Day 5 - Week 4 종합: AWS AI/ML 서비스 전체 지도

큰 그림: 3개 계층으로 보기

Week 4 동안 AWS 의 AI/ML 서비스 전체를 훑었다. Bedrock 과 SageMaker 라는 두 축을 잡고, 그 아래 즉시 쓰는 관리형 AI 서비스들, 그리고 완성형 비서 Amazon Q 까지 봤다. 오늘은 이 모든 걸 한 장의 지도로 묶어, 시험장에서 "이 시나리오엔 무엇?"이라는 질문에 즉시 답할 수 있게 한다.

AWS AI/ML 서비스는 "추상화 수준"에 따라 3계층으로 나눠 보면 명확하다.

핵심 직관: 위로 갈수록 쉽고 통제는 적고, 아래로 갈수록 어렵고 통제는 크다. 시험은 "통제가 얼마나 필요한가 / 전문성이 얼마나 있는가 / 기존 모델로 충분한가"로 계층을 가른다.

💡 관련 이론: AWS 의 설계 철학은 "고객이 원하는 추상화 수준을 고른다"이다. 빠르게 기능만 붙이고 싶으면 완성형 AI 서비스, 생성형 앱을 조립하려면 Bedrock, 커스텀 모델을 통제하려면 SageMaker. 시험 문제의 단서(전문성, 통제, 인프라 관리 의향)가 어느 계층을 가리키는지 읽는 게 핵심이다.

핵심 용도 매핑표 (반드시 암기)

이 표 한 장이 Week 4 의 핵심 자산이다. 시험 직전 이것만 다시 봐도 큰 도움이 된다.

헷갈리기 쉬운 서비스 쌍 비교

시험은 비슷해 보이는 서비스 사이의 미세한 차이를 노린다.

🔍 더 깊이: 헷갈리기 쉬운 쌍이 Bedrock vs SageMaker, 그리고 Rekognition vs Textract 다. 전자는 "통제·전문성·인프라 관리 의향"으로, 후자는 "범용 이미지 분석이냐 / 구조화된 문서 추출이냐"로 가른다. 또 하나, RAG vs 파인튜닝: 자주 바뀌는 사실·최신 정보는 RAG, 말투나 특정 도메인 능력 자체를 바꾸려면 파인튜닝이다.

판별 순서: 네 번 물으면 하나가 남는다

매핑표를 통째로 외우는 대신, 질문 순서를 몸에 익히면 처음 보는 지문도 풀린다.

① 정해진 한 가지 작업인가? (감정 분류, 받아쓰기, 번역, 추천…)
   ├─ 예 ─► ② 입력이 무엇인가?
   │         ├─ 사진·영상 ───────────► Rekognition
   │         ├─ 서류(표·양식) ───────► Textract
   │         ├─ 글(분석) ───────────► Comprehend      글(번역) ─► Translate
   │         ├─ 소리 → 글 ──────────► Transcribe      글 → 소리 ─► Polly
   │         ├─ 절차가 정해진 대화 ──► Lex
   │         └─ 행동 기록·시계열 ────► Personalize(추천) / Forecast(수치 예측)
   └─ 아니오 ─► ③ 글·이미지를 새로 만들거나 열린 질문에 답해야 하나?
              ├─ 예 ─► ④ 직접 만들 것인가, 바로 쓸 것인가?
              │         ├─ 직접 조립 ─► Bedrock (+지식=Knowledge Bases, +행동=에이전트, +안전=Guardrails)
              │         └─ 바로 사용 ─► Amazon Q (업무=Q Business, 코딩=Q Developer)
              └─ 아니오(내 데이터로 나만의 예측 모델) ─► SageMaker (빠른 출발=JumpStart)

• ①을 건너뛰면 틀린다. "리뷰 감정 분류"를 보고 곧장 Bedrock 을 고르는 실수가 여기서 나온다. 정해진 작업에 완성형 서비스가 있으면 그것이 "가장 적은 노력"의 답이다.
• ③에서 "생성"의 신호는 요약, 초안 작성, 대화, 질의응답 같은 낱말이다. 분류·추출·탐지는 생성이 아니다.
• ④의 신호는 인력과 시간이다. "개발팀이 맞춤 앱을"이면 Bedrock, "개발 없이 직원들이 바로"면 Amazon Q 다.

새 관점 1: 누가 무엇을 떠맡는가

같은 서비스들을 "내가 책임지는 범위"로 다시 놓는다. 오른쪽으로 갈수록 내 일이 늘고, 그만큼 내 뜻대로 할 수 있다.

• 맨 아래 줄은 어느 계층에서도 내 몫이다. "관리형이니 보안도 AWS 가 한다"는 보기는 오답이다. 다음 주 책임 공유 모델로 이어지는 지점이다.
• 지문의 "ML 전문 인력이 없다"는 표의 왼쪽을, "세밀하게 통제"는 오른쪽을 가리킨다.

새 관점 2: 돈은 어디서 나가나

• 시험의 "비용 효율" 문제는 대개 트래픽 모양을 묻는다. 간헐적이면 쓴 만큼 내는 쪽, 꾸준하고 크면 미리 확보하는 쪽이다.
• 생성형 AI 의 비용 절감 단서: 프롬프트·응답 길이 줄이기, 작업에 맞는 작은 모델 고르기, 즉답이 필요 없으면 배치 추론, 반복되는 긴 앞부분은 프롬프트 캐싱.

새 관점 3: 바뀐 이름 지도

보기에 낯선 이름이 나와도 역할로 읽으면 같은 자리다.

• 최신 가이드의 범위 내 ML 서비스 목록은 Bedrock, Bedrock AgentCore, Comprehend, Lex, Nova, Personalize, Polly, Rekognition, SageMaker AI, SageMaker JumpStart, Textract, Transcribe, Translate, AWS Transform 이다. 목록은 예시이며 바뀔 수 있다고 가이드가 밝히고 있다.

