모의고사 1

Batch learning은 data를 batch 단위로 처리한다는 의미일 뿐, checkpoint에서 FM training을 이어가며 prior knowledge를 보존한다는 전략을 뜻하지 않습니다. 주의: daily refresh가 batch job처럼 들릴 수 있지만, 시험은 FM lifecycle strategy를 묻고 있습니다.

Static training은 training run 이후 model weights를 고정하므로 24시간 이내의 breaking news를 지속적으로 반영하기 어렵습니다. 주의: static model은 안정적일 수 있지만 daily knowledge refresh 요구와 충돌합니다.

Latent training은 new data와 checkpoint로 foundation model을 유지하는 표준 training strategy 용어가 아닙니다. 주의: latent라는 단어는 ML에서 보이지만, 이 시나리오의 training strategy가 아닙니다.

Amazon EBS는 EC2 같은 compute resource에 attach하는 block storage입니다. Bedrock evaluation data를 직접 reference하는 object store가 아닙니다. 주의: data를 저장할 수는 있지만 managed Bedrock evaluation dataset에는 access pattern이 맞지 않습니다.

Amazon EFS는 mount 가능한 managed network file system입니다. Bedrock evaluation이 기대하는 object storage source가 아닙니다. 주의: JSONL file을 file system에 둘 수는 있지만 문제는 object storage에서 Bedrock이 직접 읽는 것을 요구합니다.

AWS Snowcone은 edge data transfer와 compute device이며, Bedrock evaluation job이 online으로 직접 읽는 regional object store가 아닙니다. 주의: data 이동 장비라 storage처럼 보일 수 있지만, 이 요구사항은 S3에 evaluation file을 저장하는 것입니다.

Temperature는 generated text가 얼마나 random 또는 deterministic한지를 조정하지만, Bedrock billing은 temperature 값 자체로 계산되지 않습니다. 주의: inference setting이라 cost와 관련 있어 보이지만, output length를 바꾸는 간접 효과가 아닌 이상 직접 billing dimension은 아닙니다.

custom training이나 fine-tuning을 하지 않으므로 training data 양은 daily inference charge에 포함되지 않습니다. 주의: training data는 model customization에서 중요하지만, 이 문제는 managed inference workload입니다.

시나리오에 customer training job이 없으므로 training time이 charge를 좌우할 수 없습니다. 주의: training duration은 training service에서는 실제 cost dimension이지만, 이 Bedrock inference pilot에는 해당하지 않습니다.

Amazon Q Developer는 AWS coding 및 development assistant입니다. 여러 foundation model로 custom chatbot과 generator를 구축하는 일반 service가 아닙니다. 주의: generative AI를 사용하지만 범위는 developer productivity이며 managed multi-provider FM access가 아닙니다.

Amazon Kendra는 enterprise search service입니다. RAG architecture에서 content 검색을 도울 수 있지만 managed generative model inference를 제공하지 않습니다. 주의: RAG 단서 때문에 search가 그럴듯해 보이지만, 핵심 요구사항은 multi-provider foundation model access입니다.

Amazon Comprehend는 entity detection, sentiment analysis, PII detection 같은 natural language processing task를 수행합니다. foundation model inference를 위한 generative AI platform이 아닙니다. 주의: chatbot은 language 기반이지만 Comprehend는 새 response를 생성하지 않고 text를 분석합니다.

SageMaker Data Wrangler는 data preparation과 transformation을 도와주지만, features를 online으로 serving하는 production feature repository는 아닙니다. 주의: Features를 engineering해야 하므로 관련 있어 보이지만, 문제는 training과 inference 전반에서 features를 version 관리, 공유, 검색하는 방법을 묻습니다.

SageMaker Clarify는 bias detection과 explainability에 사용되며, 중앙 feature storage나 millisecond feature lookup을 제공하지 않습니다. 주의: Feature attribution은 feature management처럼 들릴 수 있지만, Clarify는 feature values를 serving하는 것이 아니라 model behavior를 설명합니다.

SageMaker Model Cards는 governance를 위해 model details를 문서화하지만, engineered variables를 저장하거나 online inference retrieval을 지원하지 않습니다. 주의: Versioned documentation은 governance에 유용하지만 offline 및 online feature-serving 요구사항을 충족하지 않습니다.

