AI Practitioner 학습 가이드 (62개)

AWS에서 직접 제공한 시험 가이드에 포함된 학습 주제(시험 범위)를 정리해 보았습니다.

가이드에서는 아래 내용이 완전한 목록이 아니라고 하지만, 아래 내용만으로 시험을 합격하는데 전혀 무리가 없습니다.

시험 범위는 총 5개의 도메인(분야)으로 구성되어 있습니다. 각 도메인마다 다수의 과제가 있고, 각 과제의 목표가 있습니다.

목표는 총 62개입니다. AI Practitioner의 정식 버전의 문제가 65문제 인점을 떠올려 보세요.

각 목표를 면접 준비하듯이 정리하시면 시험을 수월하게 합격하실 수 있습니다.

 

가이드 파일을 첨부해 드리니 직접 확인해 보셔도 좋습니다.

AWS-Certified-AI-Practitioner_Exam-Guide.pdf

0.16MB

시험 범위 및 비중

	도메인	비중
1	AI 및 ML 기초	20%
2	생성형 AI 기초	24%
3	기반 모델 응용	28%
4	책임 있는 AI 지침	14%
5	AI 솔루션의 보안, 규정 준수, 거버넌스	14%

도메인 1. AI 및 ML 기초 (16개)

1.1. 기본적인 AI 개념과 용어 설명 (5개)

• 기본 AI 용어 정의
  • AI, ML, 딥러닝, 신경망, 컴퓨터 비전, 자연어 처리(NLP), 모델, 알고리즘, 훈련과 추론, 편향, 공정성, 적합도, 대규모 언어 모델(LLM)
• AI, ML, 딥러닝의 유사점과 차이점 설명
• 다양한 유형의 추론 설명
  • 예: 배치, 실시간
• AI 모델의 다양한 데이터 유형 설명
  • 예: 레이블 있는/없는, 표 형식, 시계열, 이미지, 텍스트, 구조화/비구조화
• 지도 학습, 비지도 학습, 강화 학습 설명

1.2. AI의 실용적 사례 식별 (5개)

• AI/ML이 가치를 제공할 수 있는 애플리케이션 인식
  • 예: 인간 의사결정 지원, 솔루션 확장성, 자동화
• AI/ML 솔루션이 적절하지 않은 경우 결정
  • 예: 비용-편익 분석, 예측보다 특정 결과가 필요한 상황
• 특정 사례에 적합한 ML 기술 선택
  • 예: 회귀, 분류, 클러스터링
• 실제 AI 응용 사례 식별
  • 예: 컴퓨터 비전, NLP, 음성 인식, 추천 시스템, 사기 탐지, 예측
• AWS 관리형 AI/ML 서비스 기능 설명
  • 예: SageMaker, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly

1.3. ML 개발 수명 주기 설명 (6개)

• ML 파이프라인 구성 요소 설명
  • 예: 데이터 수집, 탐색적 데이터 분석(EDA), 데이터 전처리, 특성 엔지니어링, 모델 훈련, 하이퍼파라미터 튜닝, 평가, 배포, 모니터링
• ML 모델 소스 이해
  • 예: 오픈 소스 사전 훈련 모델, 사용자 정의 모델 훈련
• 프로덕션에서 모델 사용 방법 설명
  • 예: 관리형 API 서비스, 자체 호스팅 API
• ML 파이프라인의 각 단계에 관련된 AWS 서비스 및 기능 식별
  • 예: SageMaker, Amazon SageMaker Data Wrangler, Amazon SageMaker Feature Store, Amazon SageMaker Model Monitor
• ML 운영(MLOps)의 기본 개념 이해
  • 예: 실험, 반복 가능한 프로세스, 확장 가능한 시스템, 기술 부채 관리, 프로덕션 준비 달성, 모델 모니터링, 모델 재훈련
• ML 모델 평가를 위한 모델 성능 메트릭 및 비즈니스 메트릭 이해
  • 예: 정확도, ROC 곡선 아래 면적(AUC), F1 점수, 사용자당 비용, 개발 비용, 고객 피드백, 투자 수익률(ROI)

도메인 2. 생성형 AI의 기초 (11개)

2.1. 생성형 AI의 기본 개념 설명 (3개)

