이 길잡이는 공식 시험 가이드의 AIF-C01 14개 과업과 AIP-C01 20개 과업을 학습 목표로 바꿔 연결한다. 과업마다 자체 작성 상황형 문제가 하나씩 있어 총 34문항이다. 문제는 AWS 공식 문항·기출·복원 문제가 아니며 시험의 출제 분포나 합격을 보장하지 않는다.
무엇을 설명했고 무엇을 더 확인해야 할까
각 과업에서는 용어의 뜻을 아는 데 그치지 않고, 어떤 조건에서 그 방법을 선택하고 무엇을 주의해야 하는지 설명할 수 있어야 한다. 아래 표의 학습 목표를 먼저 읽고 연결된 본문을 공부한 뒤, 상황형 문제에서 정답과 오답의 이유를 비교해 본다.
AIF-C01은 AI 개념과 AWS 서비스의 역할을 구분하는 데 초점을 둔다. 모델 API, 업무 도구와 개발 도구의 차이를 익히고, 에이전트(agent)가 문맥과 도구를 이용하는 방식, 모델 증류(model distillation), 생성형 AI를 도입할 때 달라지는 보안 책임도 함께 공부한다.
AIP-C01은 20개 과업과 98개 기술 항목을 바탕으로 실제 애플리케이션을 설계할 때의 선택 조건과 실패 원인을 다룬다. 예를 들어 요청을 재시도해도 같은 주문이 두 번 생성되지 않게 하는 방법, 검색 결과에 접근 권한을 적용하는 방법을 설명한다. 본문의 설계 설명은 모든 기술을 구현하거나 모든 제품 API를 시험했다는 뜻이 아니다. SDK 호출, 제품별 지원 조건과 부하 테스트(load testing)는 구현 환경에서 별도로 확인해야 한다.
정형 데이터(structured data)와 비정형 데이터(unstructured data)를 구별하고, 지도 학습(supervised learning)·비지도 학습(unsupervised learning)·강화 학습(reinforcement learning)이 무엇을 학습하는지 설명한다. 훈련(training), 추론(inference), 에이전트(agent)의 역할도 구분한다.
인증(authentication), 인가(authorization), 암호화(encryption), 사설 네트워크 경로, 콘텐츠 필터(content filter), 근거 확인(grounding)이 각각 무엇을 보호하는지 설명한다. 한 가지 통제로 나머지를 대신할 수 없는 이유도 이해한다.
청킹(chunking), 임베딩(embedding), 검색 엔진, 하이브리드 검색(hybrid search), 재순위화(reranking)와 질의 변환(query transformation)의 역할을 비교한다. 검색 API의 입력 형식과 반환값, 오류 처리 방식도 정한다.
모델 API를 호출하는 컴퓨팅과 모델 자체를 호스팅(hosting)하는 컴퓨팅을 구분한다. 가중치(weights), 키·값 캐시(key-value cache, KV cache), 모델 로딩과 토큰 부하를 고려하고 모델 캐스케이드(model cascade)의 비용도 비교한다.
레거시 시스템(legacy system)을 이벤트(event)로 연결할 때 호출자를 인증(authentication)하고 작업 권한을 확인한다. 같은 요청이 다시 와도 결과가 중복되지 않도록 멱등성(idempotency)을 적용하고, 실패 후 상태를 확인해 복구한다. 환경 간 네트워크 경로와 CI/CD에도 같은 권한·복구 원칙을 적용한다.
동기 호출(synchronous invocation), 비동기 호출(asynchronous invocation), 스트리밍(streaming)의 응답 방식을 구분한다. 재시도(retry)와 라우팅(routing)을 설계하고, 일부 응답을 받은 상태와 최종 업무가 완료된 상태를 구별한다.
콘텐츠 안전(content safety), 스키마 검증(schema validation), 근거 확인(grounding), 인가(authorization)를 각각 수행한다. 스트리밍(streaming) 응답을 보여 주거나 생성된 SQL을 실행하기 전에 필요한 검사를 마치며, 외부 문서의 악성 지시를 실행하지 않는다.
네트워크 격리(network isolation), 권한, 보존과 삭제를 설계한다. 데이터 마스킹(data masking), 가명화(pseudonymization), 익명화(anonymization)가 무엇을 바꾸는지와 재식별(re-identification) 위험을 비교한다.
첫 토큰까지의 시간(time to first token, TTFT), 안전 검사 후 사용자에게 처음 표시하기까지의 시간, 전체 완료 시간을 따로 측정한다. 같은 부하에서 검색, 동시성(concurrency), 모델 설정과 자동 확장(auto scaling)의 효과를 비교한다.