Measurement bias라면 feature나 label이 체계적으로 잘못 기록된 상황입니다. 이 시나리오는 누가 training sample에 어떤 비율로 포함되었는지를 설명합니다. 주의: output을 zone별로 측정했지만, root issue는 faulty measurement process가 아니라 representativeness입니다.

Observer bias는 human observer나 labeler의 subjective judgment가 data에 영향을 줄 때 발생합니다. 문제는 biased reviewer가 아니라 imbalanced dataset sample을 설명합니다. 주의: 사람의 process가 sample을 만들었을 수는 있지만, model output에 영향을 준 bias type은 sampling imbalance입니다.

Confirmation bias는 기존 믿음을 뒷받침하는 evidence를 선호하는 human tendency입니다. 여기서 보이는 model 문제는 subgroup에 대한 skewed training distribution입니다. 주의: 누군가 prior belief 때문에 oversampling했을 수는 있지만, 시험은 model data와 output에서 보이는 bias type을 묻습니다.

Crowd-sourced evaluation은 task design, privacy review, rater onboarding, calibration, quality check가 필요합니다. 12,000개 healthcare summary에 대해 least operational overhead가 아닙니다. 주의: crowd는 human judgment를 제공할 수 있지만, 문제는 consistency, speed, low operations를 강조합니다.

Human worker는 nuanced safety judgment에 가치가 있지만 instruction, training, inter-rater check, scheduling이 추가됩니다. least-overhead 요구사항과 충돌합니다. 주의: healthcare content라 expert review가 필요해 보이지만, 이 문제는 consistent criteria를 쓰는 scalable first comparison을 묻습니다.

RLHF는 human preference feedback을 training 또는 alignment에 사용하는 model-improvement technique입니다. 기존 4개 model의 toxicity rate를 비교하는 lightweight evaluation method가 아닙니다. 주의: RLHF는 더 안전한 LLM behavior와 관련 있지만, task가 measurement일 때 workflow complexity를 크게 늘립니다.

Principal components는 original variable을 latent component로 변환하므로 표시된 weight가 과거 벌금, occupancy, 검사 경과 시간과 깔끔하게 대응하지 않습니다. Deep learning도 직접 편집 가능성을 낮춥니다. 주의: PCA와 deep learning은 prediction에는 유용할 수 있지만 original-feature transparency 요구사항과 충돌합니다.

k-NN은 가까운 example과의 거리로 prediction을 만들며 feature별 global coefficient 하나를 학습하지 않습니다. Feature scaling을 바꾸는 것은 요구된 simple weight dashboard와 다릅니다. 주의: k-NN도 record를 ranking할 수 있지만 editable coefficient 기반 model은 아닙니다.

Neural network에는 input variable마다 하나씩 안정적으로 편집할 수 있는 weight가 아니라 상호작용하는 많은 parameter가 있습니다. Feature attribution은 editable model coefficient와 다릅니다. 주의: Neural network는 복잡한 pattern을 modeling할 수 있지만, 요구사항은 interpretability와 manual weight control입니다.

generation step 증가는 주로 model에 더 많은 refinement pass를 제공하며 보통 latency를 높입니다. prompt adherence를 위한 기본 control은 아닙니다. 주의: step을 늘리면 image quality가 좋아질 수 있어 유용해 보이지만, 문제는 큰 latency 증가 없이 더 엄격한 adherence를 요구합니다.

MASK_IMAGE_BLACK은 inpainting 같은 image editing workflow의 masking option이며, text-to-image generation이 prompt를 더 잘 따르게 하는 방법이 아닙니다. 주의: image content를 제어하는 것처럼 보이지만, scenario에는 source image나 mask가 없습니다.

Prompt strength는 보통 image-to-image나 inpainting에서 input image를 얼마나 바꿀지 제어하는 데 사용되며, 기본 text-to-image adherence parameter가 아닙니다. 주의: 표현상 더 강한 prompting처럼 들리지만, scenario에 명시된 Stable Diffusion text-guidance control은 CFG scale입니다.