cert-bank

가이드

Read this guide in English

AIF-C01 학습 가이드: AWS AI Practitioner는 만드는 시험이 아니라 고르는 시험입니다

AWS Certified AI Practitioner(AIF-C01)는 기초 수준 시험입니다. 그런데 머신러닝 경험이 있는 사람은 생각보다 어렵다고 느끼고, 경험이 없는 사람은 생각보다 쉽다고 느끼는 경우가 많습니다. 이유는 간단합니다. 이 시험은 모델을 학습시키거나 코드를 작성하라고 하지 않습니다. 몇 문장으로 설명된 비즈니스 요구에 맞춰 어떤 접근 방식, 어떤 AWS 서비스, 어떤 안전장치를 쓸지 고르라고 합니다. 이 가이드는 바로 그 선택을 중심으로 구성했습니다.

학습 가이드 · AWS Certified AI Practitioner (AIF-C01)

AIF-C01 학습 가이드: AWS AI Practitioner는 만드는 시험이 아니라 고르는 시험입니다

한 단락으로 보는 시험

65문항(채점 50문항, 표시 없이 섞여 있는 비채점 15문항), 90분, 합격 점수는 100–1,000점 척도에서 700점입니다. 단일 선택과 복수 선택 외에 순서 배열, 짝짓기, 짧은 사례 연구 문제가 나올 수 있습니다. 도메인은 다섯 개입니다. Fundamentals of AI and ML(AI 및 ML 기초, 20%), Fundamentals of Generative AI(생성형 AI 기초, 24%), Applications of Foundation Models(파운데이션 모델 활용, 28%), Guidelines for Responsible AI(책임 있는 AI 지침, 14%), Security, Compliance, and Governance for AI Solutions(AI 솔루션의 보안, 규정 준수 및 거버넌스, 14%). 시험의 절반 이상이 생성형 AI와 파운데이션 모델에 관한 내용입니다.

시험이 반복해서 요구하는 일곱 가지 결정

저희는 이 사이트를 위해 AIF-C01 문제 356개를 직접 만들었습니다. 그중 Amazon Bedrock이 다른 어떤 서비스보다 압도적으로 많이 나오고, SageMaker AI, Bedrock Knowledge Bases, Bedrock Guardrails가 뒤를 잇습니다. 거의 모든 문제는 다음 일곱 가지 결정 중 하나로 귀결됩니다.

1. 애초에 머신러닝 문제인가?

규칙이 알려져 있고 바뀌지 않는다면("50달러 미만 환불은 승인") 일반 코드가 정답입니다. ML은 데이터에서 패턴을 학습해야 하고 어느 정도의 오류를 허용할 수 있을 때 알맞습니다. 이 시험은 AI가 필요 없는 경우를 알아보는 능력에 점수를 줍니다.

2. 어떤 종류의 학습인가?

예측할 레이블이 있는 결과 → 지도 학습(범주는 분류, 숫자는 회귀). 레이블 없이 구조를 찾음 → 비지도 학습(군집화, 이상 탐지). 에이전트가 보상으로 학습 → 강화 학습. 용어도 알아 두십시오. 특성(feature), 레이블, 학습과 추론(inference)의 차이, 과적합(학습 데이터에서는 뛰어나지만 새 데이터에서는 부진함)과 과소적합입니다.

3. 이미 만들어진 AI 서비스인가, 파운데이션 모델인가?

범위가 좁고 흔한 작업이라면 전용 서비스가 더 저렴하고 간단합니다. 감정 분석과 개체 인식은 Amazon Comprehend, 음성을 텍스트로 바꾸는 것은 Transcribe, 텍스트를 음성으로 바꾸는 것은 Polly, 번역은 Translate, 이미지와 동영상은 Rekognition, 문서는 Textract, 의도(intent)가 정해진 챗봇은 Lex입니다. 작업에 자유로운 생성, 요약, 다양한 텍스트에 대한 추론이 필요할 때 Amazon Bedrock을 선택하십시오.

4. 프롬프트, RAG, 파인 튜닝, 지속 사전 학습 중 무엇인가?

단일 결정으로는 가장 많이 출제됩니다. 비용과 노력이 적은 순서대로 검토하십시오.

  • 먼저 프롬프트 엔지니어링: 명확한 지시, 예시(퓨샷, few-shot), 정해진 출력 형식.
  • 답이 자사 문서나 계속 바뀌는 정보에서 나와야 한다면 검색 증강 생성(RAG, Retrieval Augmented Generation). 예를 들어 Bedrock Knowledge Bases를 씁니다. 학습이 필요 없고 원본 데이터가 최신 상태로 유지됩니다.
  • 프롬프트로는 닿지 않는 문체, 형식, 전문 작업을 모델이 익혀야 한다면 레이블이 있는 예시로 파인 튜닝(fine-tuning).
  • 모델이 한 분야의 어휘를 통째로 모른다면 레이블 없는 대량의 도메인 텍스트로 지속 사전 학습(continued pre-training).

자주 나오는 오답은 "지난주 가격을 모델에 가르치기 위한" 파인 튜닝입니다. 바뀌는 데이터는 RAG로 다뤄야 합니다.

