Day 5 - D-Day 마무리: 시험 구성, 키워드→서비스 번역표, 자주 틀리는 함정

시험 구성: 무엇을 마주하게 되나

6주의 여정이 끝났다. 마지막 글은 "더 배우는" 시간이 아니라 시험장에 들고 들어갈 한 장짜리 요약을 만드는 시간이다. 시험 전날에는 새 내용을 욱여넣기보다 지금까지 다진 개념의 경계선과 매핑을 다시 훑는 것이 점수에 유리하다.

AWS Certified AI Practitioner(AIF-C01)의 기본 형태는 다음과 같다.

핵심은 "채점용 50문항만 잘 맞히면 된다"는 점이다. 모르는 문제 한두 개에 시간을 다 쓰지 말고, 아는 문제부터 빠르게 확보하는 전략이 합격을 가른다.

65문항 중 15문항이 채점되지 않는 이유는, AWS 가 향후 시험에 쓸 새 문항을 미리 테스트하기 때문이다. 어떤 문항이 평가용인지는 표시되지 않으므로, 모든 문제를 똑같이 진지하게 풀되 한 문제에 과하게 매달리지 않는 것이 맞다. 90분/65문항이면 한 문항당 약 1분 20초이니, 막히면 표시해 두고 넘어간 뒤 마지막에 돌아오는 페이스 관리가 중요하다.

• 응시 가능 언어 목록은 바뀔 수 있다. 한국어 응시가 제공되며, 정확한 목록은 시험을 예약할 때 공식 페이지에서 확인한다.
• 시험 가이드가 그리는 응시 대상은 AWS 에서 AI/ML 기술을 최대 6개월 정도 접해 본 사람, 그리고 AI/ML 솔루션을 만들기보다 쓰는 사람이다. 모델 코딩, 하이퍼파라미터 튜닝, 파이프라인 구축, 수학적 분석은 범위 밖이라고 밝힌다. 계산이나 코드를 요구하는 것처럼 보이는 문제도 실제로는 개념 구분을 묻는다.

점수는 어떻게 매겨지나

• 성적표에는 도메인별 성취 수준이 표로 나올 수 있다. 도메인마다 문항 수가 달라 문항이 적은 도메인의 평가는 흔들리기 쉬우므로, 시험 가이드도 도메인별 피드백은 신중하게 해석하라고 적는다.

도메인별 출제 비중

시험은 5개 도메인으로 구성되며 비중이 다르다. 비중이 큰 곳에 복습 시간을 더 쓰는 것이 합리적이다.

생성형 AI 기초와 그 응용(도메인 2·3)이 합쳐서 52%, 책임 있는 AI 와 보안·거버넌스(도메인 4·5)가 합쳐서 28% 다. 이 글의 번역표와 함정 정리가 바로 그 핵심을 겨눈다.

"키워드 → 서비스" 번역표

시험 문제는 늘 "상황"을 묘사한다. 그 상황 속 키워드를 서비스로 번역하는 표를 머리에 새긴다. 이것이 가장 강력한 무기다.

💡 관련 이론: 같은 데이터 타입이라도 "동사"가 서비스를 가른다. 텍스트를 꺼내면 Textract, 분석하면 Comprehend, 생성하면 Bedrock/LLM 이다. 그래서 문제를 읽을 때 명사("문서", "음성")보다 동사("추출", "분석", "변환", "생성", "추천", "예측")에 먼저 밑줄을 긋는 습관이 정답률을 가장 크게 끌어올린다.

• 이름이 두 가지로 돌아다니는 것이 있다. Guardrails for Amazon Bedrock = Amazon Bedrock Guardrails, Amazon SageMaker = Amazon SageMaker AI 다. 어느 쪽으로 나와도 같은 것이다.

번역표의 나머지 절반은 생성형 AI 의 방법과 보안·거버넌스다.

표에 나오는 Kendra·Forecast·Q Business·Bedrock Agents는 현재 신규 고객에게 닫혀 있고, 최신 시험 가이드는 AgentCore·Amazon Quick·Kiro를 든다(Week 4 Day 4·5). 보기에는 옛 이름과 새 이름이 모두 나올 수 있다.

자주 틀리는 함정 정리

기초 수준에서 틀리기 쉬운 함정들을 모았다.

