개정
AWS시험 가이드는 정기적으로 검토 및 업데이트되어 인증 시험이 인증 대상 직무와 관련된 기술, AWS 서비스 및 기능을 테스트할 수 있도록 합니다. 시험 안내서 업데이트는 업데이트가 시험에 반영되기 약 1개월 전에 게시됩니다.
변경 기록
| 버전 | 게시 날짜 |
|---|---|
| 1.0 | 2026년 3월 26일 |
| 1.1 | 2026년 4월 30일 |
목표 변경 사항
| 버전 1.0 | 버전 1.1 |
|---|---|
| 목표 1.1.1: 기본 AI 용어(예: AI, ML, 딥 러닝, 신경망, 컴퓨터 비전, 자연어 처리(NLP), 모델, 알고리즘, 훈련 및 추론, 편향, 공정성, 적합성, 대규모 언어 모델(LLM)) 정의 | 목표 1.1.1: 기본 AI 용어 정의(예: AI, ML, 딥 러닝, 신경망, 컴퓨터 비전, 자연어 처리 (NLP), 모델, 알고리즘, 교육 및 추론, 편향, 공정성, 적합성, 대규모 언어 모델 [LLM], 생성형 AI [GenAI], 에이전트 AI) |
| 목표 1.1.2: AI, ML, GenAI, 딥 러닝 간의 유사점과 차이점 설명 | 목표 1.1.2: AI, ML, GenAI, 딥 러닝, 에이전틱 AI 간의 유사점과 차이점 설명 |
| 목표 1.1.3: 다양한 유형의 추론 설명(예: 배치, 실시간) | 목표 1.1.3: 다양한 유형의 추론 설명(예: 배치, 실시간, 비동기, 서버리스) |
| 목표 1.1.5: 지도 학습, 비지도 학습, 강화 학습 설명 | 목표 1.1.5: 다양한 유형의 AI/ML 학습 설명(예: 지도 학습, 비지도 학습, 강화 학습 방법) |
| 목표 1.2.4: 실제 AI 적용 사례 파악(예: 컴퓨터 비전, NLP, 음성 인식, 추천 시스템, 사기 행위 탐지, 예측) | 목표 1.2.4: 실제 AI 적용 사례 파악(예: 컴퓨터 비전, NLP, 음성 인식, 추천 시스템, 사기 행위 탐지, 예측, 지식 기반, 에이전틱 AI) |
| 목표 1.3.1: ML 파이프라인의 구성 요소 설명(예: 데이터 수집, 탐색적 데이터 분석 (EDA), 데이터 사전 처리, 기능 엔지니어링, 모델 교육, 하이퍼파라미터 조정, 평가, 배포, 모니터링) | 목표 1.3.1: AI/ML 파이프라인의 구성 요소를 설명하고 구분 |
| 목표 1.3.4: ML 파이프라인의 각 단계에 관련된 AWS 서비스 및 기능 파악(예: SageMaker AI, SageMaker Data Wrangler, SageMaker Feature Store, SageMaker Model Monitor) | 목표 1.3.4: AI/ML 파이프라인의 각 단계에 대한 관련 AWS 서비스 및 기능을 식별(예: Amazon Bedrock, Amazon Q, Amazon Quick, Kiro, SageMaker AI). |
| 목표 1.3.6: ML 모델을 평가하기 위한 모델 성능 지표(예: 정확도, Area Under the Curve [AUC], F1 점수)와 비즈니스 지표(예: 사용자당 비용, 개발 비용, 고객 피드백, 투자 수익률 (ROI))를 설명 | 목표 1.3.6: ML 모델을 평가하기 위한 모델 성능 지표(예: 정확도, 정밀도, 재현율, F1 점수)와 비즈니스 지표(예: 사용자당 비용, 개발 비용, 고객 피드백, 투자 수익률 (ROI))를 설명 |
| 목표 2.2.1: GenAI의 장점 설명(예: 적응성, 반응성, 단순성) | 목표 2.2.1: GenAI의 장점 설명(예: 적응성, 반응성, 대화 기능, 콘텐츠 생성 능력) |
| 목표 2.2.3: GenAI 모델을 선택할 때 고려할 요소 파악(예: 모델 유형, 성능 요구 사항, 기능, 제약 조건, 규정 준수) | 목표 2.2.3: GenAI 모델을 선택할 때 고려할 요소 파악(예: 모델 유형, 성능 요구 사항, 기능, 제약 조건, 규정 준수, 비용, 대기 시간, 모델 복잡성) |
| 목표 2.2.4: GenAI 애플리케이션의 비즈니스 가치와 지표 결정(예: 도메인 간 성능, 효율성, 전환율, 사용자당 평균 수익, 정확도, 고객 평생 가치). | 목표 2.2.4: GenAI 애플리케이션의 비즈니스 가치와 지표 결정(예: 도메인 간 성능, ROI, 효율성, 전환율, 사용자당 평균 수익, 정확도, 고객 평생 가치). |
| 목표 2.3.1: GenAI 애플리케이션 개발을 위한 AWS 서비스 및 기능 파악(예: Amazon SageMaker JumpStart, Amazon Bedrock PartyRock, Amazon Q, Amazon Bedrock Data Automation) | 목표 2.3.1: GenAI 애플리케이션 개발을 위한 AWS 서비스 및 기능 식별(예: Amazon Bedrock, Amazon SageMaker AI, SageMaker JumpStart, Amazon Quick, Kiro, Strands Agents, Amazon Bedrock AgentCore). |
