AIF-C01 — AI 기초부터 책임 있는 활용까지

• 대상: AWS Certified AI Practitioner, 시험 코드 AIF-C01.
• 확인일: 2026-09-20, Asia/Seoul.
• 기준: 공식 한국어 시험 가이드. 개정 페이지에 버전 1.0 → 1.1 비교가 표시됨. 발행일·시행일은 확인한 본문에 미표시. 확인일을 개정일로 취급하지 않음.

이 교재를 읽는 순서

기초 흐름을 먼저 익힌 뒤 영역 1 심화에서 서비스 선택과 평가 수식을 연습한다. 이어 영역 2~5 심화에서 검색·튜닝·캐시, 에이전트와 보안을 연결한다. 독립적으로 읽는 장마다 핵심 용어를 한영으로 병기하며, 구현 전 확인할 제품별 조건은 해당 장과 학습 범위에 안내한다.

시험 이해와 학습 깊이

공식 인증 페이지는 90분·65 문항·100 USD·한국어 제공을 표시한다. 가이드는 채점 50 문항과 비채점 15 문항, 변환 점수 700점을 합격 기준으로 설명한다. 700점을 ‘정답률 70%‘라고 바꾸면 안 된다. 이 정보는 확인일 기준이며 예약 전 재확인이 필요하다. 가이드에는 선다형·복수 응답·순서 배열·매칭형이 명시되어 있다.

가이드의 대상은 AWS AI/ML 기술을 접한 경험이 최대 6개월인 응시자이며, 사용 능력을 검증하되 반드시 모델을 직접 구축하는 역할은 아니다. 모델 알고리즘 코딩·하이퍼파라미터(hyperparameter) 최적화 실행·인프라 파이프라인 구축을 AIF의 필수 구현 과제로 확대하지 않는다. 대신 문제 → 적합한 기법·서비스 → 제약과 위험 → 평가 방법을 설명할 수 있어야 한다.

영역 1 — AI 및 ML의 기초

1.1 개념과 포함 관계

인공 지능(artificial intelligence, AI)은 인식·예측·언어 처리·의사결정 같은 지적 과업을 기계로 수행하려는 넓은 분야다.

기계 학습(machine learning, ML)은 데이터에서 패턴을 학습하는 접근이다.

딥 러닝(deep learning)은 여러 층의 신경망을 사용하는 ML 접근이며, 신경망은 입력을 여러 계산 층을 통해 출력으로 변환한다.

생성형 AI(generative AI, GenAI)는 텍스트·이미지 등 새로운 콘텐츠를 생성하는 목적·능력으로 구분한다. 모든 AI가 생성형은 아니고 모든 ML이 대규모 언어 모델(large language model, LLM)은 아니다.

알고리즘(algorithm)은 데이터를 학습하거나 처리하는 방법이다. 모델(model)은 데이터와 학습 과정을 거쳐 얻은 결과물로, 새로운 입력에 대한 예측이나 출력을 만든다.

훈련(training)은 모델을 형성·조정하는 과정이며추론(inference)은 모델로 새 입력의 결과를 얻는 과정이다. 모델을 API로 호출하는 행위가 곧 모델을 재훈련하는 것은 아니다. 컴퓨터 비전은 이미지·영상, 자연어 처리(natural language processing, NLP)는 언어의 이해·처리와 관련된 과업 범주다. LLM은 언어를 중심으로 학습한 대규모 모델이며 파운데이션 모델(foundation model, FM)은 여러 과업에 활용·조정할 수 있는 사전 학습 모델이라는 더 넓은 관점이다.

에이전트형 AI(agentic AI)는 목표를 달성하기 위해 여러 단계를 수행하고, 필요한 도구와 데이터를 사용하며 업무 상태를 관리한다. 단순히 긴 답변을 만드는 모델을 뜻하지 않는다. 정보를 조회하는 행동과 결제·삭제처럼 외부 상태를 바꾸는 행동을 구분하고, 실행 권한·중지 조건·인간 검토(human review)를 정해야 한다. Amazon Bedrock Agents를 활용하는 예시는 에이전트와 도구에서 살펴볼 수 있다.

분류(classification)는 입력이 속할 범주를 예측하고, 회귀(regression)는 수치를 예측한다. 군집화(clustering)는 서로 비슷한 데이터를 묶는다. 정형 데이터(structured data)와 비정형 데이터(unstructured data)는 구조에 따른 구분이고, 레이블(label)의 유무는 정답이 부여되어 있는지에 따른 구분이다. 표·시계열·이미지·텍스트와 같은 자료 형식도 별도로 살펴봐야 한다. 표 형식이라는 이유만으로 지도 학습용 데이터라고 판단해서는 안 된다.

