10주의 마지막 날이다. 오늘은 새 지식이 아니라 시험을 치르는 기술을 다룬다. 같은 실력이라도 시간 배분과 문제 분해 전략에 따라 합불이 갈린다.
항목
내용
문항 수
65문항 (채점 50 + 비채점 15)
시간
130분
문항 유형
객관식 단답/다답, 사례형, 순서배열 등
합격 점수
720 / 1000 (스케일 점수)
결과
채점 대상 50문항으로 산정(비채점 15는 점수에 미반영)
도메인 비중은 다음과 같다.
도메인 1 데이터 준비 ████████████████████████████ 28% 도메인 2 모델 개발 ██████████████████████████ 26% 도메인 4 모니터링·보안 ████████████████████████ 24% 도메인 3 배포·오케스트레이션 ██████████████████████ 22% └ 1+2 = 54% · 3+4 = 46% ┘
어느 한 도메인도 버릴 수 없지만, 1·2가 절반을 넘으므로 데이터·모델 영역의 안정성이 합격의 토대다.
15개 비채점(unscored) 문항은 미래 출제를 위한 시험용 문항으로, 어느 것이 비채점인지 알 수 없다. 따라서 "이건 비채점일 것"이라 짐작해 버리지 말고 모든 문항을 동등하게 대해야 한다. 합격선 720은 문항 난이도를 보정한 스케일 점수라 정답률(몇 %를 맞혀야 하는지)로 직접 환산할 수 없다. 그러니 완벽이 아니라 "확실한 다수 + 함정 회피"가 목표다.
마지막 질문 문장부터 읽는다. "가장 비용 효율적인 것은?", "가장 적절한 추론 옵션은?" — 무엇을 묻는지 먼저 알면 본문에서 무엇을 찾을지 분명해진다.
결정 키워드를 표시한다. 실시간/간헐, 불균형, 시계열, 드리프트, 인터넷 차단, 암호화 등.
보기를 보기 전에 정답을 떠올린다. Day4의 번역표를 적용한다.
보기에서 함정을 소거한다. 요구 하나라도 위반하는 보기를 지운다.
[4단계 해체] ① 마지막 질문 ─▶ "무엇을 고르라는 것인가" + 한정어(MOST/LEAST) ▼ ② 본문 스캔 ─▶ 조건 키워드에 번호를 매긴다 (조건①②③) ▼ ③ 보기 전 정답 ─▶ 번역표로 기능 이름을 머릿속에 적는다 ▼ ④ 보기 소거 ─▶ 조건을 하나라도 깨는 보기 제거 → 남는 하나
⚠️ 함정: 부정형("NOT", "잘못된 것은")을 놓치면 정답을 알고도 반대를 고른다. 급하게 읽을수록 하기 쉬운 실수다. 질문 문장을 읽을 때 부정어와 한정어(MOST·LEAST·TWO)에 눈을 한 번 더 두는 습관이 이 손실을 막는다.
다답형(2개 이상 고르기)은 따로 전략이 필요하다. 문항이 "TWO" 또는 "TWO actions"라고 명시하면 정확히 그 개수를 골라야 하고, 한 개만 맞아도 부분점수가 없다. 또 "MOST cost-effective", "LEAST operational overhead", "MOST secure"처럼 최상급 한정어가 핵심이다. 여러 보기가 기술적으로 작동하더라도, 한정어 기준(비용·운영부담·보안)에서 최선인 하나만 정답이다. 한정어를 놓치면 "작동은 하지만 최선이 아닌" 함정 보기를 고른다.
EventBridge → Pipelines(ConditionStep) → Model Registry
비용
MME · Inferentia · 서버리스/비동기 · Spot · 배치 변환
시험 직전엔 새 개념을 욱여넣기보다 이미 아는 것의 인출 경로를 다지는 것이 효과적이다. 위 표를 소리 내어 키워드→기능으로 매핑해보는 인출 연습이 정보를 새로 읽는 것보다 시험장 회상에 훨씬 도움이 된다. 충분히 자고, 시험장에 일찍 도착하고, 첫 몇 문항에서 막혀도 흔들릴 필요가 없다 — 어려운 문항이 앞쪽에 몰리는 것은 흔한 배치일 뿐이다.
읽지 말고 답을 먼저 말한 뒤 오른쪽을 확인한다. 막히는 칸이 있으면 그 주차 내용만 다시 본다.
물음
답
0까지 스케일되지 않는 추론 옵션은?
실시간(최소 1대 유지)
개별 요청인데 크고 오래 걸리면?
비동기 추론
전체 데이터셋을 한 번에 점수화하면?
배치 변환
같은 프레임워크 모델이 수천 개면?
멀티모델 엔드포인트(MME)
학습 때 전처리를 추론에도 그대로 쓰려면?
추론 파이프라인 또는 Feature Store
라벨 없이 이상치를 찾으면?
Random Cut Forest
여러 관련 시계열의 미래를 예측하면?
DeepAR
99% 정상 데이터의 성능 지표는?
F1·AUC·Recall (Accuracy 아님)
놓치면 안 되는 문제의 지표는?
Recall
정답 라벨이 있어야 도는 모니터는?
Model Quality
입력 분포 변화를 보는 모니터는?
Data Quality
배포 전 일회성 편향 점검은?
Clarify
인터넷 없이 S3에 붙으려면?
Gateway VPC 엔드포인트
인터넷 없이 ECR에 붙으려면?
Interface 엔드포인트(PrivateLink)
컨테이너의 외부 통신을 끊으려면?
EnableNetworkIsolation
"누가 지웠나"를 확인하려면?
CloudTrail
새 데이터 도착 시 재학습을 걸려면?
EventBridge → Pipelines
기준 미달 모델의 등록을 막으려면?
ConditionStep
학습 비용을 줄이되 재개돼야 하면?
Managed Spot + 체크포인트
적은 시도로 하이퍼파라미터를 찾으면?
Bayesian
위 카드가 효과적인 이유는 형식이 시험과 같기 때문이다. 시험장에서 필요한 것은 "설명할 수 있는 지식"이 아니라 짧은 단서로 이름 하나를 꺼내는 속도다. 자료를 다시 읽으면 아는 것처럼 느껴지지만(친숙함 착각), 실제로 꺼내보면 막히는 칸이 드러난다. 마지막 복습은 반드시 꺼내보는 방식이어야 한다.