AWS 인증 AI 전문가(AIF-C01) 시험 가이드
버전 1.4 AIF-C01
소개
AWS 인증 AI 전문가(AIF-C01) 시험은 AI/ML, 생성형 AI 기술 및 관련 AWS 서비스와 도구에 대한 전반적인 지식을 효과적으로 입증할 수 있는 개인을 대상으로 합니다.
이 시험은 다음과 같은 기능을 수행할 수 있는 후보자의 능력을 검증합니다:
- AI, ML 및 생성형 AI 개념, 방법 및 전략을 일반적으로 그리고 AWS에서 이해하기.
- 후보자 조직 내에서 관련 질문을 하는 데 적절한 AI/ML 및 생성형 AI 기술의 사용을 결정하기.
- 특정 사용 사례에 적용할 수 있는 AI/ML 기술의 유형을 결정하기.
- AI, ML 및 생성형 AI 기술을 책임감 있게 사용하기.
대상 후보자 설명
대상 후보자는 AWS에서 AI/ML 기술에 최대 6개월 노출된 사람이어야 합니다. 대상 후보자는 AWS에서 AI/ML 솔루션을 구축하지 않지만 사용합니다.
권장 AWS 지식
대상 후보자는 다음과 같은 AWS 지식을 갖추고 있어야 합니다:
- Amazon EC2, Amazon S3, AWS Lambda, Amazon SageMaker 등 핵심 AWS 서비스와 AWS 핵심 서비스 사용 사례에 대한 익숙함
- AWS 클라우드의 보안 및 규정 준수를 위한 AWS 공동 책임 모델에 대한 익숙함
- AWS 리소스에 대한 액세스 제어 및 보안을 위한 AWS Identity and Access Management(IAM)에 대한 익숙함
- AWS 리전, 가용 영역 및 edge 위치 개념을 포함한 AWS 글로벌 인프라에 대한 익숙함
- AWS 서비스 가격 책정 모델에 대한 익숙함
대상 후보자의 범위를 벗어나는 직무 과제
다음 목록에는 대상 후보자가 수행할 것으로 예상되지 않는 직무 과제가 포함되어 있습니다. 이 목록은 완전하지 않습니다. 이러한 과제는 시험 범위를 벗어납니다:
- AI/ML 모델 또는 알고리즘 개발 또는 코딩
- 데이터 엔지니어링 또는 피처 엔지니어링 기술 구현
- 하이퍼파라미터 튜닝 또는 모델 최적화 수행
- AI/ML 파이프라인 또는 인프라 구축 및 배포
- AI/ML 모델의 수학적 또는 통계적 분석 수행
- AI/ML 시스템의 보안 또는 규정 준수 프로토콜 구현
- AI/ML 솔루션을 위한 거버넌스 프레임워크 및 정책 개발 및 구현
부록에는 범위 내 AWS 서비스 및 기능과 범위 외 AWS 서비스 및 기능의 목록이 나와 있습니다.
시험 내용
문항 유형
시험에는 다음과 같은 유형의 문항이 포함됩니다:
- 선다형: 하나의 정답과 세 개의 오답(방해 요소)이 있습니다.
- 복수 선택형: 다섯 개 이상의 응답 옵션에서 두 개 이상의 정답이 있습니다. 모든 정답을 선택해야 문항에 대한 점수를 받습니다.
- 순서 지정형: 지정된 작업을 완료하는 3-5개의 응답 목록이 있습니다. 모든 응답을 올바른 순서로 선택해야 문항에 대한 점수를 받습니다.
- 매칭형: 3-7개의 프롬프트 목록에 대한 응답 목록이 있습니다. 모든 쌍을 올바르게 일치시켜야 문항에 대한 점수를 받습니다.
- 사례 연구: 한 가지 시나리오와 해당 시나리오에 대한 두 개 이상의 질문이 있습니다. 각 사례 연구 문항은 별도로 평가됩니다. 사례 연구의 각 문항에 대해 올바르게 답변하면 점수를 받습니다.
답변하지 않은 문항은 오답으로 처리되며, 추측해서 답변한 것에 대한 불이익은 없습니다. 시험에는 점수에 반영되지 않는 15개의 채점되지 않는 문항이 포함됩니다.
