콘텐츠 도메인 1: AI 및 ML의 기초

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

AI, ML, GenAI, 딥 러닝 간의 유사점과 차이점을 설명

다양한 유형의 추론을 설명(예: 배치, 실시간, 비동기, 서버리스)

AI 모델의 다양한 데이터 유형 설명(예: 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터, 테이블 형식, 시계열, 이미지, 텍스트, 정형 및 비정형)

다양한 유형의 AI/ML 학습 설명(예: 지도 학습, 비지도 학습, 강화 학습 방법)

AI/ML이 가치를 제공할 수 있는 적용 사례 이해(예: 인간의 의사 결정 지원, 솔루션 확장성, 자동화)

AI/ML 솔루션이 적절하지 않은 경우 판단(예: 비용-이점 분석, 예측 대신 특정 결과가 필요한 상황)

특정 사용 사례에 적합한 AI/ML 기법 선택(예: 회귀, 분류, 클러스터링)

실제 AI 애플리케이션의 예를 식별(예: 컴퓨터 비전, NLP, 음성 인식, 추천 시스템, 사기 탐지, 예측, 지식 기반, 에이전틱 AI).

AWS 관리형 AI/ML 서비스(예: Amazon SageMaker AI, Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Lex, Amazon Polly)의 기능을 설명

기존 ML 모델 또는 기초 모델 (FM) 이 특정 사용 사례 (예: 규제 문제, 설명 가능성 요구 사항, 운영 제약 조건) 에 적합한 경우를 식별

AI/ML 파이프라인의 구성 요소를 설명하고 구분

ML 모델의 소스 설명(예: 사전 훈련된 오픈 소스 모델, 사용자 지정 모델 훈련)

프로덕션 환경에서 모델을 사용하는 방법 설명(예: 관리형 API 서비스, 자체 호스팅 API)

AI/ML 파이프라인의 각 단계에 대한 관련 AWS 서비스 및 기능을 식별합니다 (예: 아마존 베드락, 아마존 Q, 아마존 퀵, Kiro, SageMaker AI).

ML 운영(MLOps)의 기본 개념 설명(예: 실험, 반복 가능한 프로세스, 확장 가능한 시스템, 기술 부채 관리, 프로덕션 준비 상태 달성, 모델 모니터링, 모델 재훈련)

모델을 평가하기 위한 모델 성능 지표(예: 정확도, 곡선 밑부분 면적(AUC), F1 점수) 및 비즈니스 지표(예: 사용자당 비용, 개발 비용, 고객 피드백, 투자 수익률(ROI))를 설명