• 생성형 AI의 기본 개념 이해
  • 예: 토큰, 청킹, 임베딩, 벡터, 프롬프트 엔지니어링, 트랜스포머 기반 LLM, 기초 모델, 다중 모달 모델, 확산 모델
• 생성형 AI 모델의 잠재적 사용 사례 식별
  • 예: 이미지, 비디오, 오디오 생성; 요약; 챗봇; 번역; 코드 생성; 고객 서비스 에이전트; 검색; 추천 엔진
• 기초 모델 수명 주기 설명
  • 예: 데이터 선택, 모델 선택, 사전 훈련, 미세 조정, 평가, 배포, 피드백

2.2. 비즈니스 문제 해결을 위한 생성형 AI의 능력과 한계 이해 (4개)

• 생성형 AI의 장점 설명
  • 예: 적응성, 반응성, 단순성
• 생성형 AI 솔루션의 단점 식별
  • 예: 환각, 해석 가능성, 부정확성, 비결정성
• 적절한 생성형 AI 모델 선택을 위한 다양한 요소 이해
  • 예: 모델 유형, 성능 요구사항, 능력, 제약, 규정 준수
• 생성형 AI 애플리케이션의 비즈니스 가치와 지표 결정
  • 예: 도메인 간 성능, 효율성, 전환율, 사용자당 평균 수익, 정확도, 고객 생애 가치

2.3. 생성형 AI 애플리케이션 구축을 위한 AWS 인프라 및 기술 설명 (4개)

• 생성형 AI 애플리케이션 개발을 위한 AWS 서비스 및 기능 식별
  • 예: Amazon SageMaker JumpStart; Amazon Bedrock; PartyRock, Amazon Bedrock Playground; Amazon Q
• AWS 생성형 AI 서비스를 사용하여 애플리케이션을 구축하는 장점 설명
  • 예: 접근성, 진입 장벽 낮음, 효율성, 비용 효율성, 시장 진출 속도, 비즈니스 목표 달성 능력
• 생성형 AI 애플리케이션을 위한 AWS 인프라의 이점 이해
  • 예: 보안, 규정 준수, 책임, 안전성
• AWS 생성형 AI 서비스의 비용 트레이드오프 이해
  • 예: 응답성, 가용성, 중복성, 성능, 지역 커버리지, 토큰 기반 가격 책정, 프로비저닝된 처리량, 맞춤형 모델

도메인 3. 기초 모델의 응용 (16개)

3.1. 기초 모델을 사용하는 애플리케이션의 설계 고려사항 설명 (6개)

• 사전 훈련된 모델 선택 기준 식별
  • 예: 비용, 모달리티, 지연 시간, 다국어 지원, 모델 크기, 모델 복잡성, 사용자 정의, 입력/출력 길이
• 모델 응답에 대한 추론 매개변수의 영향 이해
  • 예: 온도, 입력/출력 길이
• 검색 증강 생성(RAG) 정의 및 비즈니스 애플리케이션 설명
  • 예: Amazon Bedrock, 지식 베이스
• 벡터 데이터베이스 내 임베딩 저장을 지원하는 AWS 서비스 식별
  • 예: Amazon OpenSearch Service, Amazon Aurora, Amazon Neptune, Amazon DocumentDB, Amazon RDS for PostgreSQL
• 기초 모델 사용자 정의의 다양한 접근 방식의 비용 트레이드오프 설명
  • 예: 사전 훈련, 미세 조정, 문맥 내 학습, RAG
• 다단계 작업에서 에이전트의 역할 이해
  • 예: Amazon Bedrock용 에이전트

3.2. 효과적인 프롬프트 엔지니어링 기법 선택 (4개)

• 프롬프트 엔지니어링의 개념과 구성 요소 설명
  • 예: 컨텍스트, 지시, 부정적 프롬프트, 모델 잠재 공간
• 프롬프트 엔지니어링 기법 이해
  • 예: 사고 연쇄, 제로샷, 원샷, 퓨샷, 프롬프트 템플릿
• 프롬프트 엔지니어링의 이점과 모범 사례 이해
  • 예: 응답 품질 향상, 실험, 가드레일, 발견, 구체성과 간결성, 여러 의견 사용
• 프롬프트 엔지니어링의 잠재적 위험과 한계 정의
  • 예: 노출, 포이즈닝, 하이재킹, 탈옥

3.3. 기초 모델의 훈련 및 미세 조정 프로세스 설명 (3개)

• 기초 모델 훈련의 주요 요소 설명
  • 예: 사전 훈련, 미세 조정, 지속적 사전 훈련
• 기초 모델 미세 조정 방법 정의
  • 예: 지시 조정, 특정 도메인을 위한 모델 적응, 전이 학습, 지속적 사전 훈련
• 기초 모델 미세 조정을 위한 데이터 준비 방법 설명
  • 예: 데이터 큐레이션, 거버넌스, 크기, 레이블링, 대표성, 인간 피드백 강화 학습(RLHF)