시험 결과
AWS 인증 AI 전문가(AIF-C01) 시험은 합격 또는 불합격으로 지정됩니다. 이 시험은 AWS 전문가가 인증 산업 모범 사례와 지침을 따라 설정한 최소 기준에 대해 채점됩니다.
시험 결과는 100-1,000 사이의 척도 점수로 보고됩니다. 최소 합격 점수는 700점입니다. 귀하의 점수는 전체 시험에서 귀하의 성과를 보여줍니다. 척도 점수 모델은 어려움 수준이 약간 다를 수 있는 여러 시험 양식 간에 점수를 균형 있게 맞추는 데 도움이 됩니다.
귀하의 점수 보고서에는 각 섹션 수준에서의 성과 분류 표가 포함될 수 있습니다. 이 시험은 보상 점수 모델을 사용하므로 각 섹션에서 합격 점수를 받을 필요는 없습니다. 전체 시험에서만 합격하면 됩니다.
시험의 각 섹션에는 특정 가중치가 있으므로 일부 섹션에는 다른 섹션보다 더 많은 문항이 있습니다. 성과 분류 표에는 귀하의 강점과 약점을 강조하는 일반 정보가 포함되어 있습니다. 섹션 수준 피드백을 해석할 때는 주의해야 합니다.
목차
이 시험 가이드에는 시험의 가중치, 내용 영역 및 작업 명세가 포함되어 있습니다. 이 가이드에는 시험 내용의 전체 목록이 제공되지 않습니다. 그러나 각 작업 명세에 대한 추가 정보를 제공하여 시험 준비에 도움이 됩니다.
시험에는 다음과 같은 내용 영역과 가중치가 포함됩니다:
- 영역 1: AI 및 ML 기본 개념(득점 내용의 20%)
- 영역 2: 생성형 AI 기본 개념(득점 내용의 24%)
- 영역 3: 기반 모델의 응용(득점 내용의 28%)
- 영역 4: 책임감 있는 AI를 위한 지침(득점 내용의 14%)
- 영역 5: AI 솔루션을 위한 보안, 규정 준수 및 거버넌스(득점 내용의 14%)
영역 1: AI 및 ML 기본 개념
작업 명세 1.1: 기본 AI 개념과 용어를 설명하세요.
목표:
- AI, ML, 딥 러닝, 신경망, 컴퓨터 비전, 자연어 처리(NLP), 모델, 알고리즘, 학습 및 추론, 편향, 공정성, 적합성, 대형 언어 모델(LLM) 등 기본 AI 용어를 정의합니다.
- AI, ML 및 딥 러닝의 유사점과 차이점을 설명합니다.
- 일괄 처리, 실시간 등 다양한 추론 유형을 설명합니다.
- 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터, 테이블, 시계열, 이미지, 텍스트, 구조화 및 비구조화 데이터 등 AI 모델의 다양한 데이터 유형을 설명합니다.
- 지도 학습, 비지도 학습 및 강화 학습을 설명합니다.
작업 명세 1.2: AI의 실용적인 사용 사례를 식별하세요.
목표:
- AI/ML이 가치를 제공할 수 있는 애플리케이션을 인식합니다(예: 인간 의사 결정 지원, 솔루션 확장성, 자동화).
- AI/ML 솔루션이 적절하지 않은 상황을 확인합니다(예: 비용 대비 효과 분석, 특정 결과가 필요한 상황).
- 특정 사용 사례에 적합한 ML 기술을 선택합니다(예: 회귀, 분류, 클러스터링).
- 실제 세계의 AI 애플리케이션의 예를 식별합니다(예: 컴퓨터 비전, NLP, 음성 인식, 추천 시스템, 사기 탐지, 예측).
- AWS 관리형 AI/ML 서비스의 기능을 설명합니다(예: SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly).
작업 명세 1.3: ML 개발 수명 주기를 설명하세요.
목표:
- ML 파이프라인의 구성 요소를 설명합니다(예: 데이터 수집, 탐색적 데이터 분석(EDA), 데이터 전처리, 피처 엔지니어링, 모델 학습, 하이퍼파라미터 튜닝, 평가, 배포, 모니터링).
- ML 모델의 출처를 이해합니다(예: 오픈 소스 사전 학습 모델, 사용자 정의 모델 학습).