1.2 AI를 선택하지 않는 판단까지 포함하기

고정 규칙으로 반드시 같은 결과가 나와야 하는 단순 계산은 규칙 기반 프로그램이 더 명확할 수 있다. 데이터 부족, 품질 문제, 비용 대비 이익 부족, 설명 가능성(explainability) 요구, 잘못된 판단의 피해를 함께 비교해야 한다. ‘AI 사용’이 목표가 아니라 업무 개선이 목표다.

앞 표의 서비스는 공식 출처 안내에 명시된 항목의 개념적 구분이다. Transcribe/Polly/Translate/Comprehend/Lex의 개요 본문은 기존 Transcribe 입력·출력과 운영 방식 ·Translate의 역할 ·Comprehend 분석과 사용자 지정 ·Amazon Lex V2 대화와 업무 이행 ·Polly와 음성 합성에서 확인했다. 하위 언어·리전·실시간 제약의 전수 검증은 아니므로 상세 지원 범위를 보증하지 않는다.

자체 예시: 상담 통화를 전사할 때는 음성 인식, 결과에서 핵심 항목을 추출할 때는 언어 분석, 고객 답변 초안을 만들 때는 생성형 모델을 고려할 수 있다. 각 단계는 입출력·개인정보·평가 기준이 다르므로 서비스 하나가 전부 해결한다고 가정하지 않는다.

1.3 ML 수명 주기와 추론 선택

ML 수명 주기에 근거한 흐름은 업무·데이터 결정 → 수집·정리·변환 → 훈련 → 평가 → 배포 → 모니터링 → 재평가·재훈련이다. 같은 국가명이 여러 표현으로 섞인 데이터를 통일하는 것은 정리, 입력 속성을 새 표현으로 바꾸는 것은 변환이다. 평가를 통과한 모델을 애플리케이션과 분리해 서비스로 배포하면 모델과 업무 코드의 수명 주기를 따로 관리할 수 있다.

훈련 성능만 좋고 새로운 입력에서 나쁘면 과적합(overfitting)을 의심한다. 양쪽 모두 기대에 못 미치면 데이터·표현·모델이 문제를 충분히 설명하지 못하는 과소적합 가능성을 살핀다. 분포가 바뀌거나 운영 데이터 품질이 나빠지는 문제는 배포 후에도 나타나므로 기계 학습 운영(machine learning operations, MLOps)에는 반복 가능한 과정, 실험 기록, 모니터링, 재훈련, 기술 부채 관리가 포함된다. 이 정의는 가이드 목표를 설명한 것이며 구현 실습을 수행한 것은 아니다.

추론 방식 선택 ·배치 변환은 SageMaker 기준이다. 배치 데이터 분할과 인스턴스 수를 같이 설계해야 하며 파일 하나에 인스턴스만 늘려도 병렬 효율이 오르지 않을 수 있다. 비동기 문서의 최대 1GB·1시간은 특정 방식의 현재 제품 조건이지 모든 API 공통 제한이 아니다.

1.4 평가 지표와 비즈니스 지표

가이드가 명시하는 정확도·정밀도(Precision)·재현율(Recall)·F1 점수(F1 score)을 개념적으로 구별한다. 양성 예측을 기준으로 맞은 비율이 정밀도, 실제 양성을 기준으로 찾아낸 비율이 재현율이다. F1은 둘의 조화평균이며 하나가 낮으면 크게 제한된다. 정확도는 전체 중 맞은 비율이라 불균형 데이터에서 착시를 줄 수 있다.

자체 수치 예시: 1,000건 중 실제 이상 20건, 모델의 이상 판정 30건 중 15건이 맞았다면 참양성(true positive, TP)=15, 거짓양성(false positive, FP)=15, 거짓음성(false negative, FN)=5, 참음성(true negative, TN)=965이다. 정밀도 50%, 재현율 75%, F1 60%, 정확도 98%다. 98%만 보면 놓친 이상 5건과 잘못 울린 경보 15건의 비용을 보지 못한다. 이 숫자는 공식 한도나 기출이 아니다.

성과는 사용자당 비용·개발 비용·고객 피드백·투자 수익률을 함께 본다. 모델 지표 개선이 추가 비용이나 고객 피해를 정당화하는지 따져야 한다. 평가 지표와 교차 검증에서 공식 한영 정의와 정밀도·재현율의 수식을 확인할 수 있다.

