AWS Certified AI Practitioner(AIF-C01)에 합격했습니다.
AI 자체는 조금 알지만, 업무에서 AWS를 사용해 본 경험은 거의 없습니다. 용어도 모르고, 모의 시험 점수는 5할 전후에서 늘지 않았습니다.
그 상태에서 합격할 수 있었던 것은 AI에게 용어 카드・사례집・모의 문제를 만들게 하고, 저만을 위한 교재로 공부했기 때문입니다. 이 글에서는 막혔던 포인트와 AI를 어떻게 활용하여 극복했는지 정리했습니다.
저처럼 'AWS를 일상적으로 다뤄본 적은 없지만, AI 관련 자격증을 따고 싶은' 분들께 도움이 되기를 바랍니다.
- AI・생성형 AI는 개발 업무에서 사용해서 어느 정도 알고 있음
- AWS는 일상생활에서 거의 접하지 않음. AWS의 AI 서비스는 사용해 본 적 없음 - 자격증 공부는 웹 강의와 민간 모의 문제집(Udemy 등)으로 시작함
처음에 막혔던 것은 이 세 가지였습니다.
용어 자체가 이해가 안 됨용어를 암기해도, 용어 간 사용법이나 용도가 파악되지 않음모의 문제 점수가 오르지 않음. 해설을 읽어도 와닿지 않음
모의 문제에서 틀린 답을 AI에게 보여주고 분석을 요청했더니, '서비스별 영역 범위'와 '개념・용어 혼동'으로 인한 실수가 전체의 6할 이상이었습니다.
그래서 한 문제에 한 개념씩 용어 카드를 만들게 했습니다. 핵심은 카드의 뒷면에 반드시 **'헷갈리기 쉬운 다른 서비스와의 차이점'**을 넣었다는 것입니다.
| 앞면(질문) | 뒷면(답변) | 헷갈리기 쉬운 상대 |
|---|
| Word2Vec이나 텍스트 분류에 사용하는 SageMaker의 알고리즘은? | BlazingText | Object2Vec은 쌍 관계, Seq2Seq는 문장 변환 |
| ... | | |
| 실제로 해보니, 객관식이라면 대충 고를 수 있는데, 스스로 설명하려고 하면 떠오르지 않는 용어들뿐이었습니다. 처음 10장은 거의 제로였습니다. | | |
'대략 알고 있다'와 '스스로 말할 수 있다'의 차이를 자각한 것이 가장 큰 수확이었습니다.
용어를 외워도, '이 서비스를 왜 여기서 사용해야 하는지'가 알 수 없었습니다. 서비스들이 각각 단독 지식으로만 존재했던 것입니다.
그래서 하나의 업무 흐름 속에 여러 서비스를 배치한 사례를 만들게 했습니다.
전화를 받기 (Amazon Connect)
→ 음성을 문자로 변환하기 (Transcribe)
→ 용건을 판단하기 (Lex)
...
'왜 Fine-tuning이 아니라 RAG인가? → 요금 플랜이 자주 바뀌기 때문에. 문서를 업데이트하는 것만으로 충분한 RAG가 적합하다'와 같이, 상황과 이유가 세트로 묶이자 바로 이해가 되었습니다.
SageMaker의 기능은 동사 하나로 단계별로 나누니 정리할 수 있었습니다.
수집하기 → 다듬기 → 만들기 → 확인하기 → 등록하기 → 추론하기 → 감시하기 → 돌리기
（S3） （Data Wrangler／Feature Store）（Training／AMT）（Clarify）（Model Registry）（추론 방식）（Model Monitor）（Pipelines）
추론 방식도 '매일 밤, 전 매장의 예측을 모아서 내보내기 → 배치 변환'과 '점장이 태블릿으로 현장에서 바로 보기 → 실시간 추론'처럼, 같은 모델이라도 사용하는 상황에 따라 방식이 달라진다는 것을 알게 되었습니다.
Bedrock의 기능(모델 선택, 지식 기반, 프롬프트, 추론 파라미터, Guardrails, 로그)을 하나의 흐름으로 정리했습니다.
'지식 기반 = AWS가 준비해 주는 RAG구나'라고 이해했을 때는 '지금 와서야 알았네!'라는 말이 절로 나왔습니다.
사례로 배우는 것은, 일상적으로 AWS를 사용하지 않는 사람에게, 실제로 사용하는 사람의 경험을 보충하는 방법이라고 느꼈습니다.