- 모델을 프로덕션에서 사용하는 방법을 설명합니다(예: 관리형 API 서비스, 자체 호스팅 API).
- ML 파이프라인의 각 단계에 적합한 AWS 서비스 및 기능을 식별합니다(예: SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor).
- ML 운영(MLOps)의 기본 개념을 이해합니다(예: 실험, 반복 가능한 프로세스, 확장 가능한 시스템, 기술 부채 관리, 프로덕션 준비 달성, 모델 모니터링, 모델 재학습).
- ML 모델을 평가하기 위한 모델 성능 지표(예: 정확도, ROC 곡선 아래 영역(AUC), F1 점수) 및 비즈니스 지표(예: 사용자당 비용, 개발 비용, 고객 피드백, 투자 수익률(ROI))를 이해합니다.
영역 2: 생성형 AI 기본 개념
작업 명세 2.1: 생성형 AI의 기본 개념을 설명하세요.
목표:
- 토큰, 청크화, 임베딩, 벡터, 프롬프트 엔지니어링, 트랜스포머 기반 LLM, 기반 모델, 멀티모달 모델, 확산 모델 등 생성형 AI의 기본 개념을 이해합니다.
- 생성형 AI 모델의 잠재적 사용 사례를 식별합니다(예: 이미지, 비디오 및 오디오 생성, 요약, 채팅봇, 번역, 코드 생성, 고객 서비스 에이전트, 검색, 추천 엔진).
- 기반 모델 수명 주기를 설명합니다(예: 데이터 선택, 모델 선택, 사전 학습, 미세 조정, 평가, 배포, 피드백).
작업 명세 2.2: 비즈니스 문제를 해결하기 위한 생성형 AI의 기능과 한계를 이해하세요.
목표:
- 생성형 AI의 장점을 설명합니다(예: 적응성, 대응성, 단순성).
- 생성형 AI 솔루션의 단점을 식별합니다(예: 환각, 해석 가능성, 부정확성, 비결정성).
- 적절한 생성형 AI 모델을 선택하는 다양한 요인을 이해합니다(예: 모델 유형, 성능 요구 사항, 기능, 제약 사항, 규정 준수).
- 생성형 AI 애플리케이션의 비즈니스 가치와 지표를 결정합니다(예: 도메인 간 성능, 효율성, 전환율, 사용자당 평균 매출, 정확도, 고객 수명 가치).
작업 명세 2.3: 생성형 AI 애플리케이션 구축을 위한 AWS 인프라 및 기술을 설명하세요.
목표:
- 생성형 AI 애플리케이션 개발을 위한 AWS 서비스 및 기능을 식별합니다(예: Amazon SageMaker JumpStart, Amazon Bedrock, PartyRock(Amazon Bedrock Playground), Amazon Q).
- AWS 생성형 AI 서비스를 사용하여 애플리케이션을 구축하는 장점을 설명합니다(예: 접근성, 진입 장벽 낮음, 효율성, 비용 효율성, 시장 출시 속도, 비즈니스 목표 달성 능력).
- 생성형 AI 애플리케이션을 위한 AWS 인프라의 혜택을 이해합니다(예: 보안, 규정 준수, 책임, 안전성).
- AWS 생성형 AI 서비스의 비용 절충을 이해합니다(예: 대응성, 가용성, 중복성, 성능, 지역 범위, 토큰 기반 가격, 프로비저닝 처리량, 사용자 정의 모델).
영역 3: 기반 모델의 응용
작업 명세 3.1: 기반 모델을 사용하는 애플리케이션의 설계 고려 사항을 설명하세요.
목표:
- 사전 학습 모델 선택 기준을 식별합니다(예: 비용, 양식, 대기 시간, 다국어, 모델 크기, 모델 복잡성, 사용자 정의, 입력/출력 길이).
- 추론 매개변수가 모델 응답에 미치는 영향을 이해합니다(예: 온도, 입력/출력 길이).
- 검색 지원 생성(RAG)의 개념을 정의하고 그 비즈니스 애플리케이션을 설명합니다(예: Amazon Bedrock, 지식 베이스).
- 벡터 데이터베이스 내에 임베딩을 저장하는 데 도움이 되는 AWS 서비스를 식별합니다(예: Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB(MongoDB 호환성), Amazon RDS for PostgreSQL).