영역 1 복습 체크리스트

• 분류·회귀·군집의 목표 출력과 레이블 필요성을 구별할 수 있는가?
• 학습·추론, 모델·알고리즘, FM·LLM·에이전트를 구분할 수 있는가?
• 서버리스·비동기·배치를 지연·유휴·작업 형태로 선택할 수 있는가?
• 높은 정확도가 사업적으로 실패할 수 있는 예를 설명할 수 있는가?

영역 2 — GenAI의 기초

근거: 공식 출처 안내 2.1~2.3. 보충: Bedrock 역할과 최신 기능 경계 ·RAG 내부 흐름 ·에이전트와 도구. 실제 강좌와 독립 설명 연결은 이 절의 근거 경로를 따른다.

2.1 토큰·청크·임베딩과 컨텍스트

토큰(token)은 모델이 텍스트를 처리하는 단위이며 단어나 한글 글자와 항상 일대일 대응하지 않는다. 청킹(chunking)은 문서를 검색·처리하기 좋은 덩어리로 나누는 것이다. 임베딩(embedding)은 내용을 숫자 벡터(vector)로 표현하여 의미 유사성을 비교하도록 한다. 생성 모델은 결과 콘텐츠를 만들고 임베딩 모델은 검색 등에 쓸 표현을 만든다는 차이가 핵심이다.

RAG 내부 흐름에서 설명하듯, 먼저 문서를 청크(chunk)로 나누고 임베딩(embedding)을 만든다. 검색 결과에서 원문을 찾을 수 있도록 대응 관계를 유지한 채 색인(index)에 저장한다. 질문이 들어오면 질문의 임베딩으로 관련 청크를 검색하고, 찾은 원문을 모델의 입력 컨텍스트(context)에 추가한다. 컨텍스트 엔지니어링(context engineering)은 지시문을 다듬는 것보다 넓은 작업이다. 필요한 근거, 대화 기록, 도구 결과를 언제 얼마나 제공할지 설계하는 일을 포함한다.

트랜스포머 기반 언어 모델, 멀티모달 모델, 확산 모델은 서로 다른 기준의 이름이다. 멀티모달은 입력·출력 자료형의 범위를, 확산은 생성 구조를 가리킨다. 생성형 AI의 원리에서 이 차이를 설명한다. 구조별 수학적 유도와 모든 구현 변형까지 다루지는 않는다.

에이전트의 도구 사용(tool use)은 외부 시스템의 기능을 호출하는 것이고, 메모리(memory)는 이후 판단에 필요한 정보를 보관하는 기능이다. 오케스트레이션(orchestration)은 여러 단계의 실행 순서와 분기·대기·실패 처리를 조정한다. 모델 컨텍스트 프로토콜(Model Context Protocol, MCP)은 도구 등의 외부 기능을 연결하기 위한 공통 규약이다. AgentCore 구성요소와 MCP 및 AgentCore Gateway에서 연결 방식과 인바운드·아웃바운드 인증을 더 살펴볼 수 있다. 다만 프레임워크별 MCP 서버 구현과 다중 에이전트의 통신 구현은 별도 학습 범위다.

2.2 기능·한계와 가치 측정

콘텐츠 초안·요약·번역·코드 보조·질의응답에 생성형 AI를 활용할 수 있다. 그러나 자연스러운 문장이 사실성을 보장하지 않는다. 할루시네이션(hallucination)은 근거 없거나 틀린 내용을 그럴듯하게 생성하는 문제이며, 비결정성은 같은 과업에서도 출력이 달라질 수 있다는 문제다. 해석 가능성·저작권·개인정보·운영 비용을 함께 평가한다.

자체 예시: 상품 설명 초안의 성공을 생성 속도로만 측정하지 말고 수정 시간, 잘못된 주장 발생률, 검토 비용, 전환율을 같이 비교한다. 비즈니스 지표에는 효율·전환·사용자당 수익·고객 생애 가치 등이 있으며, 무조건 하나의 지표를 올리는 문제가 아니다.

2.3 서비스·비용 선택

Bedrock은 관리형 FM 통합, SageMaker AI는 모델 수명 주기와 배포 제어의 관점에서 비교한다. JumpStart는 사전 훈련 모델·솔루션 접근을 간소화하는 경로다. 이 서비스들의 기능은 일부 겹치므로 ‘Bedrock은 추론만, SageMaker는 훈련만’이라는 이분법을 쓰지 않는다.

