Amazon AIF-C01: AWS AI/ML 서비스 — 학습 가이드

By Laurynas Brazys · 31 July 2026 · #amazon #aif-c01 #certification #exam-prep #study-guide

다음의 일부입니다: AWS AI Practitioner AIF-C01 — 학습 가이드. 검증된 답안으로 연습하기: Amazon 시험 허브, 또는 다음에서 시간 제한 모의고사 풀기: ExamRoll.io.

기초 모델, Amazon Bedrock 및 추론 패턴

Amazon Bedrock을 통해 호스팅되는 기초 모델은 Q 및 Nova와 같은 처리량이 높은 옵션과 명령 튜닝된 옵션을 포함한 여러 모델 제품군을 사용하여 생성형 기능을 빠르게 구현할 수 있는 경로를 제공합니다. 인컨텍스트 학습과 사용자 지정 중에서 선택합니다. 퓨샷 프롬프트는 반복 비용이 저렴하지만 프롬프트 주입에 민감하고 분포 변화에 불안정합니다. 반면 파라미터 효율적 미세 조정 또는 전체 사용자 지정은 데이터 거버넌스 및 재훈련의 복잡성을 감수하는 대신 추론당 비용과 지연 시간을 줄여줍니다. 추론 비용과 지연 시간은 주로 모델 크기와 처리되는 입력 및 출력 토큰 수에 따라 결정되므로, 프롬프트를 간결하게 설계하고, 빈번한 응답은 캐시하며, 대용량 엔드포인트에는 더 작고 전문화된 모델을 사용하는 것이 좋습니다. 실무자가 흔히 빠지는 함정으로는 LLM 출력을 그라운딩 없이 신뢰할 수 있는 정보로 취급하는 것, 프롬프트에 입력되는 민감한 데이터를 제어하지 못하는 것, 프롬프트 템플릿과 버전을 관리하지 않는 것 등이 있습니다. 의사 결정 기준은 지연 시간, 토큰 비용, 개인 정보 보호, 모델 소유권을 고려해야 합니다. 규제 제약으로 데이터 격리가 필요한 경우 Bedrock의 프라이빗 연결과 KMS 암호화를 사용하고, 훈련 아티팩트와 설명 가능성 도구에 대한 완전한 제어가 필요한 경우 SageMaker 호스팅 모델을 선택합니다. 프롬프트 기반 공격과 시스템 프롬프트 유출을 줄이기 위해 입력 새니타이제이션, 변경 불가능한 시스템 수준 지침, 계층화된 안전 점검을 구현합니다.

훈련, 배포 및 모델 거버넌스를 위한 SageMaker

Amazon SageMaker는 완전한 훈련 제어, 설명 가능성 및 프로덕션 수준의 MLOps가 필요할 때 기본적으로 사용되는 관리형 경로입니다. 대규모 데이터 세트에는 SageMaker Training 및 분산 훈련 인스턴스를 사용하고, 엔드투엔드 개발에는 SageMaker Studio를, 버전 관리에는 Model Registry를 사용합니다. 다수의 관련 SKU에 대한 시계열 예측의 경우, SageMaker DeepAR는 확률적 예측을 제공하며 유사한 시계열과 공변량이 많을 때 가장 효과적입니다. SageMaker Clarify는 편향을 탐지하고 공정성 지표를 계산하는 데 도움을 주며, SageMaker Model Monitor는 프로덕션 환경에서 데이터 드리프트와 예측 품질을 추적합니다. 흔히 저지르는 실수로는 Studio 노트북에 광범위한 S3 권한을 부여한 채로 두는 것, 분산 훈련에 부족한 크기의 인스턴스 유형을 사용하는 것, 데이터 세트 출처 관리를 건너뛰는 것 등이 있습니다. Bedrock과 SageMaker 사이의 의사 결정 기준은 주로 사용자 지정 요구 사항, 규제 제어, 설명 가능성을 중심으로 결정됩니다. 고품질 FM으로 빠르게 프로토타입을 제작하려면 Bedrock을 선택하고, 피처 수준 추적, SHAP 설명, 편향 감사 또는 VPC 엔드포인트와 S3 VPC 게이트웨이를 사용하는 인터넷이 차단된 프라이빗 실행 환경이 필요할 때는 SageMaker를 선택합니다.

검색, 멀티모달 수집 및 그라운딩 전략

신뢰할 수 있는 사실 기반 출력을 위해서는 검색 증강 생성(Retrieval Augmented Generation)으로 비정형 코퍼스를 그라운딩해야 합니다. 스캔된 양식과 OCR에는 Textract를, 음성 파이프라인에는 Transcribe와 Polly를, 이미지 분석 및 안전 필터에는 Rekognition을, 개체 추출 및 개인 식별 정보(PII) 탐지에는 Comprehend를 사용하여 문서를 수집합니다. 벡터 임베딩은 OpenSearch 또는 전문 벡터 DB에 저장합니다. 풍부한 커넥터와 관련성 튜닝 기능을 갖춘 관리형 시맨틱 검색이 필요할 때는 Amazon Kendra를 사용합니다. 생성에는 Bedrock을, 검색에는 Kendra 또는 임베딩 스토어를 사용하여 챗봇을 설계하며, 결정론적 흐름에서 인텐트 라우팅 및 슬롯 필링에는 Amazon Lex가 여전히 유용합니다. Agents for Bedrock은 도구 사용, 외부 API 또는 다단계 추론을 오케스트레이션할 때 유용하지만, 안전하지 않은 작업을 방지하려면 강력한 자격 증명과 도구 검증기가 필요합니다. 실무자의 함정으로는 대규모 코퍼스를 페이지네이션하지 않는 것, 검색 지연 시간이 사용자 경험에 미치는 영향을 무시하는 것, 검색 인덱스를 버전 관리하지 않는 것 등이 있습니다. 의사 결정 시에는 최신성, 인덱스 업데이트 주기, 벡터 스토리지 비용과 할루시네이션 위험 사이의 균형을 맞춰야 합니다.

