기준: MLA-C01 시험 가이드오류 제보

MLA-C01· AssociateWeek 10 · Day 3읽기 약 14분

핵심 정리

실제 시험은 문항이 어느 도메인인지 알려주지 않는다. 한 문장에 여러 도메인의 조건 키워드가 2~3개 박혀 있다.
65문항/130분 = 문항당 평균 2분. 오늘의 8문항은 16분 안에 푸는 것을 목표로 한다.
푸는 순서는 고정이다: 질문 문장 → 조건 키워드 추출 → 보기 보기 전에 정답 떠올리기 → 요구 위반 보기 소거.
조건이 여러 개면 모든 조건을 동시에 만족하는 보기만 정답이다. 하나라도 깨면 아무리 그럴듯해도 오답이다.
틀린 문항은 정답을 외우는 게 아니라 다른 보기가 왜 함정이었는지까지 말할 수 있어야 복습이 끝난다.

Day 3 - 전체 모의고사 페이스: 4개 도메인 서비스 지도와 의사결정 트리로 최종 점검

모의고사 사용법

오늘은 개념 설명을 줄이고 시험과 같은 페이스로 4개 도메인이 섞인 종합 시나리오를 푼다. 아래 8문항을 가능하면 16분 내에 풀고, 답을 보기 전에 "이 문항의 도메인은 무엇이고, 정답을 가르는 키워드는 무엇인가"를 먼저 말로 정리하는 것이 좋다.

단계	할 일	시간
1차 풀이	8문항을 멈추지 않고 끝까지	16분
자가 채점 전	각 문항의 도메인·결정 키워드를 적어보기	4분
채점·복습	오답은 "다른 보기가 왜 틀렸는지"까지 설명	제한 없음

💡 관련 이론: 종합 문제는 보통 한 문장에 "조건 키워드"가 2~3개 박혀 있다. 예: "수백 개 동종 모델(→MME 후보)"+"가끔 호출(→비용 절감 강화)"+"같은 프레임워크(→MME 확정)". 키워드를 분리해 각각을 기능에 매핑한 뒤, 모든 키워드를 동시에 만족하는 보기를 고르면 함정 보기를 걸러낼 수 있다.

4개 도메인 전 구간 서비스 지도

문항을 읽으며 "지금 이 지도의 어느 칸인가"를 먼저 찍으면 보기 상당수가 즉시 소거된다.

 수집          저장         준비          학습          튜닝
 ─────         ─────        ─────         ─────         ─────
 Kinesis  ─▶   S3      ─▶  Data Wrangler ─▶ Training Job ─▶ AMT
 Firehose      Glue        Processing Job   빌트인/커스텀   Bayesian
 Ground Truth  Catalog     Glue ETL/EMR     File·Pipe      Random·Grid
 (라벨링)                  Athena(조회)      FastFile       Hyperband
                          Feature Store     Spot+체크포인트
                          Clarify(사전편향)  Debugger
                                                  │
   ┌──────────────────────────────────────────────┘
   ▼
 평가          배포                        모니터링              보안
 ─────         ─────                       ──────────            ─────
 지표 선택 ─▶  Model Registry(버전·승인) ─▶ 데이터 캡처       ─▶ IAM (최소 권한)
 Accuracy/F1   실시간 · 서버리스             Model Monitor        VPC (엔드포인트·격리)
 AUC · RMSE    비동기 · 배치 변환            ├ Data Quality       KMS (저장 암호화)
 Clarify       MME · MCE · 추론 파이프라인   ├ Model Quality      TLS (전송 암호화)
 (사후편향)    변형 가중치(A/B)              ├ Bias Drift         CloudTrail(감사)
               Pipelines · EventBridge      └ Attribution Drift  CloudWatch(지표)
                                                    │
                                            CloudWatch 알람 ─▶ 재학습 트리거

도메인별 키워드 빠른 참조

도메인 1 — 데이터 준비 (28%)