추론(inference) 비용은 입력·출력 토큰 수뿐 아니라 모델, 캐시, 호출 방식, 처리량(throughput), 리전과 관련된다. 더 긴 문맥은 근거를 늘릴 수 있지만 비용·지연·불필요한 정보 혼입을 늘릴 수 있다. 프로비저닝된 처리량(Provisioned Throughput)은 실제 수요와 사용률을 고려해야 하며 언제나 온디맨드보다 싸다고 보지 않는다. 서비스 이름이 가이드에 있다고 최신 모든 기능까지 시험 필수인 것은 아니다.

복습: 토큰·청크·벡터를 구별하고, 생성형 AI가 틀릴 때 업무 피해를 줄이는 검토 지점을 설명하라. 모델 구조와 에이전트 플랫폼의 기본 개념은 심화 장에서 이어진다. 변이형 오토인코더(variational autoencoder, VAE)의 상세 수학, Quick·Kiro·Strands 구현과 제품별 리전·비용은 추가 확인이 필요하다.

영역 3 — 파운데이션 모델의 적용

근거: 공식 출처 안내 3.1~3.4. 보충 Knowledge Bases 선택 ·RAG 내부 흐름 ·모델 평가와 RAG 평가 ·프롬프트 관리 ·에이전트와 도구 ·프롬프트 캐싱의 조건.

3.1 모델·RAG·사용자 지정의 선택

모델 선택은 모달리티·언어·입출력 길이·지연·비용·사용자 지정 가능성과 요구 품질을 동시에 비교한다. 큰 모델이 모든 업무에서 최적이라고 가정하지 않는다. 온도는 출력 선택의 변동성에 영향을 주는 설정이며 낮춘다고 사실성이 보증되지는 않는다. 값의 허용 범위와 의미는 모델마다 확인해야 한다.

표는 가이드의 선택 개념을 설명한 것이며 각 방식의 Bedrock 지원 모델·구현 절차는 아직 미확인이다. RAG는 모델 가중치를 매 요청 바꾸는 방식이 아니다. 벡터 저장소는 검색을 돕지만 그 자체가 생성 모델은 아니다. OpenSearch/Aurora/Neptune/RDS PostgreSQL은 가이드에 언급되며 저장소별 구현 조건을 동일하게 보지 않는다.

프롬프트 캐싱(prompt caching)은 반복되는 입력 접두사의 계산을 재사용한다. 완성 답변을 저장하는 응답 캐시와 다르다. 최소 토큰, 정적 접두사, 유효 기간(time to live, TTL), 모델/API 지원과 실제 적중률을 확인해야 한다. 프롬프트 캐싱의 조건은 일부 구간만 읽었으므로 모델별 수치를 전부 검증한 자료가 아니다.

3.2 프롬프트 설계와 버전 관리

좋은 프롬프트(prompt)는 해야 할 업무, 사용할 근거, 원하는 출력 형식과 제약을 분명히 알려 준다. 제로샷(zero-shot)은 예시 없이 지시하고, 원샷(one-shot, single-shot)은 예시 하나를, 퓨샷(few-shot)은 소수의 예시를 제공한다. 예시를 많이 넣기보다 실제 업무를 대표하는 예시인지 확인해야 한다. 단계별 문제 해결을 유도하더라도 모델이 긴 설명을 생성했다는 사실만으로 정답이라고 판단할 수는 없다.

프롬프트 관리의 프롬프트 관리는 모델·변수·추론 설정을 포함한 변형 비교와 버전 저장을 제공한다. 평가 입력을 고정하고 변형을 비교해야 무엇이 개선됐는지 알 수 있다. 외부 문서·사용자 입력에 들어 있는 명령을 신뢰된 지시와 혼동하는 프롬프트 인젝션, 프롬프트 노출, 탈옥 등의 위험도 함께 고려한다.

3.3 훈련 데이터와 거버넌스

미세 조정 데이터를 모을 때는 양뿐 아니라 대표성·레이블 품질·사용 권리·민감 정보·평가 데이터 분리를 확인한다. 편향된 피드백을 많이 모으면 문제를 강화할 수 있다. 학습을 했다는 사실보다 원하는 행동이 실제로 좋아졌는지, 비용과 안전은 악화되지 않았는지를 확인한다. RL 피드백·전이 학습·명령 튜닝의 상세 기법별 공식 한국어 보충은 남아 있다.

