공식 시험 가이드와 AWS 서비스 문서의 영어 개념,한국어 표기,이해를 돕는 설명을 구분했다. 번역이 다른 곳은 아래에 차이를 적었다. 영문 API 식별자는 번역하지 않으며, 시험 코드 AIF-C01·AIP-C01과 공식 작업·기술 번호도 유지한다. 이는 공개 자료에 따른 학습용 정리이지 비공개 실제 시험 문항의 표현을 보장하는 자료가 아니다.
용어 대조일은 2026년 9월 25일이다. 기존 제품 설명의 기준일과 구별하며, 이 날짜가 모든 제품 사양·요금·가용성을 재검증했다는 뜻은 아니다. 핵심 용어는 독립적으로 읽는 절·비교표·문제 해설에서도 한국어와 영어·약어를 함께 제시한다. 같은 문단에서 바로 반복할 때는 짧은 표현을 쓴다. 검색은 정식 표기와 흔한 번역 별칭을 함께 찾는다.
정의보다 먼저 구분할 세 가지
- 정밀도와 재현율: 예측 양성이 분모인지, 실제 양성이 분모인지 확인한다.
- 근거 연결·충실도·사실적 정확성: 근거에 연결했는지, 그 근거를 벗어나지 않았는지, 근거와 답이 실제로 맞는지는 서로 다른 질문이다.
- 추론·논리적 추론·훈련: 모델을 실행하는 inference, 논리를 전개하는 reasoning, 파라미터를 조정하는 training을 구분한다.
인공 지능 (artificial intelligence, AI)
인식·예측·언어 처리·계획 같은 지능적 과업을 수행하는 넓은 분야다. 모든 AI가 생성형 AI인 것은 아니다.
기계 학습 (machine learning, ML)
데이터에서 패턴과 관계를 학습하는 접근이다. 규칙을 직접 작성하는 방식과 구분한다.
표기 주의: AWS 문서에는 기계 학습과 머신 러닝이 함께 쓰인다. 이 교재는 기계 학습으로 통일한다.
딥 러닝 (deep learning)
여러 층의 신경망(neural network)으로 데이터의 표현을 학습하는 기계 학습(machine learning, ML)의 하위 범주다. 딥 러닝은 어떤 모델 구조를 사용하는지에 관한 구분이다. 지도 학습(supervised learning)·비지도 학습(unsupervised learning)은 어떤 학습 신호를 사용하는지에 관한 구분이므로 서로 같은 기준으로 나누는 개념이 아니다.
생성형 AI (generative AI, GenAI)
텍스트·이미지 등 새로운 콘텐츠를 생성하는 능력 또는 활용 범주다.
훈련 (training)
데이터와 학습 목표를 바탕으로 모델 파라미터를 조정하는 과정이다. 문서에서 학습이라고도 부르지만 추론 입력을 주는 일과 구별한다.
추론 (inference)
모델에 입력을 주어 예측·생성 결과를 얻는 계산이다. 여기서 추론은 논리적 사고(reasoning)만을 뜻하지 않는다.
표기 주의: 영어 가이드에는 inferencing, 서비스 문서에는 inference가 쓰인다.
파운데이션 모델 (foundation model, FM)
광범위한 데이터로 사전 훈련되어 여러 과업에 활용·적응할 수 있는 모델이다. 모든 FM이 대화형 언어 모델은 아니다.
대규모 언어 모델 (large language model, LLM)
언어 이해·생성 등에 쓰는 대규모 모델이다. 에이전트는 이 모델과 도구·상태·제어를 조합한 시스템일 수 있다.
자연어 처리 (natural language processing, NLP)
사람의 언어를 분석하고 처리하는 과업 범주다. 감정 분석, 개체 인식, 번역은 서로 다른 과업이다.
정확도 (Accuracy)
분류에서 전체 예측 중 맞은 비율이다. (TP+TN)/(TP+TN+FP+FN)이며 희귀 양성 탐지에서는 이 값만으로 성능을 평가하지 않는다.
