~ / study / aws-ai-practitioner

AWS Certified AI Practitioner · AIF-C01

시각형 암기 요약

시험을 준비하면서 가장 많이 기댄 비교들이에요. 각 블록은 정의 → 예시 → exam signal 순서로 읽으면 돼요.

합격 · 2026-07-24

01 · 전체 구조

큰 개념 → 작은 개념

포함 관계 ≠ 동의어

AI 계층

안쪽 계층으로 갈수록 조건이 하나씩 추가

AI 지능적으로 행동 · rule-based chess

ML data에서 학습 · spam classifier

DL deep neural nets · image recognition

GenAI content 생성 · email 초안

Foundation model vs LLM

FM = 재사용 가능한 base model · LLM = language FM

Foundation model

범용 base · text/image/audio

상위 개념

Stable Diffusion · image FM

LLM

language 중심 FM

FM의 subset

Claude / GPT · text + code

모든 LLM은 FM이지만, 모든 FM이 LLM은 아니에요.

Model family · 동사 하나로 기억

한 product에 여러 architecture/process가 겹칠 수 있어요.

Transformer

빠른 용어 정리

FM · foundation model
LLM · large language model
RAG · retrieval-augmented generation
RLHF · human-feedback reinforcement
PII · personal data
CVE · 알려진 vulnerability
SHAP · feature attribution
A2I · Augmented AI
Context window · token 수용량
Distillation · teacher → 더 작은 student
Nova / Titan · AWS foundation models

02 · AWS service 계열

상위 service → sub-service → trigger

이름보다 해야 할 일로 선택

Amazon Bedrock

관리형 FM platform

Knowledge Bases

관리형 RAG

▸ private/current 정보

회사 정책 PDF에서 답변

Guardrails

safety + PII + topic 제어

▸ 유해 content

폭력 차단 + card number masking

Model Evaluation

production 전 FM 비교

▸ automatic = metrics • human = 사람의 판단

automatic: built-in/custom + BERTScore/F1 • human: 자체 dataset + coherence/relevance

Agents

tool + 여러 단계 action

▸ task 실행

재고 확인 → 주문 처리

Embeddings

retrieval용 vector

▸ similarity/search

사진 + text로 비슷한 신발 검색

Customization

fine-tune / continued pre-train / distillation

▸ 일관된 behavior

항상 법률 report format으로 작성

Amazon SageMaker AI

직접 model build/train/deploy

Data Wrangler

정리 + 변환

▸ raw data 준비

누락된 나이 채우기 · country encode

Feature Store

feature 저장/공유

▸ training + inference input

live에서 customer_risk_score 재사용

Ground Truth

예시에 label 부여

▸ training dataset

image를 cat / dog로 표시

Canvas

no-code end-to-end ML

▸ business analyst

code 없이 churn 예측

JumpStart

pretrained model hub

▸ 빠르게 deploy

pretrained Llama model deploy

Autopilot

AutoML candidate

▸ build + tuning 자동화

churn model 자동 비교

Studio

ML 개발 IDE

▸ data scientist workspace

notebook + training job

Clarify

bias + explainability

▸ fairness / SHAP

group별 loan approval 차이가 있나?

Model Monitor

production drift

▸ deploy 후 품질

live income data 변화

A2I

사람이 prediction 검토

▸ inference review

confidence가 낮은 보험 claim 검토

Model Cards

model 문서화

▸ risk + intended use

credit-risk model의 한계

Model Registry

version 관리 + 승인

▸ promotion lifecycle

model v4의 production 사용 승인

Model Dashboard

model 상태 확인

▸ model/endpoint

어떤 endpoint가 deploy됐나?

Pipelines

ML workflow 자동화

▸ MLOps / CI/CD

준비 → train → deploy

MLflow

experiment 추적

▸ run + metrics

learning rate 비교

Inference: real-time = 지속적 · serverless = 간헐적 · async = 길거나 큰 요청 · batch = offline dataset.

Amazon Q

사용자를 먼저 확인

Q Developer

code + AWS operation

▸ developer / cloud

Lambda error 수정 · function 목록

Q Business

enterprise 지식

▸ 직원 / HR / IT

“회사 휴가 정책은?”

