Microsoft AI-900

정답: B. features. Features는 모델이 패턴을 학습하고 예측을 수행하기 위해 사용하는 입력 데이터 값(열)입니다. 예를 들어, 주택 가격 모델에서 면적, 침실 수, 위치는 예측된 가격에 영향을 미치므로 features입니다. 다른 선택지가 틀린 이유: - A. 종속 변수: 대부분의 ML 용어에서 종속 변수는 예측하려는 목표/출력(종종 label과 동의어)을 의미하며, 예측에 영향을 주는 입력이 아닙니다. - C. 식별자: 식별자(예: CustomerID)는 레코드를 고유하게 식별하지만, 일반화 가능한 패턴을 나타내지 않기 때문에 보통 예측 입력으로 사용하지 않아야 합니다. 또한 데이터 누수(data leakage)를 유발할 수 있습니다. - D. labels: Label은 지도 학습에서 학습에 사용되는 알려진 결과/목표 값(예: “price” 또는 “spam/not spam”)이며, 예측에 영향을 미치는 입력 값이 아닙니다.

과거 데이터를 기반으로 주택 가격을 예측하는 것은 이상 탐지가 아니다. 핵심 문구는 “과거 데이터를 기반으로 … 예측”이며, 이는 시계열 예측(time-series forecasting) 문제를 의미한다. 즉, 과거 값(그리고 금리, 재고, 계절성 같은 외부 변수도 가능)을 사용해 미래 가격을 예측한다. 목표는 드문 일탈을 식별하는 것이 아니라, 기대되는 미래 값을 추정하는 것이다. 반면 이상 탐지(anomaly detection)는 정상 패턴에서 벗어나는 비정상적인 주택 가격이나 거래를 찾는 데 초점을 둔다(예: 유사 매물 대비 지나치게 높은 매매가로, 데이터 오류나 사기 가능성을 시사). AI-900에서 예측과 이상 탐지는 서로 다른 워크로드 유형이다. 예측은 무엇이 일어날지를 예측하고, 이상 탐지는 정상 동작 대비 무엇이 비정상인지 표시한다. 따라서 정답은 아니오이다.

일반적인 패턴에서 벗어나는 편차를 찾아 의심스러운 sign-in을 식별하는 것은 전형적인 anomaly detection 시나리오입니다. 목표는 정상적인 사용자 행동의 baseline에 비추어, 드물거나 비정상적인 이벤트—예: 비정형적인 위치에서의 login, impossible travel(짧은 시간 내에 멀리 떨어진 두 곳에서 sign-in), 비정상적인 device fingerprint, 비정상적인 login 시간, failed attempt의 급증—를 탐지하는 것입니다. 이는 anomaly detection의 정의(대다수와 유의미하게 다른 관측치를 찾는 것)와 직접적으로 일치합니다. anomaly는 계정 탈취나 악성 활동을 나타낼 수 있기 때문에 cybersecurity 및 fraud detection에서 자주 사용됩니다. 이는 주로 forecasting(미래의 수치 값을 예측)이나, 이미 “suspicious” 대 “normal”로 라벨링된 예시가 있는 경우가 아니라면 표준 classification에 해당하지 않습니다. classification을 사용하더라도, 프롬프트의 핵심 개념인 “일반적인 패턴에서의 편차”는 anomaly detection에 해당합니다. 따라서 정답은 예입니다.

환자의 병력을 기반으로 환자가 당뇨병이 발병할지 여부를 예측하는 것은 anomaly detection이 아니라 classification입니다. 출력은 이산적인 레이블(예: “당뇨병 발병: 예/아니요”)이며, 모델은 결과가 알려진 과거 환자 기록으로 학습됩니다. 이는 supervised learning 작업입니다. anomaly detection은 목표가 비정상적인 환자 측정값이나 정상 집단에서 벗어나는 드문 패턴을 식별하는 것이라면 더 적절합니다(예: 진단되지 않은 상태를 시사할 수 있는 비정상적인 검사 결과를 탐지). 하지만 문제는 특정 결과(당뇨병 발병)를 예측하는 것에 대해 명시적으로 묻고 있으며, 이는 전형적인 binary classification 사용 사례입니다. AI-900에서 기억할 점: classification은 범주를 예측하고, regression은 숫자를 예측하며, forecasting은 시간 기반의 미래 값을 예측하고, anomaly detection은 드문 일탈을 표시합니다. 이 시나리오는 결과 예측(예/아니요)이므로 정답은 아니요입니다.

