오늘은 본문 학습을 멈추고, 실제 시험처럼 5개 도메인을 뒤섞은 종합 문제 를 푼다. 진짜 AIF-C01 시험은 한 도메인씩 순서대로 묻지 않는다. 기초 개념 문제 다음에 갑자기 보안 문제가 나오고, 그다음 서비스 매핑이 나온다. 이 "도메인 점프"에 익숙해지는 것이 오늘의 목표다.
문제를 풀 때는 두 가지를 의식한다.
첫째, 문제 속 핵심 동사·키워드 를 먼저 잡는다("추출", "추천", "감정", "직접 학습").
둘째, 시간 페이스다. 실제 시험은 65문항 90분, 즉 한 문제당 약 1분 20초다. 8문제를 11분 안에 푼다는 느낌으로 가볍게 달린다. 해설은 풀고 난 뒤에 확인한다.
풀기 직전에 아래 네 가지를 스스로 묻는다.
동사를 잡았는가? (추출/분석/생성/추천/예측)
"직접 만든다 vs 빌려 쓴다"를 구분했는가? (SageMaker vs AI 서비스/Bedrock)
보안 문제면 "고객 책임 vs AWS 책임"을 떠올렸는가?
가치 판단 문제면 어떤 책임 있는 AI 원칙인가?
항목 값 페이스에 주는 의미 전체 문항 65문항(채점 50 + 비채점 15) 어느 것이 비채점인지 표시되지 않는다. 모두 똑같이 푼다 시간 90분 문항당 평균 약 83초 합격선 100~1,000 척도에서 700점 만점이 아니라 "충분히 안다"의 선이다 무응답 오답으로 채점 빈 답을 남기지 않는다 추측 틀려도 감점 없음 모르면 소거한 뒤 고른다
도메인 비중을 채점 문항 50개에 곱하면 대략의 문항 수가 나온다. 오늘의 8문제도 다섯 도메인에서 고루 나온다.
도메인 비중 채점 50문항 기준 문제의 전형 1. AI/ML 기초 20% 약 10문항 용어 구분, 학습 방식, 분류·회귀 2. 생성형 AI 기초 24% 약 12문항 토큰, 임베딩, 환각, 추론 파라미터 3. 파운데이션 모델 응용 28% 약 14문항 RAG·파인튜닝 선택, 프롬프트 기법, 평가 지표 4. 책임 있는 AI 14% 약 7문항 어느 원칙인가, 어느 도구인가 5. 보안·규정 준수·거버넌스 14% 약 7문항 누구 책임인가, 어느 서비스인가
도메인 2·3 이 합쳐 절반을 넘는다. 시간이 부족하면 이 두 도메인의 오답부터 복습한다.
도메인 4·5 는 문항 수는 적지만 방향(권한은 좁게, 기록은 남긴다, 고위험에는 사람)만 잡으면 빠르게 풀려 시간을 벌어 주는 문제다.
구간 시간 하는 일 1차 통과 약 75분 모든 문항에 잠정 답을 고른다. 막히면 표시하고 넘어간다 2차 검토 약 10분 표시한 문항만 다시 푼다 최종 확인 약 5분 빈 답이 없는지, 복수 응답에서 요구한 개수를 골랐는지 확인한다
중간 점검 기준을 미리 정해 둔다. 25분에 22번, 50분에 43번 근처에 있으면 75분 안에 1차 통과를 마치는 페이스다. 이보다 다섯 문항 이상 뒤처졌다면 다음 문항들은 질문 문장부터 읽고 90초에서 끊는다.
한 문항에 2분이 지나면 지금 가장 그럴듯한 보기를 고르고 표시한 뒤 넘어간다. 표시는 잠정 답을 고른 뒤에 붙인다. 답 없이 표시만 해 두면 시간이 모자랄 때 그 문항이 그대로 무응답이 된다.
짧은 매핑 문제("음성을 텍스트로 바꾸는 서비스는")는 30초 안에 끝내 긴 시나리오 문제에 쓸 시간을 모아 둔다.
문제를 읽자마자 "이 문제는 무엇을 묻는 종류인가"를 먼저 정한다. 종류가 정해지면 떠올릴 판별 기준도 정해진다.
지문의 신호 문제의 종류 바로 떠올릴 기준 "어떤 학습 방식", "어떤 유형의 작업" 개념 구분(도메인 1) 레이블이 있나, 출력이 범주인가 숫자인가 "토큰", "temperature", "매번 다른 답" 생성형 AI 동작(도메인 2) 확률적 생성, 파라미터의 방향 "가장 적합한 AWS 서비스는" 서비스 매핑(도메인 1·3) 동사 → 서비스, 세 층 중 어디인가 "최신 사내 문서로 답하게", "말투를 익히게" 커스터마이즈 선택(도메인 3) 지식이면 RAG, 행동·문체면 파인튜닝 "특정 집단에 불리", "왜 그런 결정인지" 책임 있는 AI(도메인 4) 어느 원칙이 깨졌나 → 어느 도구인가 "누구의 책임인가", "접근을 제한", "감사" 보안·거버넌스(도메인 5) 책임 공유 모델, 최소 권한, 기록
같은 서비스가 다른 도메인의 옷을 입고 나온다. Comprehend 는 "감정 분석"(서비스 매핑)으로도, "PII 마스킹"(보안)으로도 나온다. 서비스 이름이 아니라 질문이 요구하는 일 로 판단한다.
