Bias detection and explainability together)
...

SageMaker 추론 옵션 (SageMaker inference options)

옵션 (Option)	사용 시점 (When to use it)
실시간 (Real-time)	낮은 지연 시간 및 꾸준한 트래픽 (Low latency and steady traffic)
...
위의 비동기 제한(asynchronous limits)은 문서화된 서비스 제한입니다. 이들은 네 가지 옵션을 구별하는 유용한 방법이므로, 단순히 광범위한 설명보다는 숫자를 학습하는 것이 좋습니다.

데이터에 맞는 서비스 매칭 (Matching a service to the data)

서비스를 선택하기 전에 입력 유형을 확인하세요. 여러 AWS 서비스가 광범위하게 비슷하게 들리지만, 서로 다른 모달리티(modalities)를 위해 사용됩니다.

작업 (Task)	서비스 (Service)
음성 텍스트 변환, 통화 녹음, 자막 (Speech to text, call recordings, subtitles)	Amazon Transcribe
...

책임 있는 AI (Responsible AI)

AWS는 공정성(fairness), 설명 가능성(explainability), 개인 정보 보호 및 보안(privacy and security), 안전성(safety), 제어 가능성(controllability), 진실성 및 견고성(veracity and robustness), 거버넌스(governance), 투명성(transparency)의 여덟 가지 차원을 문서화합니다. 이 중 몇 가지가 시나리오에서 특히 자주 언급됩니다.

시나리오	차원
특정 그룹에게 불리한 대표성 없는 훈련 데이터	공정성 (Fairness)
...
Bias 용어: 샘플링 편향(sampling bias)은 데이터가 모집단을 대표하지 못함을 의미합니다. 측정 편향(Measurement bias)은 부정확하거나 대리적인 측정을 통해 발생합니다. 관찰자 편향(Observer bias)은 레이블러의 기대치가 새어 나오는 경우입니다. 확증 편향(Confirmation bias)은 기존 신념을 뒷받침하는 데이터를 찾는 것입니다.

일반적인 해결책에는 균형 잡히고 다양한 데이터 수집; 클래스 불균형 측정 및 훈련 조정; 그리고, 편향된 파인튜닝 모델의 경우 다양한 데이터를 추가하고 다시 파인튜닝하는 것이 포함됩니다. 인간 개입 루프(Human-in-the-loop) 검토는 후처리 단계에서 편향과 유해성을 처리할 수 있습니다.

제가 구분하는 한 쌍은 다음과 같습니다: Model Cards는 사용자가 구축한 모델을 문서화하는 반면, AI Service Cards는 AWS AI 서비스에 대한 AWS의 문서입니다.

보안 및 거버넌스 (Security and governance)

요구 사항	서비스 또는 제어
어떤 API를 누가 호출했고 승인되지 않은 접근 시도	CloudTrail
...
공유 책임 모델(shared responsibility model) 하에서, 고객은 전송 중 및 저장된 데이터, 접근 제어 및 사용 사례에 대한 책임을 집니다. AWS는 기본 인프라와 패치 적용에 대한 책임을 집니다.

Generative AI Security Scoping Matrix는 소비자 애플리케이션인 Scope 1부터 자체 훈련 모델인 Scope 5까지 범위를 다룹니다. 이 범위가 높아질수록 보안 책임도 증가합니다.

요구 사항 읽기 (Reading the requirements)

AWS의 문구는 보통 의도가 명확합니다. 다음 단서들이 옵션을 빠르게 좁히는 데 도움이 되었습니다:

비용 한정자(Cost qualifier): 필요를 충족하는 가장 저렴한 접근 방식을 선택하며, 일반적으로 사용자 정의 사다리에서 더 낮은 수준입니다.
운영 오버헤드 한정자(Operational-overhead qualifier): 구성 요소를 직접 조립하기보다 관리형 또는 서버리스 서비스를 선호합니다.

만약 두 답변이 주로 서비스 이름에서 차이가 난다면, 데이터 모달리티로 돌아가세요. 만약 노력(effort)에서 차이가 난다면, 그 질문에 실제로 추가적인 노력이 필요한지 물어보세요.

막바지 체크리스트

작동하는 가장 낮은 수준의 커스터마이징 사다리를 사용하세요. 레이블링된 데이터는 파인튜닝(fine-tuning)을 의미하고, 레이블링되지 않은 데이터는 지속적인 사전 학습(continued pre-training)을 의미하며, 데이터를 변경하는 것은 RAG를 의미합니다. BLEU는 번역용이고, ROUGE는 요약용이며, BERTScore는 유사도 측정용이고, F1은 균형 잡힌 분류에 사용됩니다. Temperature 0은 일관적입니다. 추론 비용(Inference cost)은 토큰 기반입니다. Clarify는 편향과 설명 가능성(explainability)을 다루고, Model Cards는 문서화를 다루며, Model Monitor는 드리프트(drift)를 포착합니다. CloudTrail은 누가 무엇을 했는지 보여주고, Artifact는 규정 준수 보고서(compliance reports)를 제공합니다. 그리고 아무것도 비워두지 마세요.

출처

이 노트들은 공식 AIF-C01 시험 가이드, AWS Skill Builder 공식 실습 문제 세트, 그리고 AWS 서비스 문서를 기반으로 합니다. 해석과 개정 알림은 저의 것입니다.