Bedrock 구성 요소와 시험 범위 서비스

AWS Certified Generative AI Developer – Professional(AIP-C01)은 도메인 다섯으로 나뉘지만, 어느 도메인의 문항을 열어도 같은 서비스 이름들이 보기에 섭니다. 이 노트는 그 이름들을 먼저 한 장의 지도에 올려 둡니다. 뒤의 노트들이 「Knowledge Bases의 청킹」·「Guardrails의 문맥 근거 검사」처럼 한 구성 요소를 깊게 파고들 때, 그것이 지도 어디에 있는지 바로 떠오르게 하려는 것입니다.

시험 가이드가 이 시험을 두고 적은 한 문장이 지도의 축입니다 — 파운데이션 모델(FM)을 애플리케이션과 비즈니스 워크플로에 효과적으로 통합하는 능력을 검증한다. 여기서 파운데이션 모델은 대량의 데이터로 미리 학습되어 여러 작업에 그대로 쓸 수 있는 큰 모델이고, 이 시험은 그 모델을 만드는 사람이 아니라 가져다 붙이는 사람을 잽니다.

Amazon Bedrock

모델 호출 계층

Amazon Bedrock은 여러 회사의 FM을 하나의 API로 부르게 해 주는 완전관리형 서비스입니다. 서버도 GPU도 우리가 고르지 않고, 모델 ID만 바꾸면 Anthropic·Amazon·Meta·Mistral 같은 공급자의 모델을 같은 방식으로 호출합니다. 호출 API는 둘입니다. InvokeModel은 모델마다 다른 요청 본문을 그대로 보내고, Converse는 메시지·도구·추론 설정을 모델과 무관한 한 가지 형식으로 받습니다. 공급자를 바꿀 일이 있는 설계라면 Converse가 코드 수정을 줄입니다.

import boto3

runtime = boto3.client("bedrock-runtime", region_name="us-east-1")
resp = runtime.converse(
    modelId="amazon.nova-lite-v1:0",
    messages=[{"role": "user", "content": [{"text": "환불 규정을 세 줄로 요약해 줘"}]}],
    inferenceConfig={"maxTokens": 300, "temperature": 0.2},
    guardrailConfig={"guardrailIdentifier": "gr-support", "guardrailVersion": "1"},
)
print(resp["output"]["message"]["content"][0]["text"])

마지막 인자가 이 지도의 첫 연결선입니다. 가드레일은 모델 바깥에 따로 만들어 두고 호출할 때 ID와 버전으로 끼웁니다.

Knowledge Bases·Prompt Management·Prompt Flows

Bedrock Knowledge Bases는 검색 증강 생성, 곧 RAG를 관리형으로 만들어 줍니다. RAG는 질문과 관련된 문서 조각을 먼저 찾아 프롬프트에 넣고 모델이 그 조각에 기대어 답하게 하는 방식입니다. Knowledge Bases는 S3 같은 데이터 원본을 읽어 조각으로 자르고(청킹), 조각마다 임베딩 벡터를 만들어 벡터 저장소에 넣는 일을 대신하고, 조회는 Retrieve(조각만 돌려줌)와 RetrieveAndGenerate(조각을 넣어 답까지 생성)로 합니다.

agent_rt = boto3.client("bedrock-agent-runtime", region_name="us-east-1")
out = agent_rt.retrieve_and_generate(
    input={"text": "출장비 정산 기한은?"},
    retrieveAndGenerateConfiguration={
        "type": "KNOWLEDGE_BASE",
        "knowledgeBaseConfiguration": {
            "knowledgeBaseId": "KB12345678",
            "modelArn": "arn:aws:bedrock:us-east-1::foundation-model/amazon.nova-lite-v1:0",
        },
    },
)
print(out["output"]["text"], len(out["citations"]))

Prompt Management는 프롬프트를 코드 밖에 두고 변수·버전을 붙여 관리하는 저장소이고, Prompt Flows는 프롬프트·Knowledge Bases·Lambda 함수 같은 노드를 이어 하나의 워크플로로 만드는 기능입니다. 앞쪽은 프롬프트 한 장의 거버넌스, 뒤쪽은 여러 단계의 연결이라고 가르면 됩니다.

AgentCore와 Guardrails

Bedrock AgentCore는 에이전트를 프로덕션에서 돌리는 기반입니다. 에이전트는 목표를 받아 스스로 도구를 부르고 결과를 보며 다음 할 일을 정하는 애플리케이션인데, AgentCore는 그 에이전트를 어떤 프레임워크로 만들었든 실행 환경·메모리·도구 연결·신원·관측을 관리형으로 붙여 줍니다. 표준판 시험에 새로 들어간 서비스로 공식 블로그가 직접 이름을 든 자리입니다.

