Amazon MLA-C01: 컴퓨터 비전, NLP 및 전문 ML — 학습 가이드

By Laurynas Brazys · 4 August 2026 · #amazon #mla-c01 #certification #exam-prep #study-guide

다음의 일부입니다: AWS Machine Learning Engineer Associate MLA-C01 — 학습 가이드. 검증된 답안으로 연습하기: Amazon 시험 허브, 또는 다음에서 시간 제한 모의고사 풀기: ExamRoll.io.

핵심 개념

AWS의 컴퓨터 비전 및 NLP 솔루션은 데이터 수집 및 보안, 특성 및 레이블 준비, 모델 수명 주기(훈련, 레지스트리, 배포, 모니터링)라는 세 가지 계층적 고려 사항을 중심으로 합니다. 이미지 분류 및 객체 탐지를 위해, 훈련 워크플로는 강력한 암호화 및 네트워크 제어 기능이 있는 Amazon S3에 레이블이 지정된 자산을 저장하고, 객체 탐지를 위한 Pascal VOC / COCO와 같은 주석 형식과 높은 처리량의 훈련을 위한 RecordIO 또는 TFRecord를 중심으로 구성됩니다. 텍스트 분류 및 명명된 엔터티 인식(NER)의 경우, 입력은 일반적으로 토큰화된 시퀀스(트랜스포머 모델의 경우 WordPiece/BPE) 또는 레이블이 있는 줄 바꿈으로 구분된 JSON입니다. 전처리 시 Rekognition Textract 출력이나 사람이 레이블을 지정한 범위를 사용할 때 토큰-문자 오프셋을 보존하여 NER 레이블 정렬의 일관성을 유지해야 합니다. 테이블 형식의 사기 탐지 모델을 위한 특성 공학은 시계열 윈도우 집계, 범주형 카디널리티 축소, 훈련과 서빙 간의 일관된 인코딩에 중점을 둡니다. 중앙 집중식 변환(Feature Store 또는 Data Wrangler 플로우)을 사용하면 오프라인 훈련과 온라인 추론 간의 스큐를 방지할 수 있습니다.

모델 구축 선택은 전문화된 AWS 서비스에 매핑됩니다. Amazon SageMaker는 내장 알고리즘(XGBoost, Linear Learner, Random Cut Forest)과 프레임워크(MXNet, TensorFlow, PyTorch)용 관리형 컨테이너를 제공하며, 편향 및 설명 가능성을 위해 SageMaker Clarify를 제공합니다. Amazon Rekognition은 레이블링, 얼굴/유명인 감지를 위한 사전 구축된 이미지 API와 운영 오버헤드가 적어야 할 때 Rekognition Custom Labels를 통한 사용자 지정 레이블 훈련을 지원합니다. 문서에서 텍스트 및 구조화된 데이터를 추출하기 위해 Amazon Textract는 OCR 및 양식/테이블 추출을 제공합니다. 감정 분석, 엔터티 인식 또는 토픽 모델링과 같은 언어 수준의 작업을 위해 Amazon Comprehend는 관리형 API와 임상 NER을 위한 Comprehend Medical을 제공합니다. 프로덕션에서 중요한 것은 전처리, 모델 입력, 모니터링이 재현 가능하고 감사 가능하도록 이러한 요소들을 일관된 파이프라인으로 연결하는 것입니다.

주요 서비스 및 구성

알아야 할 핵심 AWS 서비스 및 관련 API/구성 파라미터는 Amazon SageMaker (TrainingJob, ModelPackage, ModelPackageGroup, ModelRegistry), SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep), SageMaker Model Monitor 및 Clarify (BaselineConfig, DataConfig, ModelConfig, bias_config), Amazon Rekognition, Amazon Comprehend, Amazon Textract, AWS Glue, Lake Formation입니다. 안전한 격리 스토리지를 위해, SSE-KMS(S3.PutBucketEncryption에 SSEKMSKeyId 사용)를 사용하여 서버 측 암호화로 S3를 구성하고, SageMaker 실행 역할에 대한 액세스를 제한하는 버킷 정책을 연결하며, 프라이빗 네트워크 전송을 위해 S3용 게이트웨이 VPC 엔드포인트를 활성화합니다. 훈련 작업을 시작할 때, CreateTrainingJob에서 VpcConfig 파라미터(SecurityGroupIds 및 Subnets)를 설정하여 인스턴스가 고객 VPC에서 실행되도록 하고, NetworkIsolation 및 InstanceMetadataServiceConfiguration을 활성화하여 액세스를 제한합니다.