표기 주의: 모델 평가 화면의 상위 범주 Accuracy가 항상 분류 정확도 공식을 뜻하지는 않는다. 요약 과업에서는 BERTScore가 사용될 수 있다.
정밀도 (Precision)
양성으로 예측한 대상 중 실제 양성의 비율인 TP/(TP+FP)다. “경보 중 진짜가 얼마나 되는가”는 이해를 돕는 설명이지 공식 지표명이 아니다.
표기 주의: 한국어 문서의 Precision 절 일부 문장에 정확도라는 표현이 섞여 있다. 이 교재에서는 영어 이름과 수식을 기준으로 정밀도로 구분한다.
재현율 (Recall)
실제 양성 중 양성으로 찾아낸 비율인 TP/(TP+FN)다. 분류에서 민감도(sensitivity), 참양성률과 연결되며 검색의 Recall@k는 관련 자료 집합을 분모로 삼는다.
표기 주의: 한국어 본문의 거짓 음성 설명에 FP가 혼재하는 부분이 있다. 거짓음성은 FN이며 명시된 수식과 영어 정의를 대조한다.
F1 점수 (F1 score)
정밀도(Precision) P와 재현율(Recall) R의 조화 평균(harmonic mean)인 2PR/(P+R)다. 분모가 0일 때의 처리 규칙과 클래스별 평균 방식을 명시한다.
평균 절대 오차 (mean absolute error, MAE)
예측값과 실제 값의 차이의 절댓값을 평균한다. 목표값과 같은 단위로 해석한다.
평균 제곱 오차 (mean squared error, MSE)
예측 오차를 제곱한 값의 평균이며 0 이상이다. 완벽한 예측의 값은 0이다.
표기 주의: 문서의 “항상 양수”라는 단순화 대신 0인 경우를 포함해 설명한다.
평균 제곱근 오차 (root mean squared error, RMSE)
평균 제곱 오차에 제곱근을 취한 값이다. 큰 오차에 민감하며 목표와 같은 단위지만 서로 다른 규모의 데이터 점수를 무조건 비교할 수는 없다.
표기 주의: 국내 자료의 평균 제곱 오차의 제곱근, 제곱평균제곱근오차도 같은 수식인지 확인한다. 이 교재는 AWS 한국어 명칭을 사용한다.
교차 검증 (cross-validation)
데이터의 훈련·검증 역할을 바꾸어 여러 분할에서 평가한다. 고객 중복이나 시간 누수를 자동으로 없애지는 않는다.
과적합 (overfitting)
훈련 데이터에 지나치게 맞춰 새로운 데이터로 일반화하지 못하는 문제다. 분포 변화와 전처리 오류도 함께 조사한다.
표기 주의: 공식 시험 가이드의 과적합을 기본 표기로 쓴다. 과대적합·오버피팅은 검색 별칭이다.
검색 증강 생성 (Retrieval Augmented Generation, RAG)
요청 시 관련 자료를 검색해 생성 모델의 입력 근거로 제공하는 방식이다. 가중치 수정이나 정답 보장과 다르며 벡터 검색만으로 한정되지 않는다.
임베딩 (embedding)
입력의 특징을 수치 벡터로 나타내는 표현이다. 검색용 임베딩, 모델 내부 토큰 표현, 토큰 ID는 목적과 의미가 다르다.
벡터 (vector)
여러 수치로 구성된 표현이다. 차원·모델·거리 척도가 맞아야 비교할 수 있고 가까운 벡터가 사실의 참을 증명하지는 않는다.
청킹 (chunking)
문서를 검색·처리할 단위인 청크로 나누는 과정이다. 토큰화와 다르며 예외 조항과 원문 위치를 보존해야 한다.