- 다양한 기반 모델 사용자 정의 접근 방식의 비용 절충을 설명합니다(예: 사전 학습, 미세 조정, 문맥 학습, RAG).
- 다단계 작업에서 에이전트의 역할을 이해합니다(예: Amazon Bedrock의 에이전트).
작업 명세 3.2: 효과적인 프롬프트 엔지니어링 기술을 선택하세요.
목표:
- 프롬프트 엔지니어링의 개념과 구성요소를 설명합니다(예: 컨텍스트, 지침, 부정적 프롬프트, 모델 잠재 공간).
- 프롬프트 엔지니어링 기술을 이해합니다(예: 연쇄 추론, 제로샷, 단일샷, 소수샷, 프롬프트 템플릿).
- 프롬프트 엔지니어링의 장점과 모범 사례를 이해합니다(예: 응답 품질 향상, 실험, 가드레일, 발견, 구체성과 간결성, 다중 피드백 사용).
- 프롬프트 엔지니어링의 잠재적 위험과 한계를 정의합니다(예: 노출, 오염, 탈취, 탈옥).
작업 명세 3.3: 기반 모델의 학습 및 미세 조정 프로세스를 설명하세요.
목표:
- 기반 모델 학습의 핵심 요소를 설명합니다(예: 사전 학습, 미세 조정, 지속적 사전 학습).
- 기반 모델을 미세 조정하는 방법을 정의합니다(예: 지침 조정, 특정 도메인에 대한 모델 조정, 전이 학습, 지속적 사전 학습).
- 기반 모델을 미세 조정하기 위해 데이터를 준비하는 방법을 설명합니다(예: 데이터 큐레이션, 거버넌스, 크기, 레이블 지정, 대표성, 인적 피드백을 통한 강화 학습(RLHF)).
작업 명세 3.4: 기반 모델 성능을 평가하는 방법을 설명하세요.
목표:
- 기반 모델 성능을 평가하는 접근 방식을 이해합니다(예: 인간 평가, 벤치마크 데이터셋).
- 기반 모델 성능을 평가하는 데 관련된 지표를 식별합니다(예: Recall-Oriented Understudy for Gisting Evaluation(ROUGE), Bilingual Evaluation Understudy(BLEU), BERTScore).
- 기반 모델이 비즈니스 목표를 효과적으로 달성하는지 여부를 결정합니다(예: 생산성, 사용자 참여, 작업 엔지니어링).
영역 4: 책임감 있는 AI를 위한 지침
작업 명세 4.1: 책임감 있는 AI 시스템 개발을 설명하세요.
목표:
- 책임감 있는 AI의 특징을 식별합니다(예: 편향, 공정성, 포용성, 견고성, 안전성, 진실성).
- 책임감 있는 AI 기능을 식별하기 위한 도구 사용 방법을 이해합니다(예: Amazon Bedrock의 가드레일).
- 모델 선택 시 책임감 있는 관행을 이해합니다(예: 환경적 고려 사항, 지속 가능성).
- 생성형 AI의 법적 위험을 식별합니다(예: 지적 재산권 침해 주장, 편향된 모델 출력, 고객 신뢰 상실, 최종 사용자 위험, 환각).
- 데이터셋의 특성을 식별합니다(예: 포용성, 다양성, 큐레이션된 데이터 소스, 균형 잡힌 데이터셋).
- 편향과 분산의 영향을 이해합니다(예: 인구통계학적 그룹에 미치는 영향, 부정확성, 과적합, 과소적합).
- 편향, 신뢰성 및 진실성을 감지하고 모니터링하는 도구를 설명합니다(예: 레이블 품질 분석, 인적 감사, 하위 그룹 분석, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI(Amazon A2I)).
작업 명세 4.2: 투명하고 설명 가능한 모델의 중요성을 인식하세요.
목표:
- 투명하고 설명 가능한 모델과 그렇지 않은 모델의 차이를 이해합니다.
- 투명하고 설명 가능한 모델을 식별하는 도구를 이해합니다(예: Amazon SageMaker Model Cards, 오픈 소스 모델, 데이터, 라이선싱).
- 모델 안전성과 투명성 사이의 절충을 식별합니다(예: 해석 가능성과 성능 측정).
- 설명 가능한 AI를 위한 사용자 중심 설계 원칙을 이해합니다.
