AI가 가치를 내는 자리와 AWS 관리형 서비스

앞 노트가 말의 범위를 세웠다면 이 노트는 그것을 업무에 붙이는 자리입니다. 도메인 1의 두 번째 태스크가 요구하는 것은 둘입니다 — 이 문제에 AI를 쓰는 것이 맞는가, 그리고 맞다면 AWS의 어느 서비스가 그 자리인가. 문항은 회사 상황을 서너 줄로 서술하고 보기에 서비스 이름 넷을 늘어놓습니다. 넷 다 실재하는 서비스라 이름을 아는 것으로는 안 갈리고, 입력이 무엇이고 출력이 어떤 모양으로 나오는지를 알아야 갈립니다.

AI가 값을 하는 세 자리

시험 가이드가 이점으로 드는 것은 셋입니다.

자동화는 사람이 반복하던 판단을 기계가 대신하는 것입니다. 문서마다 눈으로 훑어 분류하던 일, 통화 녹음을 듣고 불만인지 표시하던 일이 여기입니다.

확장성은 같은 판단을 수량이 몇 배로 늘어도 같은 속도로 해내는 것입니다. 사람은 인원을 늘려야 처리량이 느는데 모델은 요청을 늘리면 됩니다.

의사결정 보조는 사람이 최종 결정을 하되 모델이 순위나 확률을 붙여 주는 것입니다. 사기 의심 거래에 점수를 매겨 위험한 순서로 검토하게 하는 식이고, 결정 자체는 사람이 합니다. 문항에 「담당자가 검토할 목록의 우선순위를 정한다」라고 적혀 있으면 이 갈래입니다.

AI를 쓰지 말아야 하는 자리

이 도메인에는 AI가 답이 아닌 문항이 반드시 섞입니다. 가르는 기준이 셋입니다.

첫째, 예측이 아니라 확정된 결과가 필요한 경우입니다. 부가세 계산, 이자 계산, 재고 차감, 급여 산정처럼 규칙이 법이나 계약으로 이미 정확히 정해져 있는 일은 계산식으로 풀어야 합니다. 머신러닝 모델은 본질적으로 확률을 내는 도구라 같은 입력에 늘 같은 값을 낸다는 보장을 주지 못하고, 정답이 이미 정해진 문제에서 99.9%의 정확도는 개선이 아니라 후퇴입니다.

둘째, 비용이 이득보다 큰 경우입니다. 비용편익 분석에서 세어야 하는 것은 추론 요금만이 아닙니다. 데이터를 모으고 레이블을 붙이는 비용, 모델을 유지하고 다시 학습시키는 비용, 틀렸을 때 치르는 값까지 합쳐야 합니다. 월 서른 건 처리하는 업무라면 사람이 계속 하는 편이 쌉니다.

셋째, 결정의 근거를 조목조목 대야 하는데 모델이 그것을 못 주는 경우입니다. 이 조건은 뒤에 나올 전통 ML과 파운데이션 모델의 선택으로 이어집니다.

업무 문제를 ML 문제로 옮기기

AI를 쓰기로 했다면 다음 물음은 「무엇을 맞히는 문제인가」입니다. 이 도메인이 다루는 갈래는 셋입니다.

가르는 질문은 두 개면 됩니다. 답의 후보가 미리 정해져 있는가 — 있으면 분류, 숫자면 회귀입니다. 그리고 정답 표시가 있는가 — 답의 후보조차 우리가 정하지 못하고 데이터에서 나와야 하면 클러스터링입니다. 「고객을 우수·일반·휴면 셋으로 나눈다」는 갈래를 우리가 정했으므로 분류이고, 「고객이 몇 무리로 나뉘는지 보고 싶다」는 클러스터링입니다.

대표 유스케이스도 이 표에 얹힙니다. 이상거래 탐지와 컴퓨터 비전의 불량 판정은 분류, 수요 예측은 회귀, 고객 세분화는 클러스터링입니다. 음성 인식과 추천은 갈래를 따로 세지 않고 전용 서비스가 있는 자리이므로 다음 절로 넘어갑니다.

AWS 관리형 AI 서비스를 방향으로 외운다

이 서비스들은 모델을 직접 만들지 않고 API를 부르면 되는 완성품입니다. 외울 때는 기능 설명이 아니라 입력 → 출력의 화살표로 외우는 편이 시험에서 훨씬 빨리 걸립니다.