시험 가이드는 네 가지 유형이 나올 수 있다고 밝힌다. 이 글의 연습 문제는 모두 첫 번째 유형이지만, 나머지 세 유형의 규칙도 알고 들어가야 한다.
유형 형태 점수 규칙 푸는 법 객관식(multiple choice) 정답 1개, 오답 3개 하나를 맞히면 득점 명백한 오답 둘을 먼저 지운다 복수 응답(multiple response) 보기 5개 이상 중 정답 2개 이상 정답을 모두 골라야 득점 보기마다 따로 참·거짓을 판정한 뒤 요구한 개수만큼 고른다 순서 배열(ordering) 3~5개 항목을 올바른 순서로 놓기 항목과 순서가 모두 맞아야 득점 맨 처음과 맨 끝을 먼저 정하고 가운데를 채운다 짝짓기(matching) 3~7개 제시문에 응답을 연결 모든 짝이 맞아야 득점 확실한 짝부터 잇고 남은 것끼리 맞춘다
순서 배열은 ML 수명주기(데이터 수집 → 전처리 → 학습 → 평가 → 배포 → 모니터링)나 RAG 의 흐름(청킹 → 임베딩 → 저장 → 검색 → 생성)처럼 단계가 있는 주제 에서 나오기 쉽다. 복습할 때 단계의 순서를 소리 내어 말해 본다.
짝짓기는 "서비스 ↔ 용도", "원칙 ↔ 상황"처럼 이번 과정의 표가 그대로 문제가 되는 유형이다.
세 유형 모두 일부만 맞히면 점수가 없다. 그래서 더 꼼꼼히 풀어야 하지만, 그렇다고 한 문항에 5분을 쓰면 다른 세 문항을 잃는다. 시간 기준은 똑같이 적용한다.
연습 문제에 없는 상황으로 풀이 과정을 따라가 본다.
상황: 한 병원이 환자 안내 챗봇을 만든다. 챗봇은 병원이 매주 갱신하는
진료 안내 문서의 내용으로만 답해야 하고, 모델을 다시 학습시키는
부담은 피하고 싶다. 가장 적합한 접근은?
보기: ㉠ 모델을 처음부터 사전학습한다
㉡ 매주 파인튜닝한다
㉢ RAG 로 진료 안내 문서를 검색해 근거로 제공한다
㉣ temperature 를 높인다
1) 질문 문장: "가장 적합한 접근" + 조건 두 개(매주 갱신, 재학습 부담 회피)
2) 종류 판정: 커스터마이즈 선택 → "지식이면 RAG, 행동·문체면 파인튜닝"
3) 소거: ㉠ 가장 비싸다. 조건에 정면으로 어긋난다
㉣ 다양성을 올릴 뿐 지식을 주지 않는다
4) 남은 둘: ㉡ 매주 재학습 = "부담 회피" 조건 위반
㉢ 문서만 바꾸면 바로 반영 = 두 조건 모두 충족
5) 답: ㉢
2단계가 핵심이다. 종류를 정하면 3단계의 소거는 거의 기계적으로 끝난다.
4단계에서 남은 둘은 대개 "둘 다 가능은 하다". 정답은 조건을 더 많이 채우는 쪽 이다. "가능한가"가 아니라 "가장 적합한가"를 묻는다.
8문제를 풀고 해설을 확인한 뒤, 틀렸거나 찍어서 맞힌 문항을 아래 셋 중 하나로 분류한다. 분류에 따라 처방이 다르다.
오답 유형 판별 기준 처방 몰랐다 해설을 읽어도 처음 보는 내용이다 해당 주차의 글로 돌아가 그 절을 다시 읽는다 헷갈렸다 둘로 좁혔지만 가르는 기준이 흐렸다 두 개념의 차이를 한 문장으로 직접 써 본다(예: "Textract 는 꺼내고 Comprehend 는 분석한다") 잘못 읽었다 내용은 아는데 조건이나 부정어를 놓쳤다 질문 문장을 먼저 읽고 "아닌 것", "가장" 같은 한정어를 확인하는 습관을 든다
"옳지 않은 것은", "가장 적절하지 않은 조치는"처럼 부정형 질문 은 시간에 쫓길 때 가장 많이 틀린다. 부정형이면 보기마다 "이건 맞는 말"이라고 표시해 가며 맞는 말이 아닌 하나를 찾는다.
찍어서 맞힌 문항도 오답으로 센다. 시험장에서는 같은 운이 따르지 않는다.