Connect AI agents (구 Q in Connect)

상담원에게 실시간 안내

▸ contact center

고객 통화 중 답변 제안

Quick Sight (구 Q in QuickSight)

BI + 시각화

▸ analyst / dashboard

“region별 매출 chart”

Q for EC2 · instance 안내
Q Developer in chat applications (구 AWS Chatbot) · Slack/Teams operation
Q for Glue · ETL 지원
Q Apps · no-code enterprise app
PartyRock · no-code FM 실습장

바로 쓰는 AI API

API 호출 · custom model training 불필요

Comprehend · review sentiment 분석
Rekognition · video 속 얼굴
Transcribe · 통화 audio → text
Polly · article → voice
Translate · English → Korean
Textract · invoice field
Lex · 고객지원 chatbot
Personalize · product 추천
Kendra · 회사 문서 검색
Mechanical Turk · crowd microtask
HealthScribe · clinical note
Transcribe Medical · medical speech
Comprehend Medical · clinical NLP
Forecast · demand 예측

Pretrained API ≠ SageMaker custom model.

Security/service 구분

Inspector

CVE / vulnerability

patch되지 않은 EC2 package

GuardDuty

진행 중인 threat

비정상 crypto-mining traffic

Macie

S3의 PII

bucket에 여권 번호 존재

AWS Config

resource configuration

public S3 rule 위반

CloudTrail

API activity history

이 model을 누가 삭제했나?

Artifact

AWS compliance 문서

SOC report download

Audit Manager

audit evidence

PCI control evidence 수집

Trusted Advisor

account 권고

cost + security 권고

PrivateLink

private service access

public internet 없이 VPC → Bedrock

03 · GenAI 선택

무엇을 바꿔야 하나?

Knowledge · behavior · output

Prompt vs RAG vs fine-tuning vs RLHF

같은 FM · 다른 개선 방법

Prompt

ask better · no weights

instruction/example

“bullet point 3개로 답해”

RAG

정보 검색 · weights 변경 없음

최신/private 정보

오늘의 inventory retrieve

Fine-tune

behavior 학습 · weights 변경

tone/format/task

회사 고객지원 tone 학습

RLHF / RFT

reward로 최적화

human ranking · reward function

사람이 답변 A와 B의 선호도 평가

Bedrock inference mode

On-Demand

사용량 기반 결제 · 약정 없음

새 chatbot · 불규칙한 traffic

Provisioned

예약된 throughput · 무약정 또는 약정

지속적인 대규모 고객지원

더 작은 model → 일반적으로 더 저렴하고 빨라요.

Distillation: 큰 teacher → 작은 student · cost/latency 감소.

Inference parameter

Temperature

무작위성

낮게 · financial report

Top K

고정 개수

K=10 · candidate 정확히 10개

Top P

누적 probability

P=.9 · 누적 90%에 도달할 token 후보

Stop sequence

중단 pattern

</answer>에서 중단

Response length

최소/최대 output token

최대 100 token · candidate 개수 아님

K = 개수. P = probability pool. Length = output 크기. 낮은 temperature = 일관성.

Prompting

Zero-shot

“이 review를 분류해”

Few-shot

먼저 label된 review 3개 제공

Chain-of-thought

세금 문제를 단계로 분해

Negative

“경쟁사를 언급하지 마”