Sentiment analysis가 정답인 기능입니다. 이 시나리오는 고객이 얼마나 화가 났는지 이해하는 것이 명시적으로 목적이며, 이는 의견/감정 분류 문제이기 때문입니다. Azure AI Language sentiment analysis는 텍스트를 평가하여 sentiment 레이블(예: negative/neutral/positive)과 종종 confidence score를 반환하며, 티켓에서 가장 negative한 부분을 정확히 찾기 위해 sentence-level sentiment도 제공할 수 있습니다. 다른 선택지가 틀린 이유: - Entity recognition은 구조화된 항목(예: 날짜, 이름, 제품)을 추출하지만 감정을 측정하지는 않습니다. - Key phrase extraction은 중요한 용어/주제(예: “login failure”, “billing issue”)를 식별하지만 고객이 어떻게 느끼는지는 알 수 없습니다. - Language detection은 텍스트의 언어만 식별하며 sentiment를 평가하지 않습니다. 티켓팅 시스템에서 sentiment는 일반적으로 우선순위 지정/에스컬레이션 규칙(예: 매우 negative한 티켓을 시니어 지원으로 라우팅)에 사용됩니다.

Key phrase extraction은 지원 티켓에서 중요한 정보를 요약하는 데 가장 적합합니다. 이 기능은 텍스트의 주요 주제를 나타내는 가장 관련성 높은 단어와 구를 추출합니다(예: “VPN connection”, “authentication error”, “password reset”). 이는 태깅, 검색 인덱싱, 라우팅, 분석 대시보드에 적합한 가벼운 “요약”을 효과적으로 만들어 줍니다. 다른 선택지가 틀린 이유: - Sentiment analysis는 핵심 기술 콘텐츠가 아니라 감정적 톤을 요약합니다. - Entity recognition은 특정 엔터티 유형(날짜, 조직, 제품)을 추출하지만, 더 넓은 주제 구를 놓칠 수 있으며 일반적인 요약을 목적으로 하지 않습니다. - Language detection은 언어만 식별하며 콘텐츠 요약을 제공하지 않습니다. AI-900에서 Text Analytics 맥락의 “중요한 정보 요약”은 일반적으로 추상적 요약(abstractive summarization)(이는 다른 기능임)보다는 key phrase extraction에 해당합니다.

지원 티켓에서 핵심 날짜를 추출하는 데는 Entity recognition이 정답입니다. 날짜는 Named Entity Recognition (NER)이 감지하고 구조화된 형태로 반환할 수 있는 표준 엔터티 유형이기 때문입니다. 예를 들어 “January 15, 2026”, “last Friday”, “10/12/2025” 같은 값을 날짜/시간 엔터티로 식별하여 티켓 필드를 채우고, 인시던트를 상관 분석하거나, SLA를 검증할 수 있습니다. 다른 선택지가 틀린 이유: - Key phrase extraction은 날짜처럼 보이는 구문을 표면적으로 드러낼 수는 있지만, 날짜를 엔터티로 신뢰성 있게 분류하고 구조화하도록 설계된 기능은 아닙니다. - Sentiment analysis는 어조를 평가하며 날짜 같은 사실 항목을 추출하지 않습니다. - Language detection은 티켓의 언어만 판별합니다. 실무에서는 Entity recognition을 사용해 비정형 티켓 텍스트에서 다양한 구조화 필드(날짜, 제품명, 위치, 사람)를 추출하여 자동화와 리포팅을 지원합니다.

