전체 강의

업무 네 가지를 규칙·예측·생성으로 분류한다.

라벨 유무와 목적에 맞는 학습 방식을 선택한다.

기준 성능·비용·실패 손실로 도입 여부를 판단한다.

혼동행렬에서 precision·recall·F1을 계산한다.

입력이 토큰에서 출력으로 바뀌는 과정을 설명한다.

숫자 벡터가 의미 비교에 쓰이는 방식과 한계를 설명한다.

업무 제약으로 모델 후보와 설정을 좁힌다.

근거 부족·오래된 정보·계산 오류를 구분한다.

동일 평가셋으로 두 모델의 차이를 비교한다.

모호한 요청을 검증 가능한 요구사항으로 고친다.

zero/few-shot의 효과를 동일 문제로 비교한다.

긴 자료에서 필요한 근거와 상태를 보존한다.

결과 근거를 외부 증거와 계산으로 검증한다.

행·열·타입·단위를 고정해 데이터를 해석한다.

작은 데이터 처리 코드의 입출력과 오류를 읽는다.

정제 규칙을 원본 추적이 가능하게 정한다.

분모와 층화를 확인해 원인 후보를 제시한다.

원문 위치와 합계를 보존하여 추출값을 검증한다.

평가셋 정보가 학습에 새지 않는 파이프라인을 설계한다.

문제에 맞는 단순 모델과 비교 기준을 고른다.

학습 곡선으로 과적합을 찾고 개선 실험을 고른다.

실험에서 운영·재학습까지 점검 기준을 세운다.

JSON Schema 검증과 업무 규칙 검증을 분리한다.

모델의 호출 제안과 앱의 실제 실행을 구분한다.

중복 실행과 권한 상승을 막는 실행 정책을 설계한다.

조회·계산·검증을 분리한 처리 흐름을 검증한다.

RAG가 필요한 상황을 고르고, 기록에서 검색·입력·생성 오류를 구분한다.

문단의 조건과 버전이 분리되지 않게 색인을 설계한다.

고유 코드와 의미 검색을 함께 비교한다.

추가 검색 단계의 이득과 비용을 평가한다.

권한과 적용 시점에 맞는 근거로 답변한다.

검색 실패와 생성 실패를 따로 측정한다.

일반 코드·고정 workflow·agent를 구분한다.

작업 진행·도구 결과·오류를 상태로 표현한다.

사용자 기억과 현재 작업 상태의 수명을 분리한다.

분업의 이득과 조정 실패를 평가한다.

실패를 재현하고 최소 수정으로 개선한다.

기존 API 위에서 MCP가 표준화하는 부분을 설명한다.

원격·로컬 연결의 위험과 책임을 구분한다.

Agent 간 메시지·작업 상태 계약을 읽는다.

캡션과 시각 근거 답변을 구분하고 검증한다.

이미지 표에서 구조와 원본 위치를 보존한다.

전용 NLP와 LLM 중 업무에 맞는 방법을 고른다.

음성 인식·합성·번역의 오류 전파를 분석한다.

생성·편집 제어와 결과 검증 계획을 세운다.

실패 원인과 데이터 조건으로 개선 수단을 고른다.

방법 이름보다 바꾸는 대상과 검증 조건을 설명한다.

처리량·지연·메모리의 상충을 읽는다.

새 모델을 제한된 트래픽으로 비교하고 되돌린다.

업무 위험을 대표하는 평가 항목을 만든다.

문장 유사도와 사실·업무 성공을 분리한다.

중간 단계와 최종 업무 상태를 함께 검증한다.

로그로 오류를 재현하고 변경의 영향을 확인한다.

실패 비용에 맞는 통과선과 보류 조건을 정한다.

문서의 명령과 사용자의 의도를 분리한다.

데이터 접근과 도구 실행을 서버 정책으로 제한한다.

편향·안전·투명성의 측정과 한계를 제시한다.

근거·승인·삭제를 추적 가능한 기록으로 남긴다.

업무 요구를 데이터·실행·검증 책임으로 나눈다.

모델·프롬프트·색인 변경을 함께 추적한다.

부하와 장애에서 예산을 지키는 정책을 만든다.

감지에서 복구까지 runbook을 작성한다.

개발 요청을 수락 조건과 독립 작업으로 나눈다.

변경 diff에서 핵심 동작과 위험을 설명한다.

실패 재현에서 회귀 방지까지 검증 증거를 만든다.

편의성·통제·비용으로 도구를 선택한다.

제약을 먼저 읽고 풀이·검증 시간을 배분한다.