도메인별 정답 수도 세어 본다. 아래 문제의 스템 머리에 도메인이 적혀 있다. 8문제 중 두 문제 이상 틀린 도메인이 있으면 내일 번역표를 보기 전에 그 도메인의 복습 글(Day 1~3)을 먼저 본다.
오늘의 결과 내일 할 일 8문제 모두 근거를 대며 맞혔고 11분 안에 끝냈다 Day 5 의 번역표와 함정 목록만 가볍게 본다 맞혔지만 11분을 넘겼다 매핑 문제를 30초 안에 푸는 연습을 한다. 번역표를 가리고 서비스 이름을 말해 본다 한 도메인에 오답이 몰렸다 그 도메인의 복습 글(Day 1~3)을 다시 읽는다 오답이 여러 도메인에 흩어졌고 대부분 "잘못 읽었다"이다 지식보다 읽는 순서의 문제다. 질문 문장부터 읽는 연습을 한다
준비됐으면 시작한다. 내일은 마지막 날이다. 시험 구성과 키워드→서비스 번역표, 자주 틀리는 함정을 한 장으로 정리한다.
도메인 점프 : 연속한 문항이 서로 다른 출제 영역에서 나오는 것. 실제 시험은 영역별로 묶여 나오지 않는다.
비채점 문항 : 점수에 반영되지 않는 통계 수집용 문항. 수험자는 어느 문항인지 알 수 없다.
척도 점수(scaled score) : 시험 폼마다 다른 난이도를 보정해 같은 기준으로 환산한 점수.
복수 응답 : 보기 다섯 개 이상에서 정답을 둘 이상 고르는 문항 유형.
순서 배열 / 짝짓기 : 항목을 올바른 순서로 놓는 유형 / 제시문과 응답을 서로 연결하는 유형.
소거법 : 명백히 틀린 보기부터 지워 남은 보기 중에서 고르는 풀이 방법.
검토 표시(flag) : 나중에 다시 보려고 문항에 붙이는 표시.
📝 연습 문제 선택지를 클릭하면 정답·해설이 펼쳐집니다.
(도메인: AI/ML 기초) 정답 레이블이 전혀 없는 고객 거래 데이터에서 자연스러운 그룹(세그먼트)을 찾아내려고 한다. 어떤 학습 방식인가?
A 지도학습 — 분류 B 지도학습 — 회귀 C 비지도학습 — 군집화 D 강화학습 (도메인: 생성형 AI 기초) 같은 프롬프트를 여러 번 보냈는데 매번 약간씩 다른 답이 나온다. 출력을 더 일관되고 결정적으로 만들려면 어떤 추론 파라미터를 어떻게 조정해야 하는가?
A temperature를 높인다 B temperature를 낮춘다(0에 가깝게) C max tokens를 늘린다 D Top-k를 무한대로 늘린다 (도메인: FM 응용) 콜센터의 통화 녹음 파일을 텍스트로 변환한 뒤, 그 텍스트에서 고객 감정을 분석하려고 한다. 각각에 적합한 서비스 조합은?
A Polly → Translate B Transcribe → Comprehend C Textract → Rekognition D Lex → Personalize (도메인: 책임 있는 AI) 생성형 AI 챗봇이 사실이 아닌 정보를 그럴듯하게 지어내 답하는 환각(hallucination)을 줄이려고 한다. 가장 효과적인 접근은?
A temperature를 최대로 높인다 B 신뢰할 수 있는 근거 문서를 검색해 답의 근거로 제공하는 RAG를 적용한다 C 프롬프트를 최대한 길게 작성한다 D max tokens를 0으로 설정한다 (도메인: 보안·거버넌스) AWS 책임 공유 모델에서 S3에 저장한 데이터의 암호화 활성화와 접근 권한 설정 책임은 누구에게 있는가?
A AWS B 고객 C 리전(Region) 운영자 D 오픈소스 커뮤니티 (도메인: FM 응용) 데이터 과학팀이 자사 의료 영상 데이터로 진단 보조 모델을 처음부터 직접 학습·튜닝·배포하고, 배포 후 데이터 드리프트까지 모니터링하려고 한다. 가장 적합한 서비스는?
A Amazon Rekognition B Amazon Q Developer C Amazon SageMaker D Amazon Translate (도메인: 생성형 AI 기초) 프롬프트 안에 정답 예시를 2~5개 보여준 뒤 진짜 질문을 던져 모델이 그 패턴을 따르게 했다. 모델 가중치는 전혀 바뀌지 않았다. 이 기법은?
A 파인튜닝(Fine-tuning) B Few-shot 프롬프팅 C 사전학습(Pre-training) D RAG (도메인: 책임 있는 AI / 거버넌스) AWS 관리형 AI 서비스의 의도된 용도, 한계, 공정성 관련 고려 사항을 정리해 투명성을 높이기 위해 AWS가 제공하는 문서는?
A AWS AI Service Cards B AWS Billing Report C IAM Policy Document D CloudFormation 템플릿