최소한의 운영 오버헤드로 모델을 중앙에서 관리하려면, ModelPackageGroup을 생성하고 CreateModelPackage를 통해 ModelApprovalStatus를 ‘PendingManualApproval’로 설정한 ModelPackage 버전을 추가하여 SageMaker Model Registry를 사용합니다. SageMaker Pipelines에 CallbackStep 또는 전용 “ManualApproval” 단계를 추가하여 수동 승인 게이트를 자동화합니다. 파이프라인은 외부 신호를 기다리며, 그 후 UpdateModelPackage를 호출하여 배포를 위해 ModelApprovalStatus를 ‘Approved’로 설정합니다. 배포된 실시간 엔드포인트에 대한 온디맨드 편향 또는 드리프트 평가를 위해, 편향 지표에는 SageMaker Clarify를, 데이터 및 예측 드리프트에는 SageMaker Model Monitor를 사용합니다. CreateEndpoint에서 DataCaptureConfig(EnableCapture, CaptureOptions, DestinationS3Uri)를 활성화하여 추론 페이로드를 캡처한 다음, Clarify SDK 파라미터인 DataConfig, ModelConfig, bias_config와 함께 CreateProcessingJob을 통해 Clarify 처리 작업을 시작하여 드리프트 지표를 즉시 계산합니다.

관련 서비스는 다음과 같습니다:

Amazon SageMaker (TrainingJob, CreateModelPackage, UpdateModelPackage, CreateProcessingJob, CreateMonitoringSchedule)
SageMaker Pipelines (RegisterModel, CallbackStep, ConditionStep)
SageMaker Clarify (DataConfig, ModelConfig, bias_config, explainability_config)
Amazon Rekognition (StartProjectVersion, DetectLabels, CreateProjectVersion)
Amazon Comprehend (DetectEntities, StartEntitiesDetectionJob)
Amazon Textract (StartDocumentTextDetection, AnalyzeDocument)
AWS Glue and AWS Lake Formation (Crawlers, Jobs, Data Catalog)
Amazon Lookout for Metrics and Amazon QuickSight for anomaly visualization

설계 패턴 및 트레이드오프

사기 탐지와 같은 테이블 형식 분류(tabular classification)의 경우, 실용적인 설계 패턴은 관계형 테이블에 대해 AWS Glue 또는 DMS를 사용하여 원시 소스를 보안 S3 데이터 레이크에 중앙 집중화하고, Glue Data Catalog에서 카탈로깅하며, Lake Formation을 통해 액세스를 강제하는 것입니다. 변환은 SageMaker Data Wrangler 플로우 또는 Glue ETL 작업으로 한 번 표현되고 SageMaker Feature Store에 저장되어 학습 및 추론 시에 동일한 변환이 실행되도록 합니다. Feature Store를 선택하면 초기에 운영 단계가 추가되지만 스큐(skew)와 디버깅 시간을 줄일 수 있습니다. 반면, 작업 내에서 직접 변환하는 방식은 초기 오버헤드는 낮지만 재현성과 온라인 피처 계산을 더 어렵게 만듭니다. 학습 알고리즘의 경우, XGBoost(SageMaker 제공 컨테이너)는 테이블 형식 데이터에 대한 성능과 가중치 열(weight column) 지원 덕분에 사기 탐지를 위한 강력한 기본 선택입니다. 클래스 불균형에 대응하기 위해 CreateTrainingJob의 HyperParameters를 사용하여 하이퍼파라미터를 구성하고 가중치 열을 전달하거나 scale_pos_weight를 설정하십시오. 이를 통해 더 복잡한 리샘플링 파이프라인을 피할 수 있습니다.