3.4. 기초 모델 성능 평가 방법 설명 (3개)

• 기초 모델 성능 평가 접근 방식 이해
  • 예: 인간 평가, 벤치마크 데이터셋
• 기초 모델 성능 평가를 위한 관련 지표 식별
  • 예: ROUGE(Recall-Oriented Understudy for Gisting Evaluation), BLEU(Bilingual Evaluation Understudy), BERTScore
• 기초 모델이 비즈니스 목표를 효과적으로 충족하는지 결정
  • 예: 생산성, 사용자 참여, 작업 엔지니어링

도메인 4. 책임 있는 AI를 위한 지침 (11개)

4.1. 책임 있는 AI 시스템 개발 설명 (7개)

• 책임 있는 AI의 특징 식별
  • 예: 편향, 공정성, 포용성, 견고성, 안전성, 진실성
• 책임 있는 AI 특징을 식별하기 위한 도구 사용 방법 이해
  • 예: Amazon Bedrock용 가드레일
• 모델 선택을 위한 책임 있는 관행 이해
  • 예: 환경적 고려사항, 지속 가능성
• 생성형 AI 작업의 법적 위험 식별
  • 예: 지적 재산권 침해 주장, 편향된 모델 출력, 고객 신뢰 상실, 최종 사용자 위험, 환각
• 데이터셋의 특성 식별
  • 예: 포용성, 다양성, 큐레이팅된 데이터 소스, 균형 잡힌 데이터셋
• 편향과 분산의 영향 이해
  • 예: 인구 통계 그룹에 대한 영향, 부정확성, 과적합, 과소적합
• 편향, 신뢰성, 진실성을 탐지하고 모니터링하는 도구 설명
  • 예: 레이블 품질 분석, 인간 감사, 하위 그룹 분석, Amazon SageMaker Clarify, SageMaker Model Monitor, Amazon Augmented AI (Amazon A2I)

4.2. 투명하고 설명 가능한 모델의 중요성 인식 (4개)

• 투명하고 설명 가능한 모델과 그렇지 않은 모델의 차이점 이해
• 투명하고 설명 가능한 모델을 식별하기 위한 도구 이해
  • 예: Amazon SageMaker Model Cards, 오픈 소스 모델, 데이터, 라이선싱
• 모델 안전성과 투명성 사이의 트레이드오프 식별
  • 예: 해석 가능성과 성능 측정
• 설명 가능한 AI를 위한 인간 중심 설계 원칙 이해

도메인 5. AI 솔루션을 위한 보안, 규정 준수 및 거버넌스 (8개)

5.1. AI 시스템 보안 방법 설명 (4개)

• AI 시스템 보안을 위한 AWS 서비스 및 기능 식별
  • 예: IAM 역할, 정책 및 권한; 암호화; Amazon Macie; AWS PrivateLink; AWS 공동 책임 모델
• 소스 인용 및 데이터 출처 문서화 개념 이해
  • 예: 데이터 계보, 데이터 카탈로깅, SageMaker Model Cards
• 안전한 데이터 엔지니어링을 위한 모범 사례 설명
  • 예: 데이터 품질 평가, 개인정보 보호 기술 구현, 데이터 액세스 제어, 데이터 무결성
• AI 시스템의 보안 및 개인정보 보호 고려사항 이해
  • 예: 애플리케이션 보안, 위협 탐지, 취약성 관리, 인프라 보호, 프롬프트 주입, 저장 및 전송 중 암호화

5.2. AI 시스템의 거버넌스 및 규정 준수 인식 (4개)

• AI 시스템의 규제 준수 표준 식별
  • 예: ISO(국제표준화기구), SOC(서비스 조직 제어), 알고리즘 책임법
• 거버넌스 및 규정 준수를 지원하는 AWS 서비스 및 기능 식별
  • 예: AWS Config, Amazon Inspector, AWS Audit Manager, AWS Artifact, AWS CloudTrail, AWS Trusted Advisor
• 데이터 거버넌스 전략 설명
  • 예: 데이터 수명 주기, 로깅, 상주, 모니터링, 관찰, 보존
• 거버넌스 프로토콜을 따르는 프로세스 설명
  • 예: 정책, 검토 주기, 검토 전략, 생성형 AI 보안 범위 지정 매트릭스와 같은 거버넌스 프레임워크, 투명성 표준, 팀 교육 요구사항