3.4 모델 평가와 애플리케이션 평가

모델 평가와 RAG 평가은 프로그램 평가·사람 평가·다른 LLM 평가·RAG 평가를 구분한다. 사람 평가는 도메인 적합성을 살피지만 기준을 일관되게 해야 한다. LLM 평가자(LLM-as-a-judge)는 빠르지만 그 자체가 무오류 기준은 아니다. 검색이 틀린 문제와 검색은 맞았는데 생성이 틀린 문제를 분리한다.

ROUGE/BLEU는 참조 텍스트와의 비교, BERTScore는 의미 표현을 사용하는 비교라는 개념을 구분하되, BERTScore는 후속 자동 평가 보고서 해석에서 원리와 보고서 계산 범위를 대조했다. ROUGE/BLEU의 세부 공식 한국어 대조는 여전히 남아 있다. 모든 과업을 같은 문자열 유사도 점수로 판단하면 업무적으로 중요한 사실 오류를 놓칠 수 있다. 최종 애플리케이션에서는 작업 완료율·사용자 만족·상호 작용당 비용도 중요하다.

자체 예시: 사내 규정 QA에서 문장이 매끄러워도 잘못된 규정 버전을 인용했다면 실패다. 답변 품질, 검색 문서 버전, 업무 완료 여부를 각각 측정한다.

복습: 최신 지식 보완과 행동 조정을 구분하고, 프롬프트/RAG/튜닝·증류의 변경 대상·비용·평가 차이를 설명하라.

영역 4 — 책임 있는 AI

근거: 공식 출처 안내 4.1~4.2. 보충 Guardrails의 역할과 경계 ·모델 카드와 설명 가능성 ·모델 평가와 RAG 평가.

4.1 공정성·안전·견고성을 따로 평가하기

공정성(fairness)은 집단에 따라 부당한 차이가 생기는지, 안전성(safety)은 사람이나 조직에 피해를 줄 위험이 있는지를 살피는 기준이다. 견고성(robustness)은 입력이 바뀌거나 예상 밖의 상황이 생겨도 필요한 동작을 유지하는지를 뜻한다. 사실적 정확성(factual accuracy)은 출력이 사실에 맞는지를 평가한다. 평균 성능이 좋아도 특정 하위 집단의 오류율은 높을 수 있으므로 집단별 결과와 레이블(label) 품질을 분석하고 사람이 검토해야 한다.

Guardrails는 유해 콘텐츠·거부 주제·단어·민감 정보·근거 이탈·논리 규칙 검사를 위한 보호 기능을 제공한다(Guardrails의 역할과 경계). 개인정보를 마스킹한다고 편향이 해결되거나, 콘텐츠 필터를 통과했다고 접근 권한이 생기지는 않는다. 데이터 다양성·대표성, 법적 권리, 최종 사용자 피해, 환경 비용도 선택 조건이다.

자체 예시: 채용 보조 시스템의 전체 정확도가 높더라도 특정 집단의 기회가 일관되게 줄면 별도 공정성 분석과 인간 검토가 필요하다. 하나의 지표나 도구만으로 책임 있는 활용을 보증하지 않는다.

4.2 투명성·설명 가능성·모델 카드

투명성(transparency)은 모델의 목적, 사용한 자료, 한계와 운영 방식을 알 수 있도록 하는 것이다. 설명 가능성(explainability)은 모델의 판단 이유를 이해할 수 있는지를 다룬다. 모델 카드(model card)는 용도, 권장하지 않는 사용, 위험, 훈련과 평가 결과를 기록하는 문서다. 카드를 작성한다고 모델 내부 동작을 자동으로 설명할 수 있게 되는 것은 아니다. 구체적인 차이는 모델 카드와 설명 가능성에서 살펴보자.

모델이 더 복잡해지면서 품질은 좋아져도 설명 부담이 커질 수 있다. 이해관계자의 요구에 맞는 설명, 사용자 피드백, 불확실성 표시, 인간 이의 제기 경로를 생각한다. 보안상 비공개 정보까지 노출하는 것이 투명성의 목표는 아니다.

복습: 모델 카드·평가·필터·인간 검토 각각 무엇을 해결하고 무엇을 해결하지 못하는지 말하라. 보강된 범위: 훈련 전·후 편향 비교와 섀플리 값 기반 특징 기여도(SHapley Additive exPlanations, SHAP)/부분 의존도 도표(partial dependence plot, PDP). 남은 공백: 개별 지표의 모든 산식과 법률 판단.