미세 조정 (fine-tuning)
추가 데이터·목표에 맞게 모델의 학습된 파라미터를 조정하는 과정이다. 프롬프트 문구 수정이나 RAG와 다르다.
지도 미세 조정 (supervised fine-tuning, SFT)
레이블이 있는 입력·출력 예시를 사용해 특정 과업의 행동을 학습시킨다.
표기 주의: 같은 AWS 한국어 페이지에 “감독 미세 조정”과 “지도 미세 조정”이 함께 쓰인다. 교재에서는 지도 미세 조정으로 통일한다.
강화 미세 조정 (reinforcement fine-tuning, RFT)
응답을 평가하는 보상 함수의 피드백으로 모델을 조정한다. 보상 점수 상승과 실제 업무·안전 개선을 구분한다.
증류 (distillation)
교사 모델의 응답·지식을 학생 모델로 이전하는 접근이다. 비용·지연 이점과 교사의 오류 전달·능력 손실을 함께 평가한다.
표기 주의: 해당 한국어 개요의 제목에는 “추출”이 보이지만 영어는 Distillation이고 한국어 본문은 증류다. 데이터 추출(extraction)과 구분한다.
정확성 (Correctness)
프롬프트에 대한 응답이 올바른지를 평가한다. Bedrock의 지표 이름은 Builtin.Correctness이며 참조 응답을 제공하면 채점에 고려한다.
표기 주의: 정답성은 뜻을 설명하기 위한 별칭이다. 분류 정확도(Accuracy)의 고정 산식과 같다고 가정하지 않는다.
사실적 정확성 (factual accuracy)
응답의 주장이 기준 시점과 범위에서 사실에 맞는지를 묻는다. 오래된 자료에 충실한 답도 현재 사실에는 틀릴 수 있다.
충실도 (Faithfulness)
사용 가능한 컨텍스트가 응답을 뒷받침하는지를 평가한다. Bedrock의 Builtin.Faithfulness는 프롬프트에서 찾을 수 없는 정보가 응답에 들어갔는지를 살핀다.
표기 주의: 공식 한국어 지표명은 충실도다. 근거 충실도는 의미를 명확히 하는 설명 표현이며 사실적 정확성과 동의어가 아니다.
근거 연결 (grounding)
응답을 제공된 소스에 근거하게 하는 관계·처리다. 컨텍스트 근거 검사(Contextual grounding checks)는 소스 부합성과 질문 관련성을 살핀다.
표기 주의: “근거 연결”은 교재의 설명 표현이다. AWS 기능명은 “컨텍스트 근거 검사”를 따른다. 평가 지표 Faithfulness와 관련되지만 같은 API·같은 점수라고 보지 않는다.
완전성 (Completeness)
프롬프트의 모든 질문과 요구를 얼마나 충족했는지 평가한다. 질문 일부에 정확히 답했다고 완전한 답은 아니다.
관련성 (Relevance)
응답이 질문과 얼마나 관련되는지 평가한다. 관련 있는 응답도 틀리거나 위험할 수 있다.
논리적 일관성 (logical coherence)
응답 안의 논리적 공백·불일치·모순을 살핀다. 반복 요청에서 응답이 일정한지 보는 consistency와 평가 대상을 구별한다.
LLM 평가자 (LLM-as-a-judge)
다른 모델의 응답을 지표별 기준으로 채점하는 역할이다. 생성기와 구별하고 사람 표본과 비교해 오류·편향을 확인한다.
표기 주의: 한국어 가이드의 평가형 LLM, 사용자 가이드의 평가자 모델을 같은 역할의 표현으로 연결한다.
지연 시간 (latency)
요청이나 단계가 응답하기까지 걸리는 시간이다. 첫 토큰, 안전한 첫 공개, 전체 완료의 측정 시작·종료를 따로 정한다.
처리량 (throughput)
단위 시간에 처리하는 요청·입력·출력의 양이다. 요청 수와 토큰 수, 동시 작업 수는 다른 측정 단위다.