더 깊이: RAG가 환각을 줄이지만 없애지는 못하는 이유

파운데이션 모델은 가장 그럴듯한 다음 토큰을 생성할 뿐, 문장이 사실인지 판단하는 개념은 내장되어 있지 않습니다. RAG는 모델이 참고하는 입력을 바꿉니다. 질문을 임베딩으로 바꾸고, 벡터 유사도로 가장 가까운 문서 조각(chunk)을 검색해 프롬프트에 넣습니다. 답의 품질은 검색 품질만큼만 좋아집니다. 조각이 엉뚱한 곳에서 잘렸거나, 알맞은 구절이 상위 결과에 없거나, 프롬프트가 주어진 맥락에서만 답하라고 지시하지 않으면 모델은 여전히 세부 내용을 지어낼 수 있습니다.

그래서 시험은 RAG를 다른 통제 수단과 함께 묶어 냅니다. Bedrock Knowledge Bases의 청킹(chunking)과 검색 설정, Bedrock Guardrails의 맥락 근거 확인(contextual grounding check), 원본과 대조한 답변 평가가 그것입니다. 답의 출처를 추적할 수 있게 하는 방법을 묻는 문제라면 "답과 함께 원본 문서를 반환한다"가 해법의 일부입니다.

프롬프트, RAG, 파인 튜닝, 지속 사전 학습: 가장 저렴한 것부터
명확한 지시, 퓨샷 예시, 정해진 출력 형식으로 해결되는가?
예 →
프롬프트 엔지니어링
↓ 아니요
답이 자사 문서나 계속 바뀌는 정보에서 나와야 하는가?
예 →
RAG(예: Bedrock Knowledge Bases)
↓ 아니요
프롬프트로는 닿지 않는 문체, 형식, 전문 작업을 모델이 익혀야 하는가?
예 →
레이블이 있는 예시로 파인 튜닝
↓ 아니요
그 밖의 경우 →
레이블 없는 대량의 도메인 텍스트로 지속 사전 학습
비용과 노력이 적은 순서로 내려가십시오. 처음 "예"가 나오는 곳이 정답이며, 바뀌는 데이터는 RAG로 다룹니다.

5. 어떤 추론 설정인가?

온도(temperature)와 top-p는 무작위성을 조절합니다. 일관되고 사실에 충실한 답에는 낮게, 창의적인 다양성에는 높게 설정합니다. 최대 토큰 수는 응답 길이와 비용을 제한합니다. 온디맨드 요금에서는 토큰 단위로 과금되며, 프로비저닝된 처리량(provisioned throughput)은 꾸준한 대량 사용을 위해 용량을 미리 확보합니다.

초보자 팁: Amazon Bedrock 플레이그라운드(텍스트 또는 채팅)를 열고 모델 하나를 골라, 같은 프롬프트를 온도 0으로 세 번, 가장 높은 값으로 세 번 보내 보십시오. 처음 세 답은 거의 바뀌지 않고, 마지막 세 답은 매번 다릅니다. 이 실험 한 번이면 온도, top-p, 일관된 출력에 관한 문제는 외울 필요가 없습니다.

6. 어떻게 책임감 있게 운영하는가?

ML 모델의 편향과 설명 가능성 → Amazon SageMaker Clarify. 생성형 애플리케이션에서 유해 콘텐츠, 금지 주제, 개인 정보 차단 → Amazon Bedrock Guardrails. 모델의 용도와 평가 방법 문서화 → 모델 카드(model card). 신뢰도가 낮은 예측에 대한 사람의 검토 → Amazon Augmented AI(A2I). 환각은 근거 제공(RAG)으로 줄이고 평가로 확인합니다. 온도를 높인다고 사라지지 않습니다.

7. 누가 무엇을 보호하는가?

공동 책임 모델은 여기서도 적용됩니다. AWS는 서비스를 보호하고, 고객은 접근 권한(IAM), 암호화 키(KMS), 네트워크 경로(PrivateLink를 통한 VPC 엔드포인트), 로깅(CloudTrail)을 관리합니다. Amazon Bedrock에서는 고객의 프롬프트와 출력이 기반 모델 학습에 쓰이지 않습니다. 데이터 프라이버시 문제에서는 이 사실이 결정적인 경우가 많습니다.

모델을 평가하는 방법 요약

작업알아 두어야 할 지표
분류정확도(accuracy), 정밀도(precision, 오탐이 적음), 재현율(recall, 놓침이 적음), F1, AUC
회귀MAE, RMSE, R²
텍스트 생성ROUGE(요약), BLEU(번역), BERTScore(의미), 그리고 사람의 평가
비즈니스 가치작업당 비용, 절약한 시간, 전환율, 고객 만족도

시나리오가 무엇을 두려워하는지 읽으십시오. "사기를 놓치면 안 된다"는 재현율을, "정상 고객을 잘못 걸러내면 안 된다"는 정밀도를 뜻합니다.

3주 학습 계획

  • 1주차: AI·ML 기초와 AWS AI 서비스(결정 1–3). Fundamentals of AI and ML 도메인 문제를 풉니다.
  • 2주차: 생성형 AI와 Amazon Bedrock 심화(결정 4–5): 모델, 프롬프트, Knowledge Bases, Agents, 평가. 시험의 절반이 여기서 나옵니다.
  • 3주차: 책임 있는 AI와 보안(결정 6–7), 그다음 시간 제한을 두고 혼합 연습 세트를 풉니다.

도메인별 연습

문제은행에서 연습하십시오. 모든 문제에 정답과 오답 보기마다 해설이 있습니다. 방금 공부한 도메인부터 시작하고, 그다음 시간 제한이 있는 모의고사를 보십시오.

시험 정보는 AWS가 공개한 AIF-C01 시험 가이드를 따랐습니다. AWS는 가이드를 개정하고 서비스도 빠르게 바뀌므로, 시험 예약 전에 최신 버전을 확인하십시오.