Bedrock Guardrails는 입력과 출력을 거르는 정책 묶음입니다. 유해 콘텐츠 필터, 거부할 주제, 금지어, 개인정보 같은 민감 정보 필터, 답이 근거 문서에 기대는지를 보는 문맥 근거 검사를 한 가드레일에 담고, 여러 모델과 애플리케이션이 같은 가드레일을 공유합니다.

SageMaker AI 계열

SageMaker AI의 자리

Amazon SageMaker AI는 모델을 학습·배포·운영하는 플랫폼입니다. Bedrock이 「만들어진 모델을 API로 부른다」라면 SageMaker AI는 「모델이 돌 엔드포인트를 우리가 고르고 관리한다」입니다. 이 시험에서 SageMaker AI가 답이 되는 신호는 학습이 아니라 배포 쪽입니다 — 파인튜닝한 모델을 띄워야 한다, 인스턴스 종류나 스케일링을 직접 정해야 한다, Bedrock에 없는 오픈 모델을 써야 한다.

JumpStart와 Model Registry

SageMaker JumpStart는 공개 모델과 솔루션 템플릿을 모아 둔 허브입니다. 고른 모델을 몇 번의 설정으로 SageMaker AI 엔드포인트에 배포하고, 지원하는 모델이면 우리 데이터로 파인튜닝까지 이어 갑니다. SageMaker Model Registry는 모델의 버전 장부입니다. 모델 패키지 그룹 아래 버전이 쌓이고 버전마다 승인 상태가 붙어, 승인된 버전만 배포 파이프라인이 집어 가게 만듭니다. 둘의 관계는 「JumpStart에서 가져와 다듬은 모델을 Model Registry에 버전으로 올린다」로 한 줄에 잇습니다.

개발 도구와 관리형 AI 서비스

Amazon Q Developer·Q Business·Kiro

이름이 비슷해 가장 헷갈리는 셋입니다.

Q Developer와 Kiro는 둘 다 개발 도구라 범위 서비스 목록에서도 각각 Machine Learning 범주와 Developer Tools 범주에 섭니다. 가르는 질문은 「코드를 쓰는 사람을 돕는가, 일반 직원이 회사 문서에 묻는가」이고, 뒤쪽이면 Q Business입니다.

목적별 AI 서비스

생성형 앱도 전부 FM으로 만들지는 않습니다. 정해진 일을 하는 목적별 서비스가 더 싸고 정확한 자리가 있습니다.

이 서비스들은 FM 파이프라인의 앞뒤에 붙습니다. 녹취를 Transcribe로 글로 옮기고 Comprehend로 개인정보를 가린 뒤 Bedrock에 요약을 맡기는 식입니다. 보기에 FM과 목적별 서비스가 함께 서 있으면 「그 단계가 새 글을 만들어야 하는가」를 묻습니다. 판정·추출만이면 목적별 서비스 쪽입니다.

목록 밖 이름과 범위 밖 작업

Strands Agents·AWS Agent Squad

범위 서비스 목록은 열세 범주이지만, 목록에 없는데 skill 문장에 이름이 나오는 도구가 둘 있습니다. Strands Agents는 모델이 다음 행동을 정하는 에이전트 루프를 몇 줄로 만들게 해 주는 오픈소스 SDK이고(skill 2.1.1), AWS Agent Squad는 여러 에이전트를 두고 요청마다 맞는 에이전트로 보내는 오케스트레이션 프레임워크입니다(skill 2.5.5). 둘은 AWS 서비스가 아니라 코드 라이브러리라 목록에 안 섰을 뿐이고, 만든 에이전트를 돌리는 자리가 앞의 AgentCore라는 관계로 묶어 두면 됩니다.

범위 밖 작업

시험 가이드는 범위 밖 작업 셋을 못 박습니다 — 모델 개발과 훈련, 고급 ML 기법, 데이터 엔지니어링과 특성 공학. 같은 AWS의 Machine Learning Engineer – Associate가 SageMaker AI로 모델을 학습하는 시험이라면 이 시험은 그 반대편입니다. 다만 경계가 하나 있습니다. 파인튜닝된 모델을 배포하는 일, LoRA 같은 어댑터를 배포하는 일, 모델을 퇴역·교체하는 수명주기는 skill 1.2.4로 범위 안입니다. 「학습을 어떻게 하나」는 밖이고 「학습된 결과를 어떻게 띄우고 바꾸나」는 안이라고 읽습니다.

시험 형식과 표기

문항 유형과 채점

75문항 가운데 65문항이 채점되고 10문항은 미채점이며 시험 중에는 구분 표시가 없습니다. 유형은 정답 하나를 고르는 객관식과, 다섯 개 이상의 선택지에서 정답 둘 이상을 모두 골라야 득점하는 복수응답 둘뿐입니다. 복수응답에는 부분점수가 없으므로 하나를 확신해도 나머지를 함께 맞혀야 합니다. 합격선은 1,000점 척도에서 750점이고 도메인별 과락은 없습니다.

