MLA-C01 및 MLA-C02 비교

1.1.7 사양에 따라 AI 애플리케이션을 위한 확장 가능한 벡터 데이터베이스를 구성합니다(예: OpenSearch Service, pgvector 기반 Amazon RDS, Amazon S3).

1.1.8 AI 및 ML 애플리케이션을 위한 다양한 데이터 유형을 수집하고 저장합니다(예: 텍스트, 이미지, 오디오).

1.2.5 임베딩 모델을 구성하고 사용하여 텍스트 및 이미지 데이터를 수치 표현으로 변환합니다.

1.2.6 고급 텍스트 사전 처리 기법을 적용합니다(예: 토큰화, 도메인별 증강).

1.2.7 검색 증강 생성(RAG) 애플리케이션에 사용할 문서를 준비합니다(예: 청킹 전략, 메타데이터 추출).

1.2.8 데이터를 마스킹, 편집 및 익명화합니다.

1.2.9 FM 미세 조정, 지속적인 사전 훈련 및 모델 증류를 위한 데이터를 준비합니다.

1.3.4 숫자, 텍스트 및 이미지 자산에 편향 지표를 적용하여 멀티모드 데이터 배포를 최적화합니다.

1.3.6 AI 학습 데이터 무결성을 검증합니다(예: 프롬프트-응답 쌍 검증, 콘텐츠 안전 검사).

1.3.7 데이터를 정리합니다(예: 이상값 감지, 누락된 데이터 입력, 중복 제거).

2.1.1 작업 요구 사항 및 성능 기준에 따라 Amazon Bedrock에서 적절한 FM을 평가하고 선택합니다.

2.1.2 사전 교육을 받은 FM이 비즈니스 요구 사항을 충족할 수 있는 미세 조정 전략을 파악합니다.

2.1.4 비즈니스 요구 사항을 충족하기 위해 맞춤형 솔루션, 관리 서비스, 사전 학습된 모델 및 FM 간의 장단점을 평가합니다.

2.1.5 사용 사례 요구 사항에 따라 검색 증강 생성(RAG) 아키텍처 패턴을 선택합니다.

2.1.7 AI 모델 성능, 지연 시간, 비용 간의 절충점을 평가합니다.

2.2.8 AI 솔루션에 사용자 지정 기술을 적용합니다(예: 작업별 프롬프트 엔지니어링, 미세 조정).

2.2.9 검색 구성 요소 및 임베딩 모델을 최적화합니다.

2.3.7 통합형 인적 평가 프레임워크를 구현합니다(예: HITL(Human-in-the-Loop) 워크플로, 텍스트 생성 품질 평가).

2.3.8 자연어 처리(NLP) 평가 지표 적용(예: 이중 언어 평가 언더스터디(BLEU), Recall-Oriented Understudy for Gisting Evaluation(ROUGE), BertScore, 시맨틱 유사성).

2.3.9 AI 평가를 수행합니다(예: 모델 출력 평가, 콘텐츠 품질 검증, 편향 탐지, 평가형 LLM 프레임워크).

2.3.10 검색 정확도 평가를 포함하여 RAG 시스템 모니터링을 구성합니다.

3.1.4 적절한 파운데이션 모델(FM) 배포 옵션을 평가하고 선택합니다.

3.1.5 AWS 외부에서 구축한 모델을 AWS 환경에 배포합니다(예: Amazon SageMaker AI, Amazon Bedrock Custom Model Import).

3.1.6 특정 작업, 다른 서비스 및 도구와의 통합, 에이전트 통신 프로토콜을 위한 에이전트를 배포 및 구성합니다.

3.1.7 FM 배포, 모델 호스팅 및 리소스 할당을 구성합니다.

3.1.8 검색 증강 생성(RAG) 시스템 구성을 적용합니다(예: 검색 전략, 순위 조정).

3.2.7 벡터 데이터베이스 구성, 문서 인덱싱 및 검색 최적화를 통해 Amazon Bedrock 지식 기반을 만들고 관리합니다.

3.2.8 비즈니스 요구 사항을 충족하기 위해 검색 파이프라인을 구현합니다.

3.2.9 에이전트 상태 관리 시스템을 구현합니다.