• Textract vs Comprehend: 글자를 "추출"하면 Textract, 글자의 "의미·감정 분석"이면 Comprehend. 헷갈리면 동사를 본다.
• SageMaker vs Bedrock: 모델을 "직접 만들면" SageMaker, FM 을 "빌려 쓰면" Bedrock. "커스텀 학습"이 보이면 SageMaker.
• Few-shot vs 파인튜닝: Few-shot 은 프롬프트 안 예시(가중치 변경 없음), 파인튜닝은 가중치 변경. "예시를 보여준다"면 Few-shot.
• temperature 방향: 낮을수록 일관·결정적, 높을수록 창의·다양. 정확성 필요 → 낮춤.
• 책임 공유 모델: 데이터·권한·암호화 설정은 거의 항상 "고객" 책임.
• 환각 완화: 더 큰 모델이 아니라 RAG(근거 제공)가 정석.
• RAG vs 파인튜닝: 모르는 "정보"가 필요하면 RAG, 깊은 "말투·도메인 행동" 내재화면 파인튜닝.
• Lex vs Polly vs Transcribe: 대화(챗봇)=Lex, 음성 만들기=Polly, 음성 받아쓰기=Transcribe.
• AI 서비스 vs SageMaker: "ML 전문가 없이 빠르게"면 관리형 AI 서비스, "직접 통제·커스텀"이면 SageMaker.

💡 관련 이론: 함정 문제는 대부분 "비슷하지만 다른 두 선택지"를 나란히 둔다. 출제자는 키워드 하나(예: "추출" vs "분석")로 정답을 가른다. 그래서 시험장에서 두 서비스가 다 그럴듯해 보이면, 문제 문장으로 돌아가 "정확히 어떤 작업을 요구하는가"의 동사를 다시 확인하는 것이 가장 안전한 검증법이다.

도메인 4·5 에서 추가로 자주 틀리는 것들이다.

• Clarify vs Model Monitor: 편향을 측정하고 예측을 설명하면 Clarify, 배포 후 변화를 계속 지켜보면 Model Monitor. Model Monitor 는 알릴 뿐 고치지 않는다.
• AI Service Cards vs Model Cards: AWS 가 자사 서비스에 대해 쓴 문서 / 우리가 우리 모델에 대해 쓴 문서.
• CloudTrail vs CloudWatch: 누가 무엇을 했나 / 시스템이 어떻게 동작하나.
• Macie vs Comprehend vs Guardrails(PII): S3 에 저장된 데이터 / 넘겨준 텍스트 / 생성형 AI 의 입력과 출력.
• 암호화 vs PrivateLink: 내용을 지킨다 / 경로를 지킨다. 서로 대신하지 못한다.
• 투명성 vs 설명가능성: 시스템이 무엇인지 공개 / 이 결정이 왜 나왔는지 설명.

한정어가 정답을 바꾼다

같은 상황이라도 질문 문장의 한정어에 따라 정답이 달라진다. 질문 문장을 먼저 읽어야 하는 이유다.

시험 가이드 1.1 판에서 달라진 것

시험 가이드의 변경 이력에는 1.1 판이 2026년 4월 30일에 게시됐다고 적혀 있다. 개정 내용은 게시 후 약 한 달 뒤부터 시험에 반영된다고 안내한다. 오래된 요약 자료만 본 수험생이 낯설게 느낄 항목이다.

• 새 목표는 대부분 "정의한다", "설명한다" 수준이다. 에이전트를 구현하는 법이 아니라 에이전트가 챗봇과 무엇이 다른지, MCP 가 무엇을 연결하는지를 한 문장으로 말할 수 있으면 된다(Day 1·2 의 표 참고).
• 범위 내 서비스 목록은 "전부가 아니며 바뀔 수 있다"고 적혀 있다. 목록에 없는 서비스 이름이 보기에 나와도 당황하지 말고, 아는 보기부터 판정한다.

도메인별 마지막 점검표

아래 문장을 소리 내어 완성할 수 있으면 그 줄은 통과다. 막히는 줄만 해당 복습 글로 되돌아간다.

