AIF-C01 영역 1 — 데이터·학습·추론과 서비스 선택

인공 지능(artificial intelligence, AI) 시스템을 선택하려면 먼저 무엇을 입력하고 어떤 결과를 얻으려는지 정해야 한다. 데이터의 구조와 학습 목표를 구분한 뒤 추론 방식, 서비스, 평가 지표를 비교한다. 아래 계산과 상황 예시는 이해를 돕기 위한 자체 작성 사례다.

A 데이터와 예측을 혼동하지 않기

데이터를 볼 때는 어떤 구조로 저장하는지, 시간 순서가 중요한지, 무엇을 예측할 것인지를 나누어 생각한다. 정형 데이터(structured data)는 열과 자료형이 일정하다. 반정형 데이터(semi-structured data)인 JSON은 키와 중첩 구조가 있지만 레코드마다 필드가 다를 수 있다. 자유 문장·음성·사진 같은 비정형 데이터(unstructured data)는 특징을 추출하거나 임베딩(embedding)으로 표현해 모델에 입력한다. 사진을 데이터베이스의 한 열에 저장해도 사진 내용 자체가 정형 데이터로 바뀌지는 않는다. 시계열 데이터(time-series data)는 시간 순서와 관측 간격, 값이 전달되는 지연이 분석에 중요한 데이터다. 정형 테이블에 저장할 수도 있으며, 과거에 수집했다는 이유만으로 모든 데이터가 시계열이 되는 것은 아니다.

레이블(label)은 모델이 예측해야 할 정답이다. 지도 학습(supervised learning) 중 분류(classification)는 입력 특징(feature)과 정답 범주를 함께 제공하고, 회귀(regression)는 수치 목표와 예측 오차를 이용한다. 훈련(training)은 모델 파라미터(parameter)를 조정해 손실(loss)을 줄이는 과정이다. 추론(inference)은 학습한 모델을 새 입력에 적용해 결과를 계산하는 과정이다. 배송 지연 예측을 예로 들면, 주문 시점에 아는 거리와 배송 방식은 입력으로 쓸 수 있다. 그러나 배송 완료 시각은 예측할 때 아직 알 수 없으므로 입력에 넣으면 목표 누수(target leakage)가 발생한다. 모델 파라미터는 데이터에서 학습한 계수이고, 하이퍼파라미터(hyperparameter)는 학습률(learning rate)이나 모델 복잡도처럼 훈련 방법을 조절하는 설정이다.

선형 회귀(linear regression)는 연속값을 예측할 때 비교의 출발점으로 삼을 수 있는 기준 모델(baseline model)이다. 반면 로지스틱 회귀(logistic regression)는 이름에 ‘회귀’가 있어도 일반적인 이진 분류(binary classification)에 쓰인다. 입력의 선형 결합 z를 시그모이드 함수(sigmoid function) 1/(1+exp(-z))로 바꾸어 확률 형태의 점수를 얻고, 별도로 정한 임계값(threshold)으로 범주를 결정한다. 따라서 모델이 숫자를 출력한다는 이유만으로 회귀 문제라고 판단해서는 안 된다. 분류는 정해진 레이블을 예측하지만 군집화(clustering)는 데이터의 유사성을 바탕으로 그룹을 찾는다. 발견한 군집 번호가 곧 업무상의 정답은 아니며, 모든 군집화 알고리즘이 군집 수를 미리 정하도록 요구하는 것도 아니다. 이상 탐지(anomaly detection)는 드물거나 비정상적인 패턴을 찾는 과제다. 레이블 유무와 알고리즘에 따라 지도 학습과 비지도 학습(unsupervised learning) 모두로 접근할 수 있다.

출처 연결: AIF 영역 1 출처, ML 수명 주기, FM과 과업별 ML 선택. DynamoDB와 DocumentDB는 서로 다른 서비스이며 강좌 문장의 수식 범위를 넓혀 둘 다 MongoDB 호환이라고 암기하지 않는다. 정확한 제품별 호환 API는 별도 제품 문서 확인 사항이다.