정답: C (신뢰성 및 안전). “비정상적이거나 누락된 값의 처리”는 불완전하거나 예상치 못한 입력을 만났을 때 AI 시스템이 얼마나 견고하고 신뢰할 수 있는지에 대한 핵심 사항입니다. Microsoft의 책임 있는 AI 원칙에서 신뢰성 및 안전은 AI 시스템이 정상 조건에서 일관되게 동작하고 비정상 조건(예: null 값, 이상치, 손상된 레코드, 예상치 못한 형식)에서는 우아하게 성능이 저하되도록 보장하는 데 초점을 둡니다. 또한 시스템이 불확실하거나 실패하는 상황에서 유해한 결과를 방지하는 것도 포함합니다. 다른 선택지가 틀린 이유: - A (포용성)는 다양한 능력과 배경을 가진 사람들을 지원하고 포함하도록 시스템을 설계하는 것(접근성, 공정한 사용자 경험)에 관한 것이며, 입력 이상/누락 처리에 관한 것이 아닙니다. - B (개인정보 보호 및 보안)는 민감한 데이터 보호, 접근 제어, 암호화, 데이터 유출 또는 적대적 공격에 대한 저항과 관련됩니다. - D (투명성)은 설명 가능성과 시스템이 어떻게 동작하는지, 한계가 무엇인지, 언제 신뢰할 수 없을 수 있는지를 전달하는 것에 관한 것입니다. 관련은 있지만, 누락/비정상 값 처리를 위한 핵심 원칙은 아닙니다. 실무에서는 신뢰성/안전이 검증, 폴백 로직, 모니터링, 엣지 케이스 테스트를 통해 다뤄집니다.

정답: E (Reliability and safety). 이 설명은 AI 시스템이 의도된 설계와 일관되게 동작하고, 예기치 않은 조건을 처리하며, 유해한 조작에 저항해야 함을 강조합니다. 이는 전형적인 reliability/safety 우려 사항입니다: robustness, fault tolerance, adversarial inputs에 대한 resilience, 그리고 edge cases에서의 안전한 운영. 다른 선택지가 틀린 이유: - A (Accountability)는 누가 책임을 지는지와 oversight 및 governance를 보장하는 것에 관한 것이며, 모델의 기술적/운영적 robustness에 관한 것이 아닙니다. - B (Fairness)는 집단 간 차별적 결과를 피하는 데 초점을 둡니다. - C (Inclusiveness)는 접근성과 다양한 능력 및 요구를 가진 사람들에게 솔루션이 작동하도록 보장하는 데 초점을 둡니다. - D (Privacy and security)는 데이터를 보호하고 데이터 사용을 통제하는 데 초점을 두며, 주로 모델의 robustness와 안전한 동작에 관한 것은 아닙니다.

정답: A (Accountability). 핵심 문구는 AI 결정이 “인간에 의해 재정의될 수 있다”는 점입니다. 이는 human-in-the-loop governance로, 적절한 감독, escalation path, 그리고 자동화된 결정이 부정확하거나 부적절할 때 사람이 개입할 수 있는 능력을 보장하는 것을 의미합니다. Accountability는 또한 결과에 대한 명확한 책임 소재와 auditing 및 remediation을 위한 프로세스를 포함합니다. 다른 선택지가 틀린 이유: - E (Reliability and safety)는 시스템이 안전하고 견고하게 동작하는 것에 관한 것이지만, 인간이 재정의할 수 있어야 한다는 명시적 요구사항은 accountability 및 governance에 더 직접적으로 해당합니다. - D (Privacy and security)는 데이터 보호와 consent에 관한 것이지, 결정 재정의에 관한 것이 아닙니다. - B (Fairness)는 bias와 공정한 결과에 관한 것입니다. - C (Inclusiveness)는 접근성과 다양한 사용자를 고려한 설계에 관한 것입니다.