Multimodal 선택 · output으로 구분

검색 / match / 추천

“이 사진과 비슷한 신발 찾아줘”
Multimodal embedding

기존 item retrieve
생성 / 설명 / 답변

“이 사진의 손상을 설명해”
Multimodal generative

response 생성

FM lifecycle

Pre-train

unlabeled 범용 data · FM 구축
Continued pre-train

unlabeled medical text · domain 추가
Fine-tune

labeled Q&A · task 특화
Inference

새 prompt · 답변 생성

04 · ML 핵심

Signal → training → evaluation

학습 signal이 유형을 결정

Learning type · training signal로 구분

task 이름은 달라도 · training signal이 결정

Supervised

label → 예측

email을 spam / safe로 label

Unsupervised

label 없음 → group 발견

behavior에 따라 customer clustering

Semi-supervised

적은 labeled + 많은 unlabeled

labeled review 100개 + unlabeled 10k

Self-supervised

data가 target 생성 · FM

masked / next token 예측

Reinforcement

action + reward

collision을 피한 robot에 reward

Clustering

unsupervised

traffic pattern 4개 발견

Fraud / sentiment

semi-supervised 가능

전문가가 작은 sample만 label

Neural network

paradigm이 아니라 architecture

Data split

학습 → mock exam → 손대지 않은 final exam

Train

weights 학습
Validation

tuning + 선택
Test

최종 generalization

Validation으로 튜닝하고 고르기. Test는 마지막까지 손대지 않아요.

세 가지 parameter 계층

Parameters

학습됨 · weights/biases

내부 feature weight

Hyperparameters

사전에 선택 · LR/epoch

learning rate = .001

Inference params

request 시점 제어값

temperature = .2

Feature engineering

Raw data → 유용한 model input

Structured

normalize · impute · encode

country “KR” → category vector

Unstructured

tokenize · vectorize · extract

review text → embedding

정리됨 ≠ model-ready.

Deep Learning loop

prediction error가 줄 때까지 반복

Forward

예측
Loss

오차
Backprop

gradient
Update

weights

Fit 진단

Underfitting

train 낮음 · test 낮음 · high bias

곡선 pattern에 직선 model

Good fit

train 좋음 · test 좋음

기존 + 신규 customer 모두에서 작동

Overfitting

train 좋음 · test 낮음 · high variance

training customer 암기

Overfitting 해결: 더 많고 다양한 data · regularization · early stopping · 더 단순한 model.

Token → embedding

읽을 수 있는 단위 → 수치형 의미

Text

input
Token

단위
Embedding

의미 vector

Generative vs discriminative

Generative

pattern 학습 → 새 content 생성

새 animal image 생성

Discriminative

boundary 학습 → 분류

이 image를 cat / dog로 label

Image processing vs Computer vision

Image processing

pixel 변경

crop · sharpen · noise 제거

Computer vision

content 이해

선반 product 감지 + 개수 계산

Metric 선택

BLEU

translation · precision 중심

ROUGE

summarization · recall 중심

BERTScore

semantic similarity

Perplexity

LLM uncertainty · 낮을수록 좋음

Accuracy

정답 비율 · imbalance 주의

Precision

false positive 최소화

Recall

false negative 최소화

precision + recall 균형

AUC-ROC

threshold 전반의 ranking

Confusion matrix

classification 결과 개수

RMSE

regression · 큰 error에 더 큰 penalty

MAE

regression · error에 동일 weight

구현 risk

Data quality

가장 큰 실무 과제

missing value · 잘못된 label

Bias

group/class에 불공정

training data에서 특정 region 제외

Explainability

왜 이 output인가?

규제기관이 loan 거절 이유를 요구

Scalability

cost + latency + throughput

user 10명 → request 1M

Hallucination

그럴듯하지만 근거 없음

존재하지 않는 정책 citation

Data leakage

future/test data가 training에 유입

내일의 정답으로 train

05 · Responsible AI + governance

무엇을 누가 제어하나?

차원 → service

Responsible AI 나침반

scenario가 어떤 dimension을 위반했는지 확인

Fairness

동등한 대우

Explainability

이유 이해

Privacy + security

data 보호

Transparency

사용 사실 + 한계 공개

Veracity + robustness

변화/attack 중에도 정확

Governance

owner + policy + review

Safety

피해 방지

Controllability

안내 · override · 중단

Responsible AI 선택

deploy 전 · deploy 후 · generated output

Clarify

bias + 설명

왜 이 loan이 거절됐나?