B 학습과 서빙은 서로 다른 설계

훈련 결과를 저장한 모델 아티팩트(model artifact)에는 가중치(weights), 모델 구조, 설정 등이 들어갈 수 있다. 이 파일을 저장하는 것과 사용자 요청을 받는 서비스를 운영하는 것은 다르다. 추론 코드(inference code)는 입력을 검증하고 전처리한 뒤 모델을 불러와 계산하고 결과를 후처리한다. 컨테이너(container)는 이 코드와 의존성을 묶어 실행 환경을 준비하는 수단이다. 저장소, 네트워크, 접근 권한과 운영 정책까지 자동으로 정해 주지는 않는다. Amazon S3는 모델 아티팩트를 저장하고, Amazon ECR은 컨테이너 이미지를 보관하며, 실행 인스턴스는 이미지를 이용해 실제 계산을 수행한다.

SageMaker의 서버리스 추론을 사용한다고 해서 사용자가 추론용 Lambda 함수를 직접 만들어야 하는 것은 아니다. 비동기 추론에서 용량을 0으로 줄일 수 있더라도 실제로 동작하려면 해당 기능을 지원하는 구성이 필요하다. 어느 방식이든 모든 부하에서 가장 저렴하다고 단정할 수 없다. 처리 시간과 유휴 시간뿐 아니라 S3 저장, 데이터 전송, 실패한 요청의 재시도(retry), 운영 인력에 드는 비용까지 비교한다.

지도 학습(supervised learning)은 정답 레이블을, 비지도 학습(unsupervised learning)은 데이터의 구조나 유사성을 이용한다. 강화 학습(reinforcement learning)은 에이전트의 행동(action)이 다음 상태(state)와 누적 보상(cumulative reward)에 어떤 영향을 주는지 학습한다. 보상(reward)을 잘못 설계하면 점수는 높지만 실제 업무 목표에는 도움이 되지 않는 정책(policy)을 얻을 수 있다. 따라서 정답 레이블이 없다는 공통점만으로 강화 학습과 군집화를 같은 문제로 보아서는 안 된다.

출처: AIF 영역 1 출처, 추론 방식 선택, 배치 변환. 지원 한도·가격 숫자를 이 표의 영구 규칙으로 제시하지 않았다.

C 일반화와 공정성을 따로 검증하기

과적합(overfitting)은 모델이 훈련 데이터의 우연한 패턴까지 학습해 새 데이터에서는 성능이 떨어지는 현상이다. 과소적합(underfitting)은 중요한 관계를 충분히 학습하지 못해 훈련과 검증 데이터 모두에서 성능이 낮을 수 있는 상태다. 새 데이터에서 성능이 낮다는 사실만으로 과적합이라고 결론 내리지 않는다. 데이터 분포 변화(distribution shift), 레이블 오류, 데이터 누수(data leakage), 훈련 때와 다른 전처리도 원인일 수 있다. 개선 방법으로는 데이터 추가 수집, 규제화(regularization), 적절한 모델 복잡도 선택, 검증 결과에 따른 조기 종료(early stopping), 의미를 보존하는 데이터 증강(data augmentation)을 검토한다. 같은 편향과 누수가 포함된 데이터를 더 모으는 것만으로는 문제가 해결되지 않는다.

검증 데이터(validation data)는 모델과 설정을 선택하는 데 사용하고, 테스트 데이터(test data)는 그 선택 과정에 사용하지 않은 채 최종 성능 평가용으로 남긴다. 시계열 데이터(time-series data)는 미래 정보가 과거 예측을 위한 학습에 섞이지 않도록 시간 순서를 고려해 분할한다. 같은 고객의 중복 기록을 훈련 데이터와 검증 데이터에 나누어 넣으면, 모델이 이미 본 고객의 패턴을 이용해 실제 신규 고객을 만날 때보다 좋은 점수를 얻을 수 있다. 80/10/10은 분할 비율의 예시이지 모든 업무에 적용해야 하는 규칙이 아니다.

통계적 편향(bias)·분산(variance)과 집단 간 불공정(unfairness)은 관련될 수 있지만 같은 개념은 아니다. 민감 속성을 입력에서 제거해도 주소 등 대리 변수가 남고 과거 라벨 자체가 편향될 수 있다. 전체 정확도뿐 아니라 집단별 거짓양성(false positive, FP)/거짓음성(false negative, FN)과 표본 수, 사용 목적의 정당성, 이의 제기·사람 검토를 확인한다. 감정·신원·질병 등 민감한 추론은 API 점수만으로 객관적 사실로 취급하지 않는다.

