Practice Test #1

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.

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.

혼동 행렬(confusion matrix)의 값들을 검토하는 것은 model evaluation의 일부입니다. 혼동 행렬은 validation/test 데이터에서의 분류 결과(true positives, false positives, true negatives, false negatives)를 요약하여, 성능을 평가하고 precision 및 recall 같은 metric을 계산하는 데 도움이 됩니다. 왜 다른 선택지는 아닌가: - Feature engineering (A)은 입력을 변경/생성하는 것이며, 예측을 평가하는 것이 아닙니다. - Feature selection (B)은 어떤 입력을 유지할지 선택하는 것입니다. - Model training (E)은 학습/피팅 단계이며, 혼동 행렬은 일반적으로 학습 후 데이터셋을 scoring할 때 생성됩니다. - Model deployment (C)은 실제 사용을 위해 모델을 패키징하고 호스팅하는 것(endpoint, container 등)이지, metric을 분석하는 것이 아닙니다.

날짜를 월, 일, 연도 필드로 분할하는 것은 feature engineering입니다. 이는 원시 속성을 여러 파생 feature로 변환하여 패턴을 더 잘 포착할 수 있게 하기 때문입니다. 많은 모델은 단일 날짜 문자열/timestamp로부터 유용한 관계를 직접 학습하기 어렵지만, 해당 구성 요소를 명시적으로 제공하면 계절성(월), 월의 일(day-of-month) 효과, 또는 연도 추세를 학습할 수 있습니다. 다른 선택지가 아닌 이유: - Feature selection (B)은 날짜(또는 파생 필드)를 사용할지 여부를 선택하는 것이지, 분할을 수행하는 것이 아닙니다. - Model training (E)은 feature 준비가 끝난 후 알고리즘을 학습(fit)하는 단계입니다. - Model evaluation (D)은 성능을 측정하는 단계입니다. - Model deployment (C)은 학습된 모델을 운영 환경에 적용하는 단계입니다.

날씨 모델을 학습시키기 위해 온도와 기압을 선택하는 것은 feature selection입니다. 모델에 입력으로 포함할 후보 변수(특징, features) 중 어떤 것을 포함할지 결정하는 것입니다. 좋은 feature selection은 관련 없거나 중복된 입력을 제거하여 과적합을 줄이고, 일반화 성능을 개선하며, 학습 비용을 낮출 수 있습니다. 다른 선택지가 아닌 이유: - Feature engineering (A)은 온도/기압을 변환하는 것(예: 값 정규화, 이동 평균 생성, 시간에 따른 기압 변화량 계산)입니다. - Model training (E)은 선택된 features로부터 알고리즘이 학습하는 단계입니다. - Model evaluation (D)은 학습 후 성능을 검증하기 위해 수행합니다. - Model deployment (C)은 추론을 위해 모델을 게시하는 것(예: Azure ML endpoint)입니다.