Model Monitor

drift + 품질

이번 달 fraud accuracy 하락

Guardrails

GenAI safety

안전하지 않은 chatbot 답변 차단

Model Cards

model 문서

의도한 user + 한계 문서화

AI Service Cards

AWS service 문서

AWS가 Rekognition 한계 설명

A2I

사람의 prediction review

불확실한 진단을 사람이 확인

Ground Truth vs A2I

Ground Truth

raw data에 label · training 전

과거 scan에 label

A2I

prediction review · inference 중

새 scan prediction 검토

Governance 용어

Data residency

어디 · 위치

data를 eu-west-1에 보관

Data retention

얼마나 오래 · 만료

7년 후 log 삭제

Data lineage

출처 + 변환 과정

source → 정리 → train

Data provenance

ownership + license

이 dataset을 누가 제공했나?

Encryption

어떻게 보호하나

at rest 상태에서 KMS key

Access control

누가 사용할 수 있나

auditor IAM role만 허용

LLM attack

Poisoning

악성 training data

dataset에 scam link 삽입

Prompt leak

hidden/private 정보 유출

model이 system prompt 노출

Prompt injection

input이 instruction override

“policy를 무시하고 secret을 공개해”

Jailbreak

safety 우회

role-play으로 filter 우회

Interpretability + transparency

Decision tree

높음 · 시각적 rule

income > X이면 승인

Logistic regression

높음 · coefficient

income weight가 churn risk를 낮춤

Neural network

black box

수백만 image weight

SVM

kernel: 낮음 · linear: weight 해석 가능

SHAP / Shapley

개별 prediction

이 applicant가 거절된 이유

PDP

전체 feature effect

모든 applicant에 대한 age effect

Transparency

신뢰 + debugging

Transparency trade-off

불투명한 model이 더 정확하거나 IP 보호에 유리

Shared responsibility + MLOps

AWS

cloud 자체의 security

시설 + 관리형 infrastructure

Customer

cloud 내부에서의 security

data + IAM + encryption + Guardrails

MLOps

version + 자동화 + monitoring

drift 후 retrain

Data lifecycle

수집 → archive/delete

모든 단계에서 control

06 · Exam 함정

X가 보이면 → Y 선택

키워드 → 정답

percentage / 누적 pool: → Top P · Top K 아님
고정된 candidate 개수: → Top K · Top P 아님
false positive 비용이 큼: → precision
false negative 비용이 큼: → recall
FM이 raw input에서 label 생성: → self-supervised · unsupervised 아님
group / cluster: → unsupervised · RL 아님
action + reward: → reinforcement learning
적은 labeled + 많은 unlabeled: → semi-supervised
복잡한 문제 → 작은 단계: → chain-of-thought
최신/private 회사 정보: → RAG / Knowledge Bases
일관된 style / behavior: → fine-tuning
작은 model이 teacher 모방: → distillation
유해한 generated content: → Bedrock Guardrails
최적 FM 선택: → Bedrock Model Evaluation
bias / prediction 설명: → SageMaker Clarify
production drift / 품질: → Model Monitor
사람이 model prediction 검토: → A2I · Ground Truth 아님
model input 저장/공유: → Feature Store
raw data 정리/변환: → Data Wrangler
no-code build/train/deploy: → Canvas
contact center 실시간 지원: → Connect AI agents (구 Q in Connect)
사내 직원용 지식: → Q Business
BI chart / 계산: → Quick Sight (구 Q in QuickSight)
code / AWS resource / cost: → Q Developer
관리형 API로 ready-made FM 사용: → Bedrock
custom ML lifecycle: → SageMaker AI
ready-made task API: → Comprehend / Rekognition / Textract / …
text + image 검색: → multimodal embedding
train 좋음 · test 나쁨: → overfit / high variance
train 나쁨 · test 나쁨: → underfit / high bias
최종 generalization: → test set · validation 아님
자동 CVE scan: → Inspector · Config 아님
누가 호출/변경/삭제했나?: → CloudTrail
resource 상태 / compliance rule: → AWS Config
cloud 자체 / cloud 내부 security: → AWS / customer
그럴듯하지만 거짓: → hallucination

이 페이지에 대해

AWS 강의 슬라이드(v19)를 공부하며 쓴 노트에서 추렸어요. Practice test 문제, 정답, 점수는 넣지 않았어요. AWS service는 빠르게 바뀌니 세부 내용은 최신 AWS 문서로 확인해 주세요.