컴퓨터 비전의 경우, 빠른 반복이 필요하고 레이블이 지정된 데이터가 제한적이라면 Rekognition Custom Labels가 최소한의 운영으로 가장 빠른 경로를 제공합니다. 최대한의 제어와 사용자 지정 아키텍처를 원한다면 MXNet/PyTorch를 사용한 SageMaker 학습을 이용하고, 데이터셋은 S3에 RecordIO 또는 ImageFolder 형식으로 저장하십시오. 객체 탐지(object detection)의 경우, COCO 형식을 출력하는 프레임워크로 학습하는 것을 선호하며, InstanceType=ml.p3.2xlarge 이상을 지정하고 TrainingJob의 AlgorithmSpecification 및 TrainingInputMode에서 MPI 또는 horovod 구성을 설정하여 SageMaker 분산 학습을 활용하십시오. 트레이드오프에는 처리량 대 비용이 포함됩니다. 관리형 스팟 인스턴스를 사용하는 배치 작업은 비용을 절감하지만 지연 시간/종료 위험을 추가합니다. SageMaker Pipelines의 파이프라인 캐싱은 입력이 변경되지 않았을 때 반복적인 단계 시작을 줄여 불필요한 컴퓨팅 시작 시간을 최소화합니다.

일반적인 함정과 의사결정 기준

자주 발생하는 함정은 전처리 아티팩트를 중앙에서 관리하지 못하는 것입니다. 토큰화(tokenization), NER을 위한 레이블 매핑(label mapping), 범주형 인코더(categorical encoders)가 훈련과 추론에서 다르게 적용되면 추적하기 어려운 예측 오류가 발생합니다. Feature Store를 사용하거나, 배포된 컨테이너가 정확한 변환을 검색하고 적용할 수 있도록 Model Registry의 모델 패키지에 전처리 아티팩트(토크나이저, vocab.json, label_map)를 함께 유지해야 합니다. 또 다른 일반적인 실패는 모니터링을 위한 캡처가 불충분한 경우입니다. 엔드포인트에서 DataCaptureConfig를 활성화하고 적절한 정답 레이블링 워크플로우가 없으면, Model Monitor는 드리프트나 품질 지표를 계산할 수 없으며 F1 점수 하락의 원인을 파악하는 것이 추측에 의존하게 됩니다. 클래스 불균형 문제의 경우, 운영 부담이 가장 적은 해결책은 샘플링 편향(sampling bias)을 유발할 수 있는 무분별한 업샘플링/다운샘플링보다는 알고리즘에서 지원하는 가중치 부여 방식을 사용하는 것입니다(예: XGBoost의 scale_pos_weight 하이퍼파라미터 사용 또는 훈련 데이터에 가중치 열 제공).

실용적인 문제: 사용 사례 시나리오

회사명: MeridianPay. MeridianPay는 S3의 트랜잭션 로그와 온프레미스 MySQL 데이터베이스의 고객 프로필을 결합하여 실시간 사기 탐지 파이프라인을 구축해야 합니다. 요구 사항에는 안전한 격리형 스토리지, 수동 승인 기능이 있는 중앙 모델 레지스트리, 연속적인 훈련 실행 간의 시작 지연 시간 최소화, 집계 후 자동 이상 탐지 및 시각화, 최소한의 작업으로 혼합된 범주형 및 수치형 특성 지원, 클래스 불균형 처리, 필요시 드리프트 및 편향에 대해 모니터링할 수 있는 프로덕션 모델이 포함됩니다.