서비스 결합(파이프라인) 패턴

실무와 시험 모두에서 서비스는 단독이 아니라 연결해 쓴다. 대표적인 패턴:

• 콜센터 분석: Transcribe(음성→텍스트) → Comprehend(감정·개체 분석).
• 간이 통역: Transcribe → Translate → Polly(텍스트로 변환 후 번역, 다시 음성).
• 생성형 Q&A: Kendra/Knowledge Bases(검색) → Bedrock(FM 이 답변 생성) = RAG.
• 이미지 검수: Rekognition(부적절 콘텐츠 탐지) → 사람 검토(애매한 경우만).
• 문서 자동화: Textract(추출) → Comprehend(개체·PII 분석) → 후속 처리.

파이프라인 문제는 앞 단계의 출력이 뒤 단계의 입력 형식과 맞는가만 보면 풀린다. Comprehend 는 글을 받으므로 앞에는 글을 내놓는 Transcribe 나 Textract 가 와야 한다. Polly 는 글을 받아 소리를 내므로 맨 끝에 온다.

가상의 사례로, 한 보험사는 청구서 처리에 Textract 로 양식을 추출하고, Comprehend 로 민감정보(PII)를 식별해 마스킹한 뒤, 자동 입력 시스템에 넘기는 파이프라인을 구축했다. 단일 서비스가 아니라 여러 AI 서비스를 레고처럼 조립한 것이 핵심이다. 시험에서 "여러 단계를 거치는 처리"가 나오면 이런 결합을 떠올리면 된다.

시나리오 연습: 단서에서 정답까지

연습 문제와 겹치지 않는 상황이다. 결정적 단서 열을 가리고 먼저 답해 본다.

자주 틀리는 생각 → 교정

시험 대비 마무리 체크

Week 4 를 마치며 스스로 점검할 질문들:

1. Bedrock 과 SageMaker 를 한 문장으로 구분할 수 있는가? (빌려 씀 vs 직접 만듦)
2. RAG, Guardrails, Agents 가 각각 무엇을 해결하는가?
3. 6개 AI 서비스(Rekognition/Textract/Comprehend/Transcribe/Polly/Translate)의 용도를 즉시 말할 수 있는가?
4. Lex/Kendra/Personalize/Forecast 의 용도는?
5. Amazon Q Business 와 Developer 의 차이는?
6. RAG 와 파인튜닝은 언제 각각 쓰는가?

이 6가지에 막힘없이 답할 수 있다면 Week 4 의 목표는 달성된 것이다.

다음 주부터는 책임 있는 AI, 보안·거버넌스, 그리고 비용·평가 같은 나머지 도메인을 다루며 합격에 필요한 그림을 완성해 나간다.

📖 용어

• 추상화 수준 : 서비스가 내부를 얼마나 감춰 주는가. 높을수록 쉽고, 낮을수록 통제할 수 있는 것이 많다.
• 완성형 AI 서비스 : 미리 학습된 모델을 감추고 기능만 API 로 내놓는 서비스. Rekognition, Comprehend 등.
• ML 플랫폼 : 모델을 직접 만들고 학습·배포하는 도구 모음. SageMaker 가 해당한다.
• 빌딩 블록 : 조립해서 제품을 만드는 부품형 서비스. Bedrock 이 대표적이다.
• 파이프라인 : 한 서비스의 출력을 다음 서비스의 입력으로 이어 붙인 처리 흐름.
• RAG : 관련 문서를 검색해 프롬프트에 붙여 답하게 하는 방식. 모델은 바꾸지 않는다.
• 파인튜닝 : 추가 학습으로 모델 자체를 바꾸는 방식. 말투나 전문 작업 성능을 내재화한다.
• 온디맨드 과금 : 미리 확보하지 않고 쓴 만큼만 내는 요금 방식.
• 책임 공유 모델 : 인프라 보안은 AWS 가, 접근 권한과 데이터는 고객이 책임진다는 원칙.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

AWS AI/ML 서비스를 추상화 수준으로 나눌 때, "모델을 신경 쓰지 않고 완성된 기능만 API로 호출"하는 계층에 속하지 않는 것은?

• AAmazon Rekognition
• BAmazon Comprehend
• CAmazon SageMaker
• DAmazon Translate

문제 2

자주 바뀌는 사내 최신 정보로 챗봇이 답하게 하려 한다. 모델 자체를 추가 학습시키기보다 적절한 접근은?

• A파인튜닝으로 매번 모델 재학습
• BRAG로 외부 지식을 검색해 프롬프트에 붙임
• CGuardrails 설정
• DPolly로 음성 출력

문제 3

다음 중 Rekognition과 Textract의 차이를 가장 정확히 설명한 것은?

• ARekognition은 음성을 처리하고 Textract는 번역한다
• BRekognition은 이미지/영상을 분석하고, Textract는 문서에서 구조화된 데이터를 추출한다
• C둘은 완전히 동일한 서비스다
• DTextract는 추천을, Rekognition은 예측을 한다

문제 4

콜센터 통화를 분석해 고객 감정을 파악하는 파이프라인으로 가장 적절한 순서는?

• APolly → Comprehend
• BTranscribe → Comprehend
• CRekognition → Polly
• DTranslate → Forecast

문제 5

한 팀이 데이터 과학 전문성을 갖추고, 자사 고유 데이터로 도메인 특화 예측 모델을 직접 학습·배포·모니터링하려 한다. 가장 적합한 계층/서비스는?

• A완성형 AI 서비스(예: Comprehend)
• BAmazon Q Business
• CAmazon SageMaker
• DAmazon Bedrock 단독