| 목표 3.1.5: FM 사용자 지정에 대한 다양한 접근 방식의 비용 절충점 설명(예: 사전 훈련, 미세 조정, 컨텍스트 내 학습, RAG) | 목표 3.1.5: FM 사용자 지정에 대한 다양한 접근 방식의 비용 절충점 설명(예: 사전 훈련, 미세 조정, 컨텍스트 내 학습, RAG, 모델 증류) |
| 목표 3.1.6: 다단계 작업에서 에이전트의 역할 설명(예: Amazon Bedrock Agent, 에이전틱 AI, 모델 컨텍스트 프로토콜) | 목표 3.1.6: AI 에이전트의 역할을 정의하고 AI 에이전트의 비즈니스 애플리케이션을 설명 |
| 목표 3.4.1: FM 성능을 평가하기 위한 접근 방식 결정(예: 인간 평가, 벤치마크 데이터세트, Amazon Bedrock 모델 평가) | 목표 3.4.1: FM 성능을 평가하기 위한 접근 방식 결정(예: 인간 평가, 벤치마크 데이터세트, Amazon Bedrock 모델 평가) |
| 목표 3.4.2: FM 성과를 평가하기 위한 관련 지표 파악(예: Recall-Oriented Understudy for Gisting Evaluation(ROUGE), Bilingual Evaluation Understudy(BLEU), BERTScore) | 목표 3.4.2: FM 성과를 평가하기 위한 관련 지표 파악(예: Recall-Oriented Understudy for Gisting Evaluation(ROUGE), Bilingual Evaluation Understudy(BLEU), BERTScore, LLM-as-a-judge) |
| 목표 4.2.2: 투명하고 설명 가능한 모델(예: Amazon SageMaker Model Cards, 오픈 소스 모델, 데이터, 라이선싱)을 식별하는 도구를 설명 | 목표 4.2.2: 투명하고 설명 가능한 모델을 식별하는 도구를 설명(예: Amazon SageMaker 모델 카드, SageMaker Cartify, Amazon 기반 모델 평가, 오픈 소스 모델, 데이터, 라이선스). |
| 목표 4.2.4: 설명 가능한 AI를 위한 인간 중심 설계 원칙 설명 | 목표 4.2.4: 설명 가능한 AI를 위한 인간 중심 설계 원칙(예: 사용자 피드백 메커니즘, AI 의사 결정 투명성)을 설명 |
| 목표 5.1.1: AI 시스템의 보안을 위한 AWS 서비스 및 기능 파악(예: IAM 역할, 정책 및 권한, 암호화, Amazon Macie, AWS PrivateLink, AWS 공동 책임 모델) | 목표 5.1.1: AI 시스템 보안을 위한 AWS 서비스 및 기능을 식별(예: IAM 역할, 정책 및 권한, 암호화, Amazon Macie, AWS PrivateLink, AWS 공동 책임 모델, Amazon Bedrock AgentCore Identity, AgentCore의 정책, Amazon BedRock Guardrail). |
| 목표 5.1.4: AI 시스템의 보안 및 프라이버시에 대한 고려 사항 설명(예: 애플리케이션 보안, 위협 탐지, 취약성 관리, 인프라 보호, 프롬프트 인젝션, 저장 시 및 전송 중 암호화) | 목표 5.1.4: AI 시스템의 보안 및 개인 정보 보호 고려 사항 설명(예: 애플리케이션 보안, 위협 탐지, 취약성 관리, 인프라 보호, 신속한 삽입, 저장 및 전송 중 암호화, 데이터 유출 방지, 출력 필터링 및 검증, AI 상호 작용에 대한 감사 추적 및 로깅 요구 사항, 독성) |
목표 추가됨
목표 1.2.6: 기존 ML 모델 또는 파운데이션 모델(FM)이 특정 사용 사례 (예: 규제 문제, 설명 가능성 요구 사항, 운영 제약 조건)에 적합한 경우를 식별
목표 2.1.4: 추론을 위해 토큰 기반 가격 책정 모델과 비용 및 성능에 미치는 영향을 설명
목표 2.1.5: FM 애플리케이션에서 컨텍스트 엔지니어링의 역할을 설명
목표 2.1.6: 기본 에이전트 AI 개념(예: 복잡한 AI 애플리케이션을 위한 다중 에이전트 시스템 패턴, 모델 컨텍스트 프로토콜 (MCP) 및 에이전트를 외부 시스템에 연결하는 역할, 다중 에이전트 통신 패턴, 메모리 관리, 도구 사용, 워크플로 오케스트레이션)을 정의
목표 3.2.5: Amazon Bedrock 프롬프트 관리를 사용하는 프롬프트 버전 관리 및 관리 전략을 설명
목표 3.4.5: AI 애플리케이션의 비즈니스 목표 조정 지표(예: 작업 완료율, 사용자 만족도, 상호 작용당 비용)를 식별
목표 5.1.5: 출력 정확도를 개선하기 위한 환각 감지 방법 및 접지 기법(예: 검색 증강 생성(RAG) 접지, 출력 검증, 신뢰도 점수)에 대해 설명
범위 내 및 범위 외 서비스 변경 사항
범위 내 목록에 추가된 서비스
Amazon Aurora
Amazon Bedrock AgentCore
Kiro
Strands Agents
Amazon Q
Amazon SageMaker JumpStart
AWS Transform
범위 내 목록에서 제거된 서비스
Amazon MemoryDB
범위 외 목록에서 제거된 서비스
AWS DeepComposer
Amazon FinSpace
Amazon Honeycode
AWS IAM Identity Center
AWS Marketplace
AWS Organizations
Amazon WorkDocs