키워드	정답 기능
실시간 스트림 수집	Kinesis Data Streams / Firehose
데이터 레이크에 대량 적재	S3
서버리스 ETL·스키마 카탈로그	Glue / Glue Data Catalog
코드 없이 시각적으로 정제	Data Wrangler
내가 쓴 전처리 스크립트를 관리형 실행	Processing Job
S3를 옮기지 않고 SQL 조회	Athena
사람이 라벨을 붙여야 함	Ground Truth
학습-추론 특성 일관성·재사용	Feature Store
배포 전 편향 점검 / 특성 기여도 설명	Clarify (SHAP)
클래스 불균형 처리	리샘플링·클래스 가중치

도메인 2 — 모델 개발 (26%)

키워드	정답 기능
향후 N일 수요, 여러 관련 시계열	DeepAR
라벨 없는 이상치·스트림 이상	Random Cut Forest
정형 테이블 분류/회귀	XGBoost, Linear Learner
라벨 없는 그룹 나누기	K-Means
특성이 너무 많음	PCA
사용자×아이템 희소 추천	Factorization Machines
문서 분류·단어 임베딩	BlazingText
적은 시도로 효율적 튜닝	Bayesian
가망 없는 학습 조기 종료	Hyperband
디스크보다 큰 학습 데이터	Pipe / Fast File 모드
매 epoch 반복 읽기 I/O 병목	FSx for Lustre
학습 비용 절감(중단 허용)	Managed Spot + 체크포인트
학습 중 병목·과적합 진단	Debugger

도메인 3 — 배포·오케스트레이션 (22%)

키워드	정답 기능
꾸준한 트래픽·즉시 응답	실시간 엔드포인트
간헐 트래픽·0 스케일·콜드 스타트 허용	서버리스 추론
큰 페이로드·긴 처리·개별 요청	비동기 추론
전체 데이터셋 일괄 점수화	배치 변환
동종 모델 수백~수천 개	MME
프레임워크가 다른 소수 모델	MCE
전처리를 추론에도 동일 적용	추론 파이프라인
A/B 테스트·점진 이전	프로덕션 변형 가중치
ML 워크플로 DAG·CI/CD	SageMaker Pipelines
기준 통과 시에만 등록	ConditionStep + Model Registry
새 데이터 도착 시 재학습	EventBridge → Pipeline
딥러닝 추론 단가 절감	Inferentia

도메인 4 — 모니터링·보안 (24%)

키워드	정답 기능
입력 분포가 변했는지	Model Monitor (Data Quality)
정답 대비 성능이 떨어졌는지	Model Monitor (Model Quality) + ground truth
운영 중 편향 변화	Bias Drift (Clarify 연동)
운영 중 특성 기여도 변화	Feature Attribution Drift
인터넷 없이 S3·ECR 접근	VPC 엔드포인트(Gateway/Interface)
컨테이너 외부 통신 차단	EnableNetworkIsolation
저장 데이터 암호화	KMS
전송 중 암호화	TLS
누가 무슨 API를 호출했나	CloudTrail
지연·오류율 알람	CloudWatch
모델 문서화·거버넌스	Model Cards
데이터→학습→모델 계보	Lineage Tracking
과도한 권한을 가진 역할	IAM 최소 권한

자주 쓰는 의사결정 트리 세 개

[① 추론 옵션]
  즉시 응답 필요? ──아니오──▶ 전체 데이터셋 일괄? ──예──▶ 배치 변환
        │예                        └아니오(개별·크다·오래) ──▶ 비동기
        ▼
  트래픽 꾸준? ──예──▶ 실시간(최소 1대, 0 스케일 불가)
        └아니오 ──▶ 콜드스타트 허용? ──예──▶ 서버리스
                                    └아니오 ──▶ 실시간 + 오토스케일링
 
[② 알고리즘]
  라벨이 있나? ──아니오──▶ 이상치를 찾나? ──예──▶ RCF
        │예                    └아니오 ──▶ 그룹 나누기 K-Means / 차원축소 PCA
        ▼
  시간 축이 핵심인가? ──예──▶ DeepAR
        └아니오 ──▶ 데이터가 무엇인가?
                      ├ 표(테이블) ──▶ XGBoost / Linear Learner
                      ├ 텍스트     ──▶ BlazingText
                      ├ 이미지     ──▶ Image Classification / Object Detection
                      └ 희소 상호작용 ──▶ Factorization Machines
 
[③ 평가 지표]
  분류? ──아니오──▶ 회귀: RMSE(큰 오차 민감) / MAE(이상치 완화) / R²
     │예
     ▼
  불균형? ──아니오──▶ Accuracy 가능
     │예
     ▼
  놓침 비용이 큰가? ──예──▶ Recall
     └아니오 ──▶ 오탐 비용이 큰가? ──예──▶ Precision
                            └아니오 ──▶ F1 / AUC-ROC

최상급 한정어 읽기

한 문장에 조건이 여러 개일 때, 마지막을 가르는 것은 대개 한정어다.