자체 사례: 야간 배송 사진에서 파손을 검출하는 모델이 주간 사진에만 강하면, 조명별 데이터를 분리해 오류를 비교한다. 사진을 더 밝게 만드는 증강이 파손 자국을 지워 라벨 의미를 바꾸지 않는지도 확인한다. 이것은 강좌의 동물 분류 사례를 복제하지 않은 별도 예시다.

출처: AIF 영역 1 출처, 과적합과 일반화, 훈련 전 편향, 설명 가능성과 SHAP.

D 서비스 이름보다 필요한 입력과 결과를 먼저 정하기

동일한 입력에 확률 점수를 출력하는 것과 매번 다른 출력이 나오는 것은 별개다. 고정 모델·전처리·결정적 추론(inference) 설정이면 반복 실행 결과가 같을 수 있다. 반대로 샘플링 생성·버전 변경·상태 변화는 다른 결과를 만들 수 있다. 법정 산식처럼 결과가 정확히 정해진 부분은 규칙·계산 코드로 구현하고 모델은 필요한 입력 해석을 맡기는 식으로 책임을 나누는 편이 낫다.

과업 API → 사전 훈련 모델 재사용 → 튜닝 → 처음부터 훈련 순으로 복잡도를 늘리는 것은 평가 전략이지 강제 제품 순위가 아니다. RAG는 추론 시 외부 정보를 검색해 컨텍스트에 넣는 방식이며 모델 가중치 수정과 다르다. 검색이 잘못되거나 권한 필터가 없으면 최신 정보라도 잘못된 답변 또는 정보 노출로 이어진다.

자체 사례: 보험 접수에서 Textract로 서류 항목을 얻고, 구조 검증과 계약 규칙으로 필수값을 확인한다. 대규모 언어 모델(large language model, LLM)은 고객에게 누락 항목을 설명할 수 있지만 지급 승인 자체를 자유 문장 생성에 맡기지 않는다. 문서 추출 정확도, 사람 검토 비율, 처리 시간, 잘못된 지급 비용을 각각 측정한다.

출처: AIF 영역 1 출처, 공식 출처 안내, Textract 문서 추출, Rekognition 이미지·영상 분석, Forecast 시계열 예측, Fraud Detector 점수와 결정. Kendra/Personalize의 위 역할은 강좌에서 식별한 개념으로 제품별 전체 가이드 완독을 뜻하지 않는다. 강좌의 지원 언어 수·무료 체험·기업 성과 수치는 최신 상품 조건으로 재게시하지 않았다.

E 재현 가능한 ML 수명 주기

1. 문제와 성공 기준 정의: 예측 시점에 알 수 있는 입력과 모델 결과로 바꿀 결정을 정한다. 오탐(false positive)과 누락(false negative)에 따른 손실도 따져 본다. 간단한 규칙이나 현재 업무의 결과를 기준선(baseline)으로 삼는다.
2. 데이터 준비: 데이터의 출처, 이용 허가, 개인 식별 정보(personally identifiable information, PII)의 포함 여부, 레이블(label)의 의미, 수집 주기와 정답이 도착하는 시간을 기록한다. 배치 방식의 추출·변환·적재(extract, transform, load, ETL)와 스트리밍(streaming)은 처리 지연과 재처리 방법이 다르다.
3. 품질 확인과 특성 변환: 탐색적 데이터 분석(exploratory data analysis, EDA)으로 분포, 결측값과 이상값을 살핀다. 결측 레코드를 지울 때 특정 고객군만 빠지지 않는지 확인하며, 훈련과 추론에 같은 특성 변환(feature transformation)을 적용한다.
4. 훈련과 실험: 데이터, 코드, 컨테이너의 버전과 파라미터 설정, 평가 결과를 함께 기록해 실험을 재현할 수 있게 한다. 실험 횟수가 늘면 비용도 증가하므로 하이퍼파라미터 튜닝(hyperparameter tuning)의 탐색 범위와 중지 조건을 정한다.
5. 검증과 배포: 모델 지표뿐 아니라 업무 비용, 하위 집단별 성능, 응답 지연과 실패 후 복구 방법을 평가한다. Model Registry에서 승인된 상태와 실제 운영 환경에 배포된 상태는 다르다.
6. 모니터링과 변경: 입력, 출력, 성능과 정답 데이터의 품질을 모니터링(monitoring)하고 경보가 울리면 원인을 조사한다. 재훈련(retraining)한 모델이 항상 더 나은 것은 아니므로 재평가와 승인을 거쳐 배포하고, 문제가 생기면 이전 버전으로 되돌리는 롤백(rollback)을 준비한다.