[도메인 1 — AI/ML 기초]
□ AI·ML·딥러닝·생성형 AI 의 포함 관계는? (→ AI ⊃ ML ⊃ 딥러닝 ⊃ 생성형 AI)
□ 분류와 회귀를 가르는 것은? (→ 출력이 범주인가 연속 숫자인가)
□ 레이블 없는 데이터에서 그룹을 찾는 것은? (→ 비지도학습의 군집화)
□ ML 이 맞지 않는 상황은? (→ 규칙이 명확하다, 정해진 한 가지 결과가 필요하다)
 
[도메인 2 — 생성형 AI 기초]
□ 비용과 컨텍스트 한도의 단위는? (→ 토큰)
□ 환각의 근본 원인은? (→ 다음 토큰 확률 예측이지 사실 검증이 아니다)
□ 일관된 답이 필요하면 temperature 는? (→ 낮춘다)
□ 임베딩은 무엇에 쓰나? (→ 의미 검색, RAG)
 
[도메인 3 — 파운데이션 모델 응용]
□ 모델 동작을 바꾸는 시도 순서는? (→ 프롬프트 → RAG → 파인튜닝)
□ RAG 와 파인튜닝을 가르는 것은? (→ 지식 공급인가, 말투·행동 내재화인가)
□ few-shot 에서 바뀌지 않는 것은? (→ 모델 가중치)
□ 요약과 번역의 자동 평가 지표는? (→ ROUGE, BLEU)
□ Bedrock 과 SageMaker 를 가르는 것은? (→ 빌려 쓰나, 직접 만드나)
 
[도메인 4 — 책임 있는 AI]
□ 편향과 공정성의 관계는? (→ 편향은 원인, 불공정은 결과)
□ 투명성과 설명가능성의 차이는? (→ 무엇인지 공개 / 왜 그런지 설명)
□ 편향 측정과 설명을 함께 하는 도구는? (→ SageMaker Clarify)
□ 생성형 AI 의 입출력을 정책으로 거르는 것은? (→ Amazon Bedrock Guardrails)
□ 고위험 결정의 안전장치는? (→ Human-in-the-Loop)
 
[도메인 5 — 보안·규정 준수·거버넌스]
□ 데이터·권한·암호화 설정은 누구 책임인가? (→ 고객)
□ 저장 중·전송 중 암호화의 수단은? (→ KMS / TLS)
□ 공용 인터넷을 거치지 않게 하는 것은? (→ PrivateLink)
□ 누가 무엇을 했는지 남기는 것은? (→ CloudTrail)
□ AWS 의 규정 준수 보고서를 받는 곳은? (→ AWS Artifact)

응시 절차와 정책

시험 내용만큼 절차를 몰라 손해 보는 경우가 있다. AWS 자격증 정책 페이지 기준이다.

• 한국어 번역 지문이 어색하게 느껴지면 서비스 이름과 기능 용어는 영어 원문을 떠올려 대조한다. 번역표의 서비스 이름을 영어로 익혀 둔 이유다.
• 온라인 감독 시험은 시작 전에 응시 환경을 확인하는 절차가 있다. 안내된 시각보다 여유 있게 접속하고 책상 위를 미리 비워 둔다.

시험 중 흔들릴 때의 규칙

미리 정해 둔 규칙이 있으면 시험 중에 판단에 쓰는 힘을 아낄 수 있다.

6주를 정리하면 이렇다. 기초 개념(포함 관계·학습 방식·토큰/임베딩) 으로 토대를 잡고, AWS AI 서비스 매핑으로 표면 문제를 잡고, 책임 있는 AI·보안·거버넌스로 가치 판단 문제를 잡는다. 모르는 문제는 매달리지 않고 동사를 잡아 서비스로 번역한다. 번역표와 함정 목록을 한 번 더 훑고 시험장에 들어간다.

📖 용어

• 척도 점수(scaled score) : 시험 폼마다 다른 난이도를 보정해 같은 기준으로 환산한 점수. 정답률과 일치하지 않는다.
• 보상 채점 : 영역별 합격선 없이 전체 점수로만 합격을 정하는 방식.
• 비채점 문항 : 점수에 반영되지 않는 통계 수집용 문항. 수험자는 어느 문항인지 알 수 없다.
• 복수 응답 : 보기 다섯 개 이상에서 정답을 둘 이상 고르는 문항 유형.
• 순서 배열 / 짝짓기 : 항목을 올바른 순서로 놓는 유형 / 제시문과 응답을 연결하는 유형.
• 한정어 : "가장 비용 효율적인", "최소한의 운영 부담으로"처럼 정답의 기준을 정하는 표현.
• 온라인 감독 시험 : 감독관이 웹캠과 화면 공유로 지켜보는 가운데 자기 장소에서 치르는 시험.
• ESL +30 : 비영어권 응시자가 영어로 시험을 볼 때 신청할 수 있는 30분 연장 편의 제도.
• 시험 가이드 : AWS 가 공개하는 공식 출제 범위 문서. 도메인 비중과 목표, 범위 안팎의 서비스가 적혀 있다.