한정어	비교 축	정답 방향
MOST cost-effective	비용	MME · 서버리스 · 배치 · Spot · Inferentia
LEAST operational overhead	운영 부담	관리형·서버리스 서비스(Glue, Pipelines, 서버리스 추론)
MOST secure	보안	VPC 엔드포인트 + 네트워크 격리 + KMS + 최소 권한
LEAST latency	지연	실시간 엔드포인트, Feature Store 온라인, 캐싱
FASTEST to implement	구현 속도	빌트인 알고리즘·Data Wrangler·관리형 기능
MINIMUM code changes	코드 변경	기존 구성 유지 + 설정 변경으로 해결

⚠️ 함정: 여러 보기가 기술적으로는 모두 작동한다. 최상급 한정어가 정답을 하나로 좁히는 유일한 기준이다. "비용을 줄여라"인데 성능·가용성 요구를 깨는 보기(실시간을 0으로, 데이터를 버려서, XGBoost에 GPU)는 비용이 줄어도 오답이다. 반대로 "운영 부담을 줄여라"인데 EC2에 직접 구축하는 보기는 작동해도 오답이다.

복합 조건 해체 연습

문항 형식이 아니라, 조건을 분해하는 습관을 보는 예시다. 각 조건이 어느 칸으로 가는지 눈으로 따라가 본다.

케이스 A — "전국 매장별 XGBoost 모델 2,000개가 있고 각각 하루 몇 번만 호출된다. 비용을 최소화하라."

조건 조각	번역
모델 2,000개	다수 모델 → MME 후보
전부 XGBoost	같은 프레임워크 → MME 확정(MCE 탈락)
하루 몇 번만 호출	저빈도 → 인스턴스 공유가 유리
비용 최소화	한정어 = 비용

케이스 B — "규제 데이터로 학습한다. 인터넷을 거치면 안 되고, 컨테이너가 외부로 데이터를 보내서도 안 되며, 저장 데이터는 암호화해야 한다."

조건 조각	번역
인터넷 비경유	VPC 엔드포인트(S3는 Gateway, ECR은 Interface)
외부 통신 차단	EnableNetworkIsolation
저장 암호화	KMS
조건 3개 동시	셋 다 포함한 보기만 정답

케이스 C — "실시간 사기 탐지 모델이 배포됐다. 시간이 지나며 정확도가 떨어지는지 감시하고, 떨어지면 자동 재학습하라."

조건 조각	번역
정확도가 떨어지는지	Model Quality 모니터
정확도 계산 전제	ground truth 라벨 수집 필요
자동 재학습	CloudWatch 알람 → EventBridge → Pipeline
실시간 사기	불균형이므로 지표는 Accuracy가 아님

케이스 C처럼 조건이 감시 + 자동화로 두 도메인에 걸치면, 보기 중 하나는 대개 "감시만" 하고 하나는 "자동화만" 한다. 둘 다 담은 보기가 정답이다. 반대로 조건이 하나뿐인데 여러 기능을 잔뜩 붙인 보기는 과잉 구성이라 "LEAST operational overhead" 기준에서 밀린다. 조건 개수와 보기의 구성 요소 개수를 맞춰보는 것도 빠른 소거법이다.