Glue Data Catalog는 원본 데이터 전체가 아니라 위치·스키마 등 메타데이터를 관리한다. Glue ETL은 데이터를 읽고 변환해 대상에 적재한다. DataBrew/Canvas와 같은 시각적 도구는 코딩 부담을 줄이지만 데이터 의미와 누수 검증 책임까지 없애지는 않는다. Feature Store는 재사용 가능한 특징과 관련 메타데이터를 관리하며, Model Registry는 모델 버전·품질·승인과 연결된다. 코드 저장소는 이 둘을 대체하지 않는다.

SageMaker 훈련 작업(training job)을 만들 때는 훈련 데이터의 위치, 실행할 컨테이너, 컴퓨팅 자원, 하이퍼파라미터(hyperparameter), 결과를 저장할 위치를 지정한다. Experiments는 실험을 추적하고 비교하는 데 쓰이며, 자동 모델 튜닝(Automatic Model Tuning, AMT)은 정해진 탐색 범위에서 하이퍼파라미터를 최적화한다. SageMaker Pipelines는 기계 학습(machine learning, ML) 단계 사이의 의존성과 조건 분기를 표현한다. 여러 AWS 서비스와 업무 절차를 연결하려면 AWS Step Functions를, Apache Airflow 기반 워크플로(workflow)를 관리하려면 Amazon MWAA를 비교해 볼 수 있다. 서비스별 설정 방법과 실제 실행 결과는 별도의 실습으로 확인해야 한다.

데이터 드리프트(data drift)는 입력 데이터의 분포가 바뀌는 현상이고, 개념 드리프트(concept drift)는 입력과 예측 목표 사이의 관계가 바뀌는 현상이다. 분포가 변했다고 항상 즉시 성능이 나빠지는 것은 아니다. 정답이 늦게 도착하는 업무에서는 먼저 입력 분포를 관찰한 뒤, 정답이 확보되면 예측 품질을 평가한다. Model Monitor의 관측 결과와 CloudWatch 경보(alarm)를 재훈련 시작 조건으로 사용할 수 있지만, 경보만으로 새 모델을 검증 없이 운영 환경에 배포해서는 안 된다.

출처: AIF 영역 1 출처, ML 수명 주기, Model Registry, Glue Data Quality, Step Functions 오류 처리.

F 모델 점수와 운영 결정을 분리하기

혼동 행렬(confusion matrix)은 자료마다 행과 열의 배치가 다르므로 제목을 먼저 읽는다. 거짓양성률(false positive rate, FPR)=FP/(FP+TN), 참음성률(true negative rate, TNR)=TN/(FP+TN)이다. FP는 거짓양성(false positive), TN은 참음성(true negative)이며 두 지표는 실제 음성을 같은 분모로 사용하므로 합이 1이다. 재현율(Recall)=TP/(TP+FN)은 실제 양성 중 찾아낸 비율이다. TP는 참양성(true positive), FN은 거짓음성(false negative)을 뜻한다. 정밀도(Precision)=TP/(TP+FP)는 모델이 양성으로 예측한 사례를 분모로 쓴다. AIF-C01 영역 1 — 개념·서비스 선택·모델 평가 심화의 자체 계산 예제로 함께 확인한다.

임계값(threshold)을 바꾸면 정밀도(Precision)와 재현율(Recall) 사이에 절충이 생길 수 있지만, 더 나은 특징·모델로 둘 다 개선하는 것이 원리적으로 불가능하다는 뜻은 아니다. ROC-AUC는 임계값 전반의 순위 구분을 평가하는 지표이지 특정 임계값에서의 정확도나 실제 이익과 동일하지 않다. 불균형 업무에서는 소수 양성 검출, 정밀도·재현율 및 실제 검토 부담도 함께 본다.