보안, 개인정보 보호, 설명 가능성 및 평가

보안 및 거버넌스는 공동 책임 모델을 따릅니다. AWS는 서비스 인프라를 관리하지만, 고객은 데이터를 분류하고, IAM 역할을 관리하며, KMS로 데이터를 암호화하고, VPC 엔드포인트와 PrivateLink를 통해 네트워크 액세스를 제어해야 합니다. 민감하거나 규제가 적용되는 워크로드의 경우, 인터넷이 없는 VPC에서 S3 게이트웨이 엔드포인트를 사용하여 SageMaker를 실행하고 Bedrock 프라이빗 네트워킹 옵션을 사용하세요. 학습 전에 Comprehend와 Textract 전처리 기능을 사용하여 자동화된 PII(개인 식별 정보) 편집을 구현하고, 데이터 세트에 기밀 정보가 포함된 경우 차등 개인정보 보호(differential privacy) 또는 데이터 최소화를 고려하세요. 설명 가능성 및 편향 탐지에는 SageMaker Clarify, SHAP 설명자(explainer)와 같은 도구와 엣지 케이스에 대한 Amazon Augmented AI를 통한 인적 검토 워크플로가 필요합니다. Model Monitor의 feature drift, prediction drift와 같은 지표와 RAG 파이프라인을 위한 사용자 지정 사실성 검사(factuality check)를 통해 모델을 모니터링하세요. 일반적인 실수로는 기성 모델의 안전성을 충분하다고 여기거나, 감사를 위해 프롬프트와 응답을 로깅하지 않거나, 접근이 제어된 검증 데이터 세트를 보관하지 않는 것 등이 있습니다. 거버넌스 결정에는 모델 추출 또는 데이터 유출에 대한 삭제 정책과 사고 대응 단계가 포함되어야 합니다.

실용적인 문제: 사용 사례 시나리오

시나리오: Nimbus Retail은 전 세계에 오프라인 매장을 운영하며 Amazon S3에 판매 및 제품 이미지 데이터를 유지 관리합니다. 이들의 AWS AI 환경에는 SageMaker Studio, Amazon Bedrock 액세스, Amazon Kendra, OpenSearch Service, 그리고 BI를 위한 Amazon QuickSight가 포함됩니다.

과제: Nimbus는 사실적 정확성을 보장하고 고객 및 공급업체의 기밀 데이터를 보호하면서, 상황에 맞는 제품 설명과 현지화된 번역을 생성하고 매장 관리자를 위한 주간 베스트셀러 차트를 생성하는 LLM 기반 어시스턴트가 필요합니다.

권장 접근 방식:

1. Amazon Textract를 사용하여 제품 문서에서 구조화된 속성을 추출하고 Rekognition을 사용하여 제품 이미지의 유효성을 검사하고 태그를 지정한 후, 정제된 자산을 KMS 및 엄격한 IAM 역할로 암호화된 S3 버킷에 저장합니다.
2. Bedrock 인코더의 임베딩으로 채워진 OpenSearch 또는 관리형 벡터 스토어에 임베딩 인덱스를 구축합니다. 정책 및 사양 문서의 시맨틱 검색에는 Kendra를 사용합니다.
3. RAG 파이프라인을 구현합니다. 검색 컨텍스트를 사용하여 생성을 위해 Bedrock을 사용하고, Comprehend와 인덱싱된 코퍼스에 대한 사용자 지정 검증 쿼리를 사용하여 사실성 필터를 적용하며, 모든 프롬프트와 응답을 CloudTrail 및 감사용 S3 버킷에 로깅합니다.
4. S3 데이터 레이크에 대한 Athena 쿼리에서 집계된 판매 데이터를 Amazon QuickSight에 제공하여 주간 차트를 생성하고, 영향이 큰 편집에 대해서는 A2I를 통한 인적 검토를 거쳐 모델이 생성한 설명을 UX 소비를 위해 SageMaker 엔드포인트로 제공합니다.

근거: 이 접근 방식은 검색 및 문서 검증을 통해 생성적 결과물의 기반을 다져 할루시네이션을 줄이고, 최소 권한 액세스로 암호화된 S3에 데이터를 안전하게 보관하며, 인덱싱, 생성, BI에 관리형 서비스를 사용하여 속도, 거버넌스, 정확성의 균형을 맞춤으로써 관심사를 분리합니다.

← 생성형 AI 개념 · 모든 도메인 · 책임감 있는 AI 및 거버넌스 →

이 문제 연습하기 → · ExamRoll.io에서 시간 제한 연습 →

Amazon 찾아보기 →