Amazon Comprehend는 이미 있는 글을 읽고 판정값을 내는 서비스입니다. 새 글을 쓰지 않는다는 점이 생성형 AI와 갈리는 자리입니다. Amazon Translate도 글을 받아 글을 내지만 뜻을 옮길 뿐 판정하지 않습니다.

Amazon Transcribe와 Amazon Polly는 방향이 반대입니다. 소리가 들어와 글이 나오면 Transcribe, 글이 들어가 소리가 나오면 Polly입니다. 회의록 자동 작성은 Transcribe, 안내 음성 자동 생성은 Polly이고, 콜센터 파이프라인처럼 둘을 이어 붙이는 시나리오도 자주 나옵니다.

Amazon Lex는 챗봇과 음성 봇을 만드는 서비스입니다. 사용자의 말에서 의도(intent)와 그에 필요한 슬롯(slot, 예약 날짜·인원 같은 값)을 뽑아내고 모자란 값을 되물어 대화를 이어 갑니다. 「질문에 답한다」가 아니라 「대화로 일을 처리한다」가 Lex의 자리입니다.

Amazon Rekognition과 Amazon Textract는 둘 다 이미지를 받지만 출력이 다릅니다. 사진 안에 무엇이 있는지, 사람이 몇 명인지, 유해한 장면인지를 보는 것은 Rekognition입니다. 반면 송장·신청서·신분증에서 공급자명·금액·발행일처럼 이름이 정해진 칸을 뽑아 시스템에 넣는 것은 Textract입니다. 문항에 뽑을 필드 이름이 나열되어 있으면 Textract입니다.

Amazon Kendra는 사내에 흩어진 문서를 색인해 두고 자연어로 물으면 답이 있는 대목을 찾아 주는 검색 서비스입니다. Lex가 대화로 일을 처리하는 쪽이라면 Kendra는 문서에서 답을 찾아 주는 쪽입니다.

Amazon Personalize는 사용자 행동 이력으로 추천을 만들고, Amazon Fraud Detector는 거래 이벤트를 받아 사기 위험 점수를 냅니다. 둘 다 그 목적 하나만 하는 대신 모델을 직접 만들지 않아도 됩니다.

Amazon SageMaker AI는 성격이 다릅니다. 위 서비스들이 「이미 만들어진 모델을 부른다」면 SageMaker AI는 데이터를 준비하고 모델을 학습시키고 배포하는 자리입니다. 그래서 시험에서는 다음 두 신호가 있을 때만 답이 됩니다 — 우리 데이터로 직접 학습해야 한다는 말이 있거나, 위 목록 어디에도 맞는 서비스가 없는 문제일 때입니다. 수요 예측처럼 전용 관리형 서비스로 딱 떨어지지 않는 시계열 문제도 여기로 옵니다.

문항이 「관리 부담을 최소화하면서」·「가장 적은 개발 노력으로」라고 적으면 SageMaker AI가 아니라 관리형 서비스 쪽이 답입니다. 반대로 「모델을 우리 데이터로 학습시켜야 한다」가 붙으면 관리형 서비스로는 안 되는 자리라고 읽습니다.

연습 문제

1. 통신사가 매달 청구서 금액을 계산하는 일을 자동화하려 합니다. 요금제와 사용량에 따른 계산 규칙이 약관에 정확히 정해져 있습니다. 가장 알맞은 접근은?
   ① 회귀 모델로 청구액을 예측한다
   ② 분류 모델로 요금 구간을 맞힌다
   ③ 규칙을 그대로 구현한 계산 로직을 쓴다
   ④ 클러스터링으로 비슷한 고객의 청구액을 참고한다

   ③. 정답이 규칙으로 이미 정해져 있고 확정된 결과가 필요한 자리입니다. 모델은 확률을 내는 도구라 여기서는 정확도가 아무리 높아도 후퇴입니다.
2. 다음 시나리오를 알맞은 서비스에 짝지으시오.
   (가) 스캔한 보험 청구서에서 증권번호·청구금액·사고일자를 뽑아 시스템에 넣는다
   (나) 매장 CCTV 영상에서 사람 수를 센다
   (다) 영어로 들어온 문의를 한국어로 옮긴다
   (라) 안내 문구를 음성으로 만들어 ARS에 내보낸다
   ① Amazon Polly ② Amazon Rekognition ③ Amazon Textract ④ Amazon Translate