3.2.10 GPU 워크로드를 위한 AI 전용 리소스 스케일링을 구현합니다.

3.2.11 에이전틱 워크플로 인프라를 배포합니다.

3.3.7 프롬프트를 관리합니다(예: Amazon Bedrock Prompt Management).

3.3.8 자동화된 에이전트 배포 파이프라인과 에이전트 버전 관리를 구현합니다.

3.3.9 프롬프트 테스트를 포함한 AI 모델 테스트 프레임워크를 구현합니다.

3.3.10 미세 조정 모델 버전 관리로 FM 배포 자동화를 구성합니다.

3.3.11 RAG 시스템 업데이트 및 지식 기반 업데이트 주기를 위한 AI 관련 파이프라인 오케스트레이션을 구성합니다.

4.1.5 에이전트 성능 및 조정 관리를 모니터링하고 자동화합니다(예: 조정 실패 감지, 잘린 스트리밍, 도구 실패).

4.1.6 Amazon Bedrock 평가 도구 세트와 같은 파운데이션 모델(FM)에 대한 AI 관련 성능 모니터링을 구성합니다.

4.2.7 프로덕션 환경에서 추론에 FM을 사용할 경우 비용에 미치는 영향을 평가합니다.

4.2.8 에이전트 리소스 사용 패턴을 모니터링합니다.

4.2.9 사용 최적화를 통해 FM 추론 비용을 관리합니다.

4.2.10 AI 관련 비용 패턴을 모니터링합니다(예: 토큰 사용 최적화, 임베딩 계산 비용, 벡터 데이터베이스 스토리지 최적화).

4.3.1 코드 및 이미지 취약성을 검사하여 지속적 통합 및 지속적 전달(CI/CD) 파이프라인을 보호합니다(예: Amazon CodeGuru, Amazon Inspector 사용).

4.3.8 FM에 액세스하기 위한 적절한 자격 증명 유형을 선택합니다(예: Amazon Bedrock API 키, IAM 자격 증명).

4.3.9 애플리케이션 요구 사항 및 책임 있는 AI 정책을 충족하도록 보호 및 민감한 데이터 보호를 구현합니다(예: Amazon Bedrock Guardrails 사용).

모델 훈련 리소스에 로드할 데이터 구성(예: Amazon EFS, Amazon FSx)

사용자 지정 데이터세트를 사용하여 사전 훈련된 모델 미세 조정(예: Amazon Bedrock, SageMaker JumpStart)

모델 크기 축소(예: 데이터 유형 변경, 정리, 특성 선택 업데이트, 압축)

엣지 디바이스에서 모델을 최적화하는 방법(예: SageMaker Neo)

SageMaker를 통한 BYOC(Bring Your Own Container)

인프라 모니터링(예: Amazon EventBridge 이벤트 사용)

비용 및 성능과 관련된 용량 문제 해결(예: 프로비저닝된 동시성, 서비스 할당량, 오토 스케일링)

1.1 데이터를 수집하고 저장합니다.

1.2 데이터 변환, 특성 추출 및 사전 처리를 수행합니다.

1.3 데이터 품질을 검증하고 편향을 관리합니다.

2.1 ML 및 AI 솔루션에 적합한 모델링 접근 방식을 선택합니다.

2.2 ML 및 AI 솔루션을 위한 모델을 학습, 미세 조정 및 사용자 지정합니다.

2.3 ML 및 AI 시스템의 성능을 분석하고 평가합니다.

3.1 ML 및 AI 모델 유형의 배포 인프라를 관리합니다.

3.2 기존 아키텍처 및 요구 사항을 기반으로 ML 및 AI 워크로드를 위한 리소스를 프로비저닝하고 구성합니다.

3.3 MLOps 및 AI 워크로드를 위한 자동화된 오케스트레이션, 지속적 통합 및 지속적 전달(CI/CD) 파이프라인을 구현합니다.

4.1 ML 및 AI 모델 추론 및 성능을 모니터링합니다.

4.2 ML 및 AI 인프라 비용 및 성능을 최적화하고 관리합니다.

4.3 ML 및 AI 워크로드와 모델 엔드포인트를 보호합니다.