정답: D (프라이버시 및 보안). 이 설명은 소비자에게 자신의 데이터가 어떻게 수집, 사용, 저장되는지에 대한 정보와 통제권을 제공하는 것에 명시적으로 초점을 둡니다. 이는 프라이버시 원칙(투명성, 동의, 데이터 최소화, 적절한 보존)과 보안 원칙(저장/전송 중 데이터 보호, 접근 제어)에 직접적으로 부합합니다. 다른 선택지가 틀린 이유: - A (책임성)는 AI 결과에 대한 감독과 책임에 관한 것이지, 개인 데이터에 대한 사용자 통제권에 관한 것이 아닙니다. - E (신뢰성 및 안전)는 견고하고 안전한 시스템 동작에 관한 것입니다. - B (공정성)는 편향된 결과를 피하는 것에 관한 것입니다. - C (포용성)는 다양한 요구를 가진 사람들이 사용할 수 있고 혜택을 받을 수 있도록 솔루션을 보장하는 것에 관한 것이지, 데이터 거버넌스에 관한 것이 아닙니다.

정답: A. 이메일 메시지를 업무 관련 또는 개인용으로 분류하는 것은 text classification이라고 하는 대표적인 NLP 작업입니다. 입력은 비정형 텍스트(이메일 제목/본문)이며, 모델 또는 서비스가 언어적 특징(단어, 구, 의미)을 기반으로 레이블/범주를 결정합니다. Azure에서는 Azure AI Language(text classification) 또는 custom text classification과 같은 NLP 기능에 해당합니다. 다른 선택지가 틀린 이유: B(향후 자동차 대여 건수 예측)는 과거 수치 데이터(time series)에 대한 forecasting/regression으로, NLP가 아니라 machine learning 워크로드입니다. C(어떤 웹사이트 방문자가 거래를 수행할지 예측)는 일반적으로 clickstream/session 속성과 고객 특성을 사용하는 이진 분류 ML 문제이며, 언어 이해가 필요하지 않습니다. D(극도로 높은 온도가 감지될 때 공장 프로세스 중지)는 sensor/IoT 임계값 또는 anomaly detection 시나리오로, 사람의 언어 처리보다는 telemetry와 운영 규칙을 다룹니다.

정답: B. Azure Container Instances. Azure Machine Learning Designer에서 다른 사용자가 호출할 수 있는(일반적으로 REST endpoint를 통해) 실시간 inference pipeline을 배포하려면, web service를 호스팅하는 compute target에 배포합니다. Azure Container Instances (ACI)는 실시간 endpoint를 위한 표준적이고 가장 간단한 관리형 옵션으로, 개발, 테스트, 그리고 낮음~중간 수준 트래픽의 프로덕션 시나리오에서 흔히 사용됩니다. 인프라 관리가 최소화되며, AI-900 수준 콘텐츠에서 기본 실시간 배포 대상으로 자주 언급됩니다. 다른 선택지가 틀린 이유: A. 로컬 web service는 로컬 테스트/디버깅용이며, 광범위한 사용을 목적으로 하는 cloud-hosted 서비스가 아닙니다. C. AKS도 실시간 호스팅 옵션으로 유효하지만, 일반적으로 대규모 프로덕션(고가용성, autoscaling, 고급 네트워킹)을 위해 선택됩니다. 문제에서 그러한 요구사항을 나타내지 않으므로 ACI가 가장 적절합니다. D. Azure ML compute는 주로 training 및 batch processing에 사용되며, 배포된 실시간 web service endpoint의 일반적인 호스팅 대상이 아닙니다.