프로비저닝된 처리량 (Provisioned Throughput)
모델별로 확보하는 처리 용량이다. 모델 단위(MU), 약정, 지원 모델·리전과 비용 조건을 함께 확인하며 공통 GPU 개수로 해석하지 않는다.
프롬프트 캐싱 (prompt caching)
반복 입력 접두사(prefix)의 계산을 재사용하는 기능이다. 완성된 답변을 저장하는 응답 캐시(response cache)와 다르다.
책임 있는 AI (responsible AI)
공정성·안전성·견고성·투명성 등 서로 다른 위험과 사용자의 영향을 함께 다루는 관점이다. 필터나 지표 하나의 통과로 완료되지 않는다.
표기 주의: 공식 가이드 안에도 책임 있는 AI와 책임감 있는 AI가 함께 나타난다. 본문은 책임 있는 AI로 통일한다.
설명 가능성 (explainability)
특징과 예측의 관계 등 모델 동작을 이해하도록 분석·설명하는 능력이다. 모델 카드의 문서화나 그럴듯한 자연어 이유와 구별한다.
할루시네이션 (hallucination)
근거 없거나 사실과 다른 내용을 그럴듯하게 생성하는 문제다. 언어의 유창성과 사실 검증을 분리한다.
표기 주의: 공식 가이드의 할루시네이션을 기본으로 하며 환각은 검색 별칭으로 제공한다.
인증 (authentication)
요청 주체가 누구인지 확인하는 과정이다. 그 주체가 특정 작업을 해도 되는지 결정하는 인가(authorization)와 다르다.
인가 (authorization)
주체에게 어떤 대상·작업을 허용하는지 결정하는 과정이다. 평가 결과를 실행 경로에서 실제로 집행해야 한다.
표기 주의: AWS 한국어 문서의 권한 부여를 교재에서는 인가와 연결한다. 인증과 인가를 한 단계로 섞지 않는다.
개인 식별 정보 (personally identifiable information, PII)
개인을 식별할 수 있는 정보다. 탐지(detection), 마스킹(masking), 익명화(anonymization), 법적 준수(compliance)는 각각 다른 판단이다. 개인정보가 없다는 결론을 내리기 전에 탐지기의 언어별 지원도 확인한다.
학습 방법과 운영 상태를 이해하는 용어
관찰성(observability)
지표(metrics), 로그(logs), 트레이스(traces) 등 시스템이 내보내는 정보를 함께 사용해 내부 상태와 문제 원인을 파악할 수 있는 능력이다. 모니터링(monitoring)으로 상태를 살피는 데서 더 나아가 왜 그런 상태가 됐는지 조사할 수 있어야 한다. 예를 들어 한 요청의 검색 시간과 모델 호출, 도구 오류를 연결하면 어느 단계가 느려졌는지 찾는 데 도움이 된다.
데이터 계보(data lineage)
데이터가 어디에서 왔고 어떤 변환을 거쳐 현재 결과에 사용됐는지 연결해 추적하는 정보다. 출처 이름만 적는 것과 달리 원문, 처리 단계와 버전 사이의 관계를 남긴다. 모델의 계보(model lineage)는 훈련에 사용한 데이터와 모델 생성 과정을 함께 살피는 데 쓰인다.
지도 학습(supervised learning)
입력과 정답 레이블(label)을 함께 제공해 두 값의 관계를 학습하는 방법이다. 분류(classification)는 정해진 범주를, 회귀(regression)는 수치를 예측한다. 실제 예측 시점에는 알 수 없는 정답 정보를 입력에 포함하면 데이터 누수(data leakage)가 생길 수 있다.
비지도 학습(unsupervised learning)
정답 레이블(label) 없이 데이터의 구조나 유사성을 학습하는 방법이다. 군집화(clustering)는 비슷한 항목을 묶는 예다. 모델이 찾아낸 집단이 업무상 어떤 의미를 갖는지는 별도로 해석해야 하며, 군집 번호를 정답 레이블처럼 받아들이지 않는다.