약칭과 Help 기능

문항은 잘 알려진 서비스를 공식 약칭으로 적습니다 — Amazon SNS처럼 정식 이름을 풀어 쓰지 않습니다. 대신 문항마다 쓸 수 있는 Help 기능에 약칭과 정식 이름의 목록이 들어 있어, 낯선 약칭이 나오면 그 자리에서 풀어 볼 수 있습니다. 외울 것은 약칭이 아니라 그 서비스가 지도 어디에 서는가입니다.

연습 문제

1. 한 팀이 지원 챗봇의 모델을 분기마다 다른 공급자로 바꿀 계획입니다. 코드 수정을 가장 줄이는 Bedrock 호출 방식은?
   ① 모델마다 요청 본문을 따로 만드는 InvokeModel
   ② 메시지 형식이 모델과 무관한 Converse
   ③ 모델마다 SageMaker AI 엔드포인트를 띄운다
   ④ Prompt Flows에 모델별 분기 노드를 둔다

   ②. Converse는 메시지·도구·추론 설정을 공급자와 무관한 형식으로 받으므로 모델 ID만 바꾸면 됩니다. ①은 공급자마다 본문 모양이 달라 바꿀 때마다 코드가 바뀝니다.
2. 다음 중 Bedrock Knowledge Bases가 대신해 주는 일을 둘 고르시오.
   ① 데이터 원본 문서를 조각으로 자르기
   ② FM의 가중치를 우리 문서로 다시 학습시키기
   ③ 조각의 임베딩을 만들어 벡터 저장소에 넣기
   ④ 입력 프롬프트의 욕설을 차단하기
   ⑤ 프롬프트 템플릿의 버전 관리

   ①과 ③. ②는 파인튜닝이라 RAG가 하는 일이 아니고, ④는 Guardrails, ⑤는 Prompt Management의 자리입니다.
3. 사내 직원이 위키·티켓 시스템에 흩어진 문서를 두고 평소 말로 묻되, 각자 볼 권한이 있는 문서로만 답을 받게 하려 합니다. 코드를 거의 쓰지 않는 방법은?
   ① Amazon Q Developer
   ② Kiro
   ③ Amazon Q Business
   ④ Amazon Lex

   ③. 사내 데이터 원본을 연결하고 권한에 맞춰 답하는 업무 비서가 Q Business입니다. ①②는 개발자 도구이고, ④는 대화로 일을 처리하는 봇을 만드는 서비스라 문서 검색과 권한 처리를 따로 지어야 합니다.
4. 다음 작업 가운데 이 시험의 범위 밖인 것은?
   ① LoRA 어댑터를 SageMaker AI 엔드포인트에 배포하기
   ② 새 모델 버전이 승인되면 자동으로 배포하는 파이프라인 만들기
   ③ 임베딩 모델을 처음부터 학습시키기 위해 특성을 설계하기
   ④ 더 이상 쓰지 않는 모델을 퇴역시키고 교체하기

   ③. 모델 개발·훈련과 특성 공학은 범위 밖입니다. ①②④는 학습된 결과를 띄우고 바꾸는 일이라 skill 1.2.4 안에 있습니다.
5. 콜센터 녹취에서 고객 이름과 전화번호를 가린 뒤 상담 요약을 만들려 합니다. 단계와 서비스의 짝으로 옳은 것을 둘 고르시오.
   ① 음성을 글로 옮기기 — Amazon Transcribe
   ② 글에서 개인정보 찾기 — Amazon Textract
   ③ 글에서 개인정보 찾기 — Amazon Comprehend
   ④ 요약 만들기 — Amazon Kendra
   ⑤ 음성을 글로 옮기기 — Amazon Lex

   ①과 ③. Textract는 문서 이미지에서 필드를 뽑는 서비스이고, Kendra는 찾아 줄 뿐 새 글을 만들지 않으며, Lex는 대화 봇입니다. 요약은 Bedrock의 FM이 맡습니다.
6. Strands Agents로 만든 에이전트를 프로덕션에 올리면서 세션 메모리와 실행 환경, 관측을 관리형으로 붙이려 합니다. 알맞은 서비스는?
   ① Amazon Bedrock AgentCore
   ② AWS Agent Squad
   ③ Amazon SageMaker JumpStart
   ④ Bedrock Prompt Management

   ①. AgentCore는 프레임워크와 무관하게 에이전트의 실행 환경·메모리·도구 연결·관측을 붙여 줍니다. ②는 여러 에이전트로 요청을 나누는 코드 라이브러리이지 실행 기반이 아닙니다.