   (가)–③, (나)–②, (다)–④, (라)–①. (가)와 (나)는 둘 다 이미지가 입력이지만, 뽑을 칸의 이름이 정해져 있으면 Textract입니다.
3. 다음 중 Amazon SageMaker AI가 답이 되기 좋은 상황을 둘 고르시오.
   ① 개발 인력 없이 가장 빠르게 감정 분석 기능을 붙이고 싶다
   ② 자사 공정에서만 나오는 특수 불량 유형을 우리 사진 12만 장으로 학습시켜야 한다
   ③ 문서에서 표를 그대로 추출하고 싶다
   ④ 사내에만 있는 신용 심사 규칙을 반영한 예측 모델을 직접 만들어야 한다
   ⑤ 영어 음성을 글로 옮기고 싶다

   ②와 ④. 둘 다 우리 데이터로 직접 학습해야 하는 자리입니다. ①③⑤는 각각 Comprehend·Textract·Transcribe가 그대로 받는 일이라 직접 만들 이유가 없습니다.
4. 온라인 쇼핑몰이 「사용자가 어떤 무리로 나뉘는지 미리 정해 두지 않고 구매 이력만으로 알아보고 싶다」고 합니다. 알맞은 갈래는?
   ① 회귀
   ② 분류
   ③ 클러스터링
   ④ 강화학습

   ③. 답의 후보를 우리가 정하지 않고 데이터에서 나와야 하므로 클러스터링입니다. 「우수·일반·휴면 셋으로 나눠라」였다면 분류입니다.
5. 콜센터가 녹음 파일을 글로 옮긴 다음 그 글에서 고객이 불만인지 아닌지를 가리려 합니다. 두 단계에 쓸 서비스를 순서대로 배열하시오.
   (가) Amazon Comprehend (나) Amazon Polly (다) Amazon Transcribe (라) Amazon Translate

   (다) → (가). 소리를 글로 옮기는 것이 Transcribe이고, 옮긴 글에 대한 판정값(감정)을 내는 것이 Comprehend입니다. (나)는 방향이 반대이고 (라)는 이 시나리오에 없는 단계입니다.
6. 사내 규정 문서 수만 건을 두고 직원이 「출장비 정산 기한이 언제인가」처럼 평소 말로 물으면 답이 있는 대목을 찾아 주려 합니다. 가장 알맞은 서비스는?
   ① Amazon Lex
   ② Amazon Kendra
   ③ Amazon Personalize
   ④ Amazon Comprehend

   ②. 문서 집합에서 답을 찾아 주는 검색이 Kendra의 자리입니다. Lex는 대화로 일을 처리하는 쪽이고, Comprehend는 주어진 글에 판정값을 붙일 뿐 찾아 주지 않습니다.
7. 다음 중 AI 도입을 재검토해야 한다는 신호로 보기 어려운 것은?
   ① 처리 건수가 월 20건이고 담당자 한 명이 30분이면 끝난다
   ② 정답 표시를 붙이려면 전문의가 사진 한 장당 10분씩 봐야 한다
   ③ 같은 입력에는 법으로 정해진 하나의 값만 나와야 한다
   ④ 매일 40만 건이 들어오고 사람이 판정하면 이틀이 밀린다

   ④. 나머지 셋은 각각 비용편익·레이블 비용·확정된 결과 요구라는 이유로 재검토 신호이지만, ④는 오히려 확장성이라는 AI의 이점이 그대로 들어맞는 자리입니다.
8. 결제 시스템이 거래마다 위험 점수를 매겨 점수가 높은 순서로 담당자가 검토하게 하려 합니다. 이 구성이 해당하는 AI의 이점은?
   ① 자동화 — 사람의 판단을 완전히 대체한다
   ② 의사결정 보조 — 사람이 결정하되 순위를 모델이 붙인다
   ③ 확장성 — 처리량을 늘린다
   ④ 확정성 — 규칙대로 같은 답을 낸다

   ②. 최종 결정은 담당자가 하고 모델은 검토 순서를 정해 주는 자리입니다. 자동으로 거래를 막아 버렸다면 ①에 가까웠을 것입니다.

여덟 문항이 모두 같은 순서를 요구합니다. AI를 쓸 자리인지 먼저 묻고, 맞다면 입력과 출력의 모양을 문장에서 찾고, 그 화살표에 맞는 서비스를 고르는 것입니다. 서비스 이름부터 떠올리면 이름을 아는 넷 중에서 헤매게 됩니다.