강화 학습(reinforcement learning)
에이전트(agent)가 환경에서 행동(action)을 선택하고 보상(reward)을 이용해 누적 보상을 높이는 정책(policy)을 학습하는 방법이다. 현재 행동이 다음 상태와 이후 보상에 미치는 영향을 고려한다. 보상을 잘못 설계하면 점수는 높아도 업무 목표와 맞지 않는 행동을 학습할 수 있다.
약어와 제품 이름을 읽는 법
서비스와 모델은 다른 범주다.
Amazon Bedrock은 관리형 모델 활용 서비스이고,Amazon SageMaker AI는 모델 개발·훈련·호스팅을 다루는 서비스다.
Amazon Bedrock Knowledge Bases,Amazon Bedrock Guardrails,Amazon Bedrock Agents와Amazon Bedrock AgentCore는 서로 다른 기능·제품 이름이다. 특정 Claude·Amazon Nova·Amazon Titan 모델의 이름만으로 모든 버전의 모달리티·리전·한도를 추정하지 않는다.
다음은 약어를 읽기 위한 설명이며 각 제품의 전체 지원 범위를 뜻하지 않는다.
| 약어 | 풀어 쓴 이름 | 이 교재에서 구분할 뜻 |
|---|---|---|
| TP / TN | true positive / true negative | 참양성 / 참음성 |
| FP / FN | false positive / false negative | 거짓양성(오탐) / 거짓음성(미탐) |
| ROC-AUC | area under the receiver operating characteristic curve | 여러 임계값에서의 분류 구분력. 운영 임계값 하나의 비용과 다름 |
| TTFT | time to first token | 첫 모델 토큰까지 걸리는 시간이다. 안전 검사를 마친 내용을 사용자에게 처음 표시하는 시간과 구분한다. |
| RPS / QPS / TPS | requests / queries / tokens per second | 초당 요청 / 질의 / 토큰 수 |
| SLO | service level objective | 서비스 수준 목표 |
| TTL | time to live | 유효 기간. 저장소의 실제 물리 삭제 시점과 다를 수 있음 |
| PHI | protected health information | 보호 대상 건강 정보. PII와 법적·제품상 범위를 구별 |
| IAM | AWS Identity and Access Management | AWS 자격 증명 및 액세스 관리 |
| KMS | AWS Key Management Service | 암호화 키 관리 서비스 |
| VPC | Amazon Virtual Private Cloud | 논리적으로 격리된 가상 네트워크 |
| ACL | access control list | 접근 제어 목록 |
| SCP / RCP | service / resource control policy | 서비스 / 리소스 제어 정책. 자체 권한 부여 아님 |
| MCP | Model Context Protocol | 모델·도구 연결 규약. 실행 권한을 대신하지 않음 |
| SFT / RFT / RLHF | supervised fine-tuning / reinforcement fine-tuning / reinforcement learning from human feedback | 지도 미세 조정 / 강화 미세 조정 / 인간 피드백 기반 강화 학습 |
| PEFT / LoRA | parameter-efficient fine-tuning / low-rank adaptation | 파라미터 효율적 미세 조정 / 저순위 적응 |
| ANN | approximate nearest neighbor | 근사 최근접 이웃 검색 |
| MRR / NDCG | mean reciprocal rank / normalized discounted cumulative gain | 평균 역순위 / 정규화 할인 누적 이득. 순위 평가 기준 |
| SSE | Server-Sent Events / server-side encryption | 문맥에 따라 서버 전송 이벤트 또는 서버 측 암호화. 동의어가 아님 |
영어 약어의 설명용 한국어 표현은 공식 고유 명칭으로 단정하지 않는다. 세부 구현·약어 문맥은 서비스 비교와 공식 출처를 함께 확인한다.