영역 5: AI 솔루션을 위한 보안, 규정 준수 및 거버넌스
작업 명세 5.1: AI 시스템 보안 방법을 설명하세요.
목표:
- AI 시스템을 보안하기 위한 AWS 서비스 및 기능을 식별합니다(예: IAM 역할, 정책 및 권한, 암호화, Amazon Macie, AWS PrivateLink, AWS 공동 책임 모델).
- 데이터 출처 문서화 및 인용의 개념을 이해합니다(예: 데이터 계보, 데이터 카탈로그, SageMaker Model Cards).
- 안전한 데이터 엔지니어링을 위한 모범 사례를 설명합니다(예: 데이터 품질 평가, 프라이버시 강화 기술 구현, 데이터 액세스 제어, 데이터 무결성).
- AI 시스템의 보안 및 개인정보 보호 고려 사항을 이해합니다(예: 애플리케이션 보안, 위협 탐지, 취약성 관리, 인프라 보호, 프롬프트 삽입, 저장 시 및 전송 시 암호화).
작업 명세 5.2: AI 시스템을 위한 거버넌스 및 규정 준수 규정을 인식하세요.
목표:
- AI 시스템에 대한 규제 준수 표준을 식별합니다(예: 국제표준화기구(ISO), 시스템 및 조직 통제(SOC), 알고리즘 책임성 법률).
- 거버넌스 및 규제 준수를 지원하는 AWS 서비스 및 기능을 식별합니다(예: AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor).
- 데이터 거버넌스 전략을 설명합니다(예: 데이터 수명 주기, 로깅, 거주지, 모니터링, 관찰, 보존).
- 거버넌스 프로토콜을 따르는 프로세스를 설명합니다(예: 정책, 검토 주기, 검토 전략, 생성형 AI 보안 범위 지정 매트릭스 같은 거버넌스 프레임워크, 투명성 표준, 팀 교육 요구 사항).
부록
범위 내 AWS 서비스 및 기능
다음 목록에는 시험 범위에 포함되는 AWS 서비스와 기능이 포함되어 있습니다. 이 목록은 완전하지 않으며 변경될 수 있습니다. AWS 제품은 해당 제품의 주요 기능에 맞춰 범주로 나뉩니다:
분석:
- AWS Data Exchange
- Amazon EMR
- AWS Glue
- AWS Glue DataBrew
- AWS Lake Formation
- Amazon OpenSearch Service
- Amazon QuickSight
- Amazon Redshift
클라우드 재무 관리:
- AWS Budgets
- AWS Cost Explorer
컴퓨팅:
컨테이너:
- Amazon Elastic Container Service(Amazon ECS)
- Amazon Elastic Kubernetes Service(Amazon EKS)
데이터베이스:
- Amazon DocumentDB(MongoDB 호환성)
- Amazon DynamoDB
- Amazon ElastiCache
- Amazon MemoryDB
- Amazon Neptune
- Amazon RDS
기계 학습:
- Amazon Augmented AI(Amazon A2I)
- Amazon Bedrock
- Amazon Comprehend
- Amazon Fraud Detector
- Amazon Kendra
- Amazon Lex
- Amazon Personalize
- Amazon Polly
- Amazon Q
- Amazon Rekognition
- Amazon SageMaker
- Amazon Textract
- Amazon Transcribe
- Amazon Translate
관리 및 거버넌스:
- AWS CloudTrail
- Amazon CloudWatch
- AWS Config
- AWS Trusted Advisor
- AWS Well-Architected Tool
네트워킹 및 콘텐츠 전송:
- Amazon CloudFront
- Amazon VPC
보안, 자격 증명 및 규정 준수:
- AWS Artifact
- AWS Audit Manager
- AWS Identity and Access Management(IAM)
- Amazon Inspector
- AWS Key Management Service(AWS KMS)
- Amazon Macie
- AWS Secrets Manager
스토리지:
- Amazon S3
- Amazon S3 Glacier
범위 외 AWS 서비스 및 기능
다음 목록에는 시험 범위에 포함되지 않는 AWS 서비스와 기능이 포함되어 있습니다. 이 목록은 완전하지 않으며 변경될 수 있습니다. 시험 대상 직무 역할과 전혀 관련이 없는