정답: B. Custom Vision. Azure AI Custom Vision은 사용자가 보유한 이미지를 사용해 사용자 지정 computer vision 모델을 학습시키도록 특별히 설계되었습니다. 객체 감지의 경우, 이미지를 업로드하고 객체 주위에 bounding box를 그린 다음 레이블을 지정하고, 새 이미지 내에서 객체를 위치 지정하고 분류할 수 있는 모델을 학습합니다. 이는 “자신의 이미지를 사용하여 객체 감지 모델을 학습”한다는 요구 사항과 정확히 일치합니다. 다른 선택지가 틀린 이유: - A. Computer Vision (Azure AI Vision)은 사전 구축된 모델(예: tagging, OCR, 일반 감지)을 제공하지만, AI-900 맥락에서 사용자가 레이블링한 데이터셋으로 사용자 지정 객체 감지기를 학습하는 주요 서비스는 아닙니다. - C. Form Recognizer (Azure AI Document Intelligence)는 OCR + 레이아웃/필드 추출을 사용하여 문서(양식, 인보이스, 영수증)에서 구조화된 데이터를 추출하기 위한 것이며, 이미지에서의 일반적인 객체 감지 용도가 아닙니다. - D. Video Indexer는 비디오/오디오에서 인사이트(전사, 얼굴, 키워드, 장면)를 추출하기 위한 것이지, 사용자의 정지 이미지를 기반으로 객체 감지 모델을 학습하는 서비스가 아닙니다.

예. Labeling은 각 학습 예제를 올바른 알려진 값(“ground truth”)과 연관시키는 과정입니다. Supervised learning에서 이러한 label은 모델이 예측하도록 학습하는 대상입니다. 예를 들어, 이미지를 “cat” 또는 “dog”로 태깅하거나, 이메일을 “spam” 또는 “not spam”으로 표시하거나, “house price”와 같은 regression을 위한 숫자 target 값을 할당하는 것입니다. Labeling은 사람이 수동으로 수행할 수도 있고, 규칙이나 기존 시스템이 ground truth를 제공하는 경우 programmatically 수행할 수도 있으며, assisted labeling tools를 통해 수행할 수도 있습니다. Label이 없으면 일반적으로 unsupervised learning(clustering, dimensionality reduction) 또는 self-supervised 접근으로 넘어가며, 이는 다른 문제 유형입니다. 따라서 이 문장은 labeling을 학습 데이터를 알려진 값으로 태깅하는 것으로 올바르게 설명합니다.

아니요. 모델을 학습하는 데 사용한 동일한 데이터를 사용하여 모델을 평가해서는 안 됩니다. 이는 일반화 성능을 측정하지 못하기 때문입니다. 학습 성능은 실제 환경 성능보다 더 좋아 보이는 경우가 많으며, 특히 모델이 과적합(노이즈를 학습하거나 예시를 암기)하는 경우 그렇습니다. 올바른 평가는 학습 중에 모델이 보지 못한 별도의 test dataset(또는 validation dataset)을 사용합니다. 일반적인 접근 방식에는 train/test split, train/validation/test split, 그리고 cross-validation이 포함됩니다. 이는 모델이 새로운 데이터에서 어떻게 동작할지 추정하는 데 도움이 되며, 모델 선택과 hyperparameter tuning에 대해 더 나은 의사결정을 지원합니다. 학습 데이터를 평가에 사용하면 개발 단계에서는 정확해 보이지만 production에서는 실패하는 모델을 배포하게 될 수 있습니다.

아니오. Accuracy가 항상 주요 지표인 것은 아니다. 최적의 지표는 작업의 특성과 서로 다른 오류 유형이 초래하는 결과에 따라 달라진다. 불균형 분류(예: 사기 탐지)에서는, 모델이 다수 클래스를 항상 예측하기만 해도 높은 Accuracy를 달성할 수 있지만 소수 클래스를 완전히 놓칠 수 있다. 이런 경우 recall(sensitivity), precision, F1-score, PR-AUC가 더 유용한 경우가 많다. false positive의 비용이 큰 경우(정상 거래를 사기로 표시)에는 precision이 더 중요할 수 있고, false negative의 비용이 큰 경우(사기를 놓침)에는 recall이 우선될 수 있다. 회귀 문제에서는 Accuracy가 표준 지표가 아니며, MAE나 RMSE 같은 지표를 사용한다. 따라서 Accuracy는 모델 성능의 보편적인 주요 측정값이 아니다.