데이터 집계 및 보안: AWS DMS를 사용하여 온프레미스 MySQL 테이블을 암호화된 S3 랜딩 존으로 지속적으로 복제하고, AWS Glue 크롤러를 실행한 후, 결과 테이블을 AWS Glue Data Catalog에 등록합니다. AWS Lake Formation 및 S3 버킷 정책을 통해 액세스를 강제합니다. S3용 Gateway VPC Endpoint를 활성화하고 SageMaker 실행 역할을 최소 권한 IAM으로 구성합니다. S3에서 고객 관리형 KMS 키와 함께 SSE-KMS를 사용하고, BucketEncryption을 KmsMasterKeyId로 설정합니다.
특성 변환 및 저장: SageMaker Data Wrangler 또는 Glue ETL 작업에서 변환을 작성하고, 파생된 특성을 Amazon SageMaker Feature Store의 온라인 스토어에 유지하여 추론 시 짧은 지연 시간의 조회를 지원하고, 오프라인 스토어에 유지하여 훈련에 사용합니다. 토크나이저/인코더 아티팩트를 모델 아티팩트와 함께 저장합니다. FeatureGroup API를 사용하여 특성 그룹을 생성하고, RecordIdentifierFeatureName 및 EventTimeFeatureName을 구성하여 특정 시점 정확성(point-in-time correctness)을 보장합니다.
최소한의 운영 오버헤드로 훈련: XGBoost 컨테이너 URI를 가리키는 AlgorithmSpecification으로 CreateTrainingJob을 생성하여 SageMaker XGBoost 내장 컨테이너를 사용합니다. VPC 내에서 실행되도록 VpcConfig를 지정하고, “objective”:“binary:logistic"을 포함한 HyperParameters를 전달하며, 클래스 불균형을 해결하기 위해 “scale_pos_weight"를 음성 샘플 대 양성 샘플의 비율로 설정합니다. 반복적인 시작 지연 시간을 줄이려면, SageMaker Pipelines를 구현하고 데이터 준비 단계에 캐싱을 활성화하여 연속적인 파이프라인 실행 시 변경되지 않은 단계를 건너뛰도록 합니다. 가능하면 재처리 대신 영구적인 특성 저장소 조회를 사용합니다.
모델 레지스트리 및 수동 승인: 훈련된 모델을 ModelApprovalStatus=‘PendingManualApproval’로 설정하여 CreateModelPackage를 통해 ModelPackageGroup에 등록합니다. RegisterModel 이후에 일시 중지되는 SageMaker Pipelines CallbackStep을 통합합니다. 검토자는 UpdateModelPackage를 호출하여 ModelApprovalStatus=‘Approved’로 설정합니다. 이 승인된 패키지를 CreateModel 및 CreateEndpoint 구성에 사용합니다.
이상 탐지 및 시각화: 집계 후, Amazon Lookout for Metrics를 사용하여 시계열 트랜잭션 집계에 대한 자동 이상 탐지를 수행하고 S3/Glue와의 통합을 구성합니다. 시각화를 위해 Lookout 결과와 데이터를 QuickSight 대시보드에 연결하거나 SageMaker Studio 노트북을 사용하여 특성 드리프트를 시각화합니다. 배포된 엔드포인트의 온디맨드 모델 편향/드리프트 평가를 위해, CreateEndpoint에서 DataCaptureConfig를 활성화하고, 캡처된 데이터를 가리키는 DataConfig 및 ModelConfig를 사용하여 온디맨드 SageMaker Clarify 처리 작업(CreateProcessingJob)을 실행합니다. Model Monitor/CreateMonitoringSchedule을 사용하여 정기적인 검사를 예약하고, StartMonitoringSchedule으로 일회성 실행을 트리거합니다.

근거: 이 접근 방식은 데이터와 변환을 중앙에서 관리하고, 운영 부담을 줄이는 관리형 서비스(각 도메인에 맞는 Glue/DMS/Lookout/Comprehend/Textract)를 사용하며, 최소한의 커스텀 인프라로 버전 관리 및 수동 승인을 위해 SageMaker Model Registry 및 Pipelines를 활용합니다. 또한 과도한 리샘플링을 피하고 알고리즘 파라미터를 통해 클래스 불균형을 해결하며, Model Monitor 및 Clarify를 통해 예약된 그리고 온디맨드 방식의 편향/드리프트 평가를 제공하면서 데이터를 암호화하고 네트워크를 격리된 상태로 유지합니다.

← ML 워크로드를 위한 비용 최적화 · 모든 도메인

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