오답 패턴: 증상 → 원인 → 조치

증상(틀리기 쉬운 방식)	원인	조치
불균형 데이터인데 Accuracy를 골랐다	"정확도"라는 단어에 반사적으로 반응	데이터 비율 문장을 먼저 찾는 습관
실시간 엔드포인트를 0으로 스케일하는 보기를 골랐다	실시간의 최소 1대 제약을 잊음	0 스케일은 서버리스·비동기·배치뿐
개별 요청인데 배치 변환을 골랐다	페이로드 크기만 보고 판단	"개별 요청"이면 비동기, "전체 데이터셋"이면 배치
네트워크 요구인데 KMS를 골랐다	보안 = 암호화라는 단순 연상	네트워크는 VPC 엔드포인트·격리, 저장은 KMS
감사 질문인데 CloudWatch를 골랐다	둘 다 "로그"라 혼동	"누가"는 CloudTrail, "얼마나·언제 느린가"는 CloudWatch
시계열인데 회귀 알고리즘을 골랐다	예측=회귀라는 연상	시간 축이 핵심이면 DeepAR
기술적으로 되는 보기를 골랐는데 오답	최상급 한정어를 안 읽음	문항 마지막 줄의 한정어에 밑줄 긋기
조건 3개 중 2개만 만족하는 보기를 골랐다	조건을 끝까지 세지 않음	조건 개수를 세고 보기마다 체크

이제 실전이다. 8문제를 푼다. 내일은 이 오답 패턴들을 함정 유형별로 다시 정리한다.

📖 용어

종합 시나리오 문항 : 한 문항에 여러 도메인의 조건이 섞인 사례형 문제. 실제 시험의 주류 형태다.
조건 키워드 : 정답을 가르는 결정적 단어(간헐·일괄·불균형·시계열·드리프트·인터넷 차단 등). 문항에서 이것부터 뽑는다.
최상급 한정어 : MOST cost-effective, LEAST operational overhead처럼 비교 기준을 지정하는 표현. 여러 보기가 다 작동할 때 정답을 하나로 좁힌다.
소거법 : 요구를 하나라도 위반하는 보기를 지워 후보를 줄이는 풀이 방식. 조건이 여러 개일수록 강력하다.
과잉 구성 보기 : 요구보다 훨씬 복잡한 구성을 제시하는 보기. 운영 부담 기준 문항에서 오답이 되기 쉽다.
0 스케일 : 요청이 없을 때 인스턴스를 0까지 내려 비용을 없애는 것. 서버리스·비동기·배치만 가능하고 실시간은 안 된다.
ground truth : 예측이 맞았는지 판정할 실제 결과 라벨. 이것이 없으면 Model Quality 감시가 성립하지 않는다.
페이스(pace) : 문항당 평균 2분이라는 시간 예산. 막히면 찍고 표시하고 넘어가는 규율이 페이스를 지킨다.

📝 연습 문제

선택지를 클릭하면 정답·해설이 펼쳐집니다.

문제 1

핀테크 회사가 신용카드 사기를 실시간으로 탐지하려 한다. 거래의 99.7%가 정상이며, 사기를 놓치는 비용이 매우 크다. 어떤 평가 지표를 우선해야 하는가?

문제 2

전국 2,000개 매장에 매장별 수요 예측 XGBoost 모델이 있다. 각 모델은 하루 몇 번만 호출되며, 2,000개 엔드포인트 비용이 부담이다. 가장 비용 효율적인 배포는?

문제 3

의료 영상 모델이 개별 요청당 250MB 이미지를 받아 약 8분간 추론하며, 결과는 완료 후 S3에서 수령한다. 가장 적절한 추론 옵션은?

문제 4

규제 대상 데이터로 학습하는데, 학습 컨테이너가 인터넷을 거치지 않고 S3·ECR에 접근하고 외부로의 데이터 유출을 차단해야 한다. 가장 적절한 구성은?

문제 5

데이터 사이언티스트가 코드를 거의 작성하지 않고 S3 데이터셋을 시각적으로 탐색·정제하고 결측 대치·인코딩을 적용한 뒤 그 흐름을 학습 파이프라인으로 내보내려 한다. 가장 적절한 도구는?

문제 6

운영 중인 모델의 예측 정확도가 시간이 지나며 떨어지는지(실제 정답 대비) 감시하려 한다. 어떤 구성이 필요한가?

문제 7

다변량 시계열 판매 데이터로 향후 30일 수요를 예측하려 한다. 여러 관련 시계열의 패턴을 함께 학습하는 데 가장 적합한 SageMaker 빌트인 알고리즘은?

문제 8

새 학습 데이터가 S3에 들어올 때마다 자동으로 재학습→평가→(기준 통과 시)등록을 수행하고, 모델 버전과 승인 상태를 관리하려 한다. 가장 적절한 조합은?

참고 공식 자료