영역 5 — AI 솔루션의 보안·규정 준수·거버넌스

근거: 공식 출처 안내 5.1~5.2. 보충 Guardrails의 역할과 경계 ·Bedrock 데이터 보호 ·모델 카드와 설명 가능성 ·관찰성 — 지표·감사·호출 로그의 차이.

5.1 접근·암호화·근거·개인정보

공동 책임 모델에서 AWS가 인프라를 보호해도 고객의 데이터와 보안 설정 책임이 사라지지 않는다. 자격 증명 및 액세스 관리(AWS Identity and Access Management, IAM)은 누가 어떤 작업·자원에 접근하는지, 암호화는 저장·전송 과정 보호, PrivateLink는 네트워크 경로의 보호 관점이다. 어느 하나가 다른 통제를 대체하지 않는다. Amazon Macie는 S3 민감 정보 발견과 연결한다.

Bedrock 데이터 보호는 자유 형식 태그·이름에 민감 정보를 넣으면 청구·진단 로그로 이동할 수 있고, URL에 인증 정보를 넣지 말아야 한다고 설명한다. 프롬프트뿐 아니라 로그·메타데이터·검색 인덱스도 보호 대상이다. ‘모델 공급자는 배포 계정에 접근할 수 없다’는 설명을 ‘아무 데이터도 어디에도 저장되지 않는다’로 확대하지 않는다.

출처 인용은 독자가 근거를 확인하게 하고 데이터 계보는 자료가 어디에서 어떻게 변환됐는지 추적한다. 인용이 있다고 정답이 보장되지는 않으므로 RAG 근거 활용·출력 검증·불확실성 평가를 결합한다. Guardrails의 근거 검사와 IAM 인가는 서로 다른 문제다.

5.2 감사·거버넌스 역할 분리

마지막 네 서비스는 가이드 명시의 개념적 구분이며 개별 KO 사용자 가이드 심층 대조는 아직 남아 있다. CloudTrail과 전체 모델 프롬프트·응답 로깅을 동일하게 보지 않는다(관찰성 — 지표·감사·호출 로그의 차이).

거버넌스(governance)는 단순히 로그를 보관하는 일이 아니다. 데이터의 생성부터 삭제까지 수명 주기(lifecycle)를 관리하고, 보관 기간(retention period), 저장·처리 위치(data residency), 사용 정책을 정한다. 검토 주기와 승인 책임자, 필요한 교육, 삭제 절차도 포함한다. 기록을 많이 남길수록 무조건 안전해지는 것은 아니다. 감사에 필요한 정보를 확보하면서 개인정보는 필요한 만큼만 수집·보관하는 데이터 최소화(data minimization) 원칙을 함께 적용해야 한다.

자체 예시: 상담 요약의 감사 요구가 있어도 주민번호가 포함된 전체 원문을 무기한 모든 직원에게 공개해서는 안 된다. 필요한 증거·접근권한·보존 기간을 각각 정해야 한다.

복습: 인증(authentication)·인가·암호화·필터·감사·거버넌스를 구별하라. 보강된 범위: 기존 AgentCore 정책·IAM·Macie·Lake Formation 개요. 남은 공백: Identity 별 구현, Scoping Matrix의 법률·조직별 적용, 개별 보안 서비스의 전수 상세.

시험 전 핵심 비교

• 훈련(training) vs 추론(inference): 훈련은 모델을 학습·조정하는 과정이고, 추론은 학습한 모델로 새 입력의 결과를 얻는 과정이다.
• 토큰(token) vs 청크(chunk) vs 임베딩(embedding): 토큰은 모델의 처리 단위, 청크는 검색 등을 위해 나눈 문서 조각, 임베딩은 내용을 나타내는 수치 벡터다.
• RAG vs 미세 조정: 검색 문맥 보강 vs 학습된 동작 변경.
• 모델 카드 vs Guardrails: 문서화·감독 근거 vs 입력·출력 보호.
• 모델 품질 vs 업무 성과: 정답·안전·검색 품질 vs 시간·비용·사용자 가치.
• 최신 제품 문서 vs 시험 가이드: 기능 존재 근거 vs 시험 범위 근거. 둘을 혼합하지 않는다.

AIP D2 와의 교차 학습 — AIF 필수범위 확장 아님

AIP의 구현·통합에서는 API 상태, 접근성, 고객 관계 관리(customer relationship management, CRM), 문서 자동화, Q Business와 Q Developer, 에이전트와 로그를 심화 학습할 수 있다. 이를 AIF의 필수 구현 목표로 확대하지 않는다. 시험별 범위는 공식 시험 가이드를 기준으로 확인한다.