여러 자료의 조건을 구조화해 정답을 검산한다.

검색·답변·권한 평가를 갖춘 최소 QA를 설계한다.

결론이 원자료와 수치로 대조되는 보고서를 만든다.

상태·승인·실패 복구·가치 검증을 종합한다.

요구별 모델·도구·지식 연결 서비스를 정한다.

지역·용량·격리 조건에 맞게 배포를 설계한다.

Foundry 프로젝트에 연결해 워크플로를 호출한다.

모델·Agent 변경에 평가 gate와 rollback을 붙인다.

token·rate·규모 제약을 관측하고 상한을 정한다.

키 없는 연결과 최소 권한을 확인한다.

필터와 승인·추적을 실제 실행 정책에 연결한다.

문서·이미지·음성·영상 수집과 enrichment를 구성한다.

hybrid/vector/semantic 검색을 앱·Agent에 연결한다.

역할·도구·memory·대화·handoff를 구성한다.

앱·Agent의 오류를 추적하고 수정 효과를 평가한다.

참조·mask·inpainting 제어를 검증한다.

구간별 이해와 생성·편집 작업을 구분한다.

캡션·시각 QA·영역 추출을 증거로 검증한다.

도메인 정보 추출과 음성 Agent 흐름을 구성한다.

OCR·layout·field를 structured/Markdown으로 연결한다.

입력·실행·응답 조건에 맞는 AWS 기본 구성과 추론 방식을 선택한다.

입력과 원하는 결과로 AWS 관리형 AI·개발·업무 서비스의 역할을 비교한다.

Bedrock 모델·프롬프트 후보를 고정 평가와 총비용으로 비교한다.

Knowledge Bases의 수집·저장·검색·근거 전달을 구분해 진단한다.

AWS 에이전트의 개발·실행·기억·도구·정책을 업무 조건에 연결한다.

자료와 목표에 맞는 모델 맞춤화 및 학습·배포·관측 흐름을 선택한다.

책임 있는 AI의 요구를 집단별 평가·설명·모델 기록의 증거로 연결한다.

AI 자료와 도구의 신원·권한·네트워크·콘텐츠 경계를 설계한다.

감사 질문에 맞는 AWS 증거와 데이터 수명주기 검사를 선택한다.

종합 사례의 서비스 선택과 출시 판단을 공식 영역별 근거로 설명한다.

모델의 입출력과 자원·품질 요구에 맞는 종류와 실행 후보를 비교한다.

자료 수집·정제·검토·평가를 운영 피드백의 개선 순환으로 연결한다.

서빙 구성과 최적화 방법을 품질·지연·메모리 조건으로 비교한다.

실패 원인과 자료 조건으로 검색·프롬프트·모델 맞춤화를 선택한다.

에이전트의 패턴·기억·실행 통제를 실제 업무 결과로 검증한다.

기업 AI의 배포 계층·참조 구성·실행 위치와 운영 책임을 연결한다.

학습·시뮬레이션·현장 추론을 나누고 실제 환경 전이를 검증한다.

요청별 자원 적합성과 확장·관측·복구 정책을 함께 설계한다.

공식 범위에 맞춰 재현 가능한 Python 노트북 학습 환경을 준비한다.

표의 구조·품질·분포를 코드와 그래프로 확인하고 해석한다.

예측 시점과 자료 의미를 보존하는 분할·전처리를 구성한다.

타깃에 맞는 ML 기준선과 신경망을 학습·검증하는 코드를 구성한다.

예측 지표·오류 그래프·학습 곡선으로 개선과 제출을 검증한다.

자연어 요청을 허용 명령·대상·인수로 변환하고 검증한다.

AI 편집 계획의 셀·수식·단위·권한을 검사한다.

AI 변경을 원자적으로 적용하고 Undo·공동편집 일관성을 검증한다.

원문 위치를 보존해 표 추출·단위·합계를 대사한다.

문서 편집 AI의 금지 변경·수식·권한·회귀를 평가한다.

미리보기·승인·실행·되돌리기를 연결한 시트 편집 경로를 구현한다.

자료·자원·지연·배포 조건으로 로컬과 원격 추론을 비교한다.

ONNX 모델의 이름·자료형·형상·전처리 계약을 확인해 추론한다.

텐서 버퍼·세션·결과의 수명을 관리하고 잘못된 입력을 거절한다.

UI와 추론을 분리하고 취소·수명·오래된 결과를 안전하게 처리한다.

C++ 추론의 품질·지연·메모리와 배포 호환을 검증한다.

모델·전처리·비동기·엔진 명령·배포 검사를 연결한다.