평균 제곱 오차(mean squared error, MSE)=오차 제곱의 평균으로 0 이상이다. 완벽한 예측이면 0이므로 항상 양수라고 암기하지 않는다. 평균 제곱근 오차(root mean squared error, RMSE)는 제곱근을 취해 목표와 같은 단위가 되고, 평균 절대 오차(mean absolute error, MAE)는 절대오차 평균이다. 자체 오차 예시가 1,1,4 라면 MAE=2, MSE=6, RMSE≈2.45 다. 큰 오차에 더 민감하다는 것은 비용 함수가 실제 업무와 맞는지 검토할 이유이지 언제나 우월하다는 뜻이 아니다.

자체 운영 사례: 경보 처리 비용이 건당 2, 놓친 사기 평균 손실이 100이라고 가정하면 FP20/FN1의 단순 오류비용은 140이다. FP5/FN2 라면 210이므로 오탐이 적은 두 번째 모델이 반드시 낫지는 않다. 이 숫자는 설명용 가정이며 실제 사업은 적발 효과·고객 피해·검토 용량과 확률까지 더한다.

투자 수익률(return on investment, ROI)에는 API/컴퓨팅뿐 아니라 데이터 준비·레이블·인간 검토·재훈련·저장·운영 비용을 포함한다. 비용 할당 태그와 Cost Explorer는 AWS 비용의 귀속을 돕지만 외부 인건비까지 자동 집계하거나 사업 이익을 증명하지 않는다. 비용 태그 사용에는 실제 활성화·집계 조건도 별도로 확인해야 한다.

출처: AIF 영역 1 출처, 혼동 행렬과 임계값, 평가 지표와 교차 검증.

가이드와 제품 지원 범위의 차이

Quick/Kiro/에이전트 등 가이드의 예시를 모든 복습 강좌에 등장한 내용으로 간주하지 않습니다. 현행 가격·할당량·지역·언어별 매트릭스·신규 고객 이용 가능성은 개념 이해와 별도로 확인해야 합니다.

상황형 자기점검

다음 문항은 이 교재에서 직접 만든 학습 문제다. AWS 공식 문제·실제 기출·시험 복원 문제가 아니며 합격을 보장하지 않는다. 각 문항은 제시된 조건에서 가장 적절한 답 하나를 고른다. 정답을 보기 전에 다른 선택지가 요구 조건을 충족하지 못하는 이유도 설명해 보자.

1. 정답이 없는 고객 집단

쇼핑몰이 구매 기록을 비슷한 행동의 고객군으로 나누려 한다. 미리 정의한 고객 유형이나 정답 레이블은 없다. 첫 접근으로 가장 알맞은 학습 방식은?

• A. 비지도 학습의 군집화
• B. 지도 학습의 분류
• C. 강화 학습
• D. 지도 회귀로 고객별 다음 구매 금액을 예측하기

2. 읽는 기술과 결정하는 규칙

보험사가 스캔 청구서의 표와 금액을 추출하고, 정해진 약관 산식으로 지급 가능 금액을 계산하려 한다. 생성 모델에 최종 지급 결정을 맡기지 않는 설계는?

• A. 군집화로 지급 금액의 법적 정답을 정한다
• B. Textract로 추출한 뒤 검증하고 결정적 계산 코드로 산식을 적용한다
• C. Polly로 스캔 문서의 표 구조를 추출한다
• D. 대규모 언어 모델의 가장 자신 있는 금액을 그대로 지급한다

3. 시간 순서를 지키는 평가

배송 지연 모델을 만들면서 배송 완료 뒤에만 생기는 실제 소요 시간을 입력 특징으로 사용했다. 검증 점수는 매우 높다. 출시 전에 우선 고칠 것은?

• A. 미래 특징을 유지한 채 더 큰 모델을 쓴다
• B. 테스트 자료까지 훈련에 넣어 점수를 안정화한다
• C. 예측 시점에 알 수 있는 특징만 쓰고 시간 순서를 고려해 다시 분할·평가한다
• D. 높은 검증 점수를 근거로 즉시 배포한다

전체 학습 목표와 영역별 자기점검

에이전트형 AI와 생성형 AI의 관계는 에이전트·문맥·워크플로에서, Quick·Kiro·Strands를 포함한 도구의 역할은 서비스 계층 비교에서 이어서 읽는다.