민간 모의 문제집은 문제가 많아서 약점을 찾는 데는 도움이 되었습니다. 다만 제가 사용했던 것에는,
- 실제 시험보다 어렵게 느껴지는 문제가 있음
- 해설이 다소 이해하기 어려움
- 제공이 종료된 서비스나, 어색한 표현의 문제가 섞여 있음
같은 단점이 있어 '어디까지 깊이 이해해야 하는지'에 혼란스러웠습니다.
그래서 문제집은 약점을 찾는 진단용으로 생각하고, 내용의 이해는 AI에게 의존하기로 했습니다.
- 난이도를 조정할 수 있음 : '실제 시험 수준으로', '선택지를 더 헷갈리게'와 같이 요청 가능 -
해설이 명확함. 모르는 부분이 있으면 그 자리에서 질문 가능 -
취약 분야에 집중해서 만들 수 있음: D1이 약하면 D1을 많이 출제하도록 요청 가능
- **최대 오답(가장 헷갈리기 쉬운 선택지)**이 왜 틀렸는지까지 해설해 주니, 판단력이 생겼습니다.
원인은 같은 문제를 반복하면서 답을 외워버린 것이었습니다. 말 그대로, 시험공부의 과적합(Overfitting) 상태였습니다.
대책 역시 머신러닝과 같았습니다.
| 머신러닝 과적합 대책 | 시험공부에서는 |
|---|
| 데이터를 늘리기 | AI에게 처음 보는 문제 만들게 하기 |
| ... | |
| AI가 만들어준 처음 보는 모의고사에서는 처음에는 73%였습니다. 오답의 대부분은 급하게 읽고 건너뛴 것이 원인이었기 때문에, 꼼꼼히 풀도록 노력한 결과 85%, 95%까지 올랐습니다 (AI가 만든 문제라 공식 문제보다 쉬웠을 가능성은 있습니다). | |
반대로, AI에게 "까다로운 문제"를 너무 많이 부탁하면, 억지 싸움 같은 문제가 되어 깊게 해석하는 습관이 생길 것 같았습니다. 난이도는 '실제 시험에 나올 법한 판단 기준(운영의 노력, 비용, 즉시성 등)'으로 좁히는 것이 좋습니다.
마지막에는 이 네 가지에 집중하여 실전에 임했습니다.
- 문제문의 조건 단어 하나를 찾는다 ("전문가가 없다", "코드를 작성할 수 없다", "가장 적은 구성으로" 등)
- 선택지는 끝까지 읽는다 (자신이 있더라도)
- '가능/불가능'의 방향성과, 복수 선택 개수를 확인한다 (복수 선택은 부분 점수가 없음)
- 극단적인 단어 ("만", "반드시", "항상")는 의심하고 확인한다
게다가, 조건이 2~3개인 문제는 모든 조건을 충족하는 선택지를 고릅니다. "작동은 하지만, 제약 중 하나를 만족하지 않는" 선택지가 가장 큰 함정이었습니다.
또 한 가지, 생성 AI의 선택지에 바로 뛰어들지 않는 것입니다. 표 데이터나 수치 예측이라면, 기존 ML(머신러닝) 쪽이 답이 되는 경우가 많습니다.
- AI가 만든 문제는 공식이 아닙니다. 난이도 역시 실전과 완전히 일치하지 않으므로, 최종 확인은 공식 연습 문제로 합니다.
- AI의 해설에도 부정확한 부분이 있었습니다 (문제문에 없는 조건을 해설에 적는 등). 이상하다고 생각되면, AI에게 다시 묻거나 AWS 공식 문서를 통해 확인합니다.
- 유용한 규칙을 스스로 만들 때는, 너무 일반화하지 않습니다. 저는 "FM이 나오면 SageMaker"라고 외우려 했지만, 기본은 Bedrock이었고, SageMaker JumpStart는 "오픈소스 모델을 직접 배포하는" 경우였습니다.
AWS를 다뤄본 적도 없고 용어도 모르는 곳에서 시작했지만,
- 용어 카드로 '막연함'을 '스스로 말할 수 있음'으로
- 사례로 '단독 지식'을 '상황과 이유의 연결고리'로
- 처음 보는 문제에서 '통암기'를 '판단하는 힘'으로
와 같이 단계적으로 접근함으로써 합격할 수 있었습니다.
AI는 자신의 약점에 맞춰 교재를 만들고, 모르는 부분을 그 자리에서 설명해 주는 과외 선생님으로서 정말 큰 도움이 되었습니다. 같은 고민을 하는 분들에게 참고가 되었으면 좋겠습니다.
