AI 활용 사례란 무엇인가요?
AI(인공지능)는 이미 우리 일상 곳곳에 녹아 있습니다. 유튜브가 다음 영상을 추천하거나, 스팸 메일이 자동으로 분류되거나, 스마트폰 카메라가 얼굴을 자동으로 인식하는 것 — 모두 AI의 활용 사례입니다.
AWS AIF-C01 시험에서는 "어떤 문제를 AI로 해결할 수 있는가", "그 문제에 가장 적합한 AWS 서비스는 무엇인가"를 판단하는 능력을 테스트합니다. 이 글에서는 AI 활용 사례를 유형별로 나누고, 각 유형에 맞는 AWS 서비스를 쉽게 정리해 드립니다.
---
AI로 해결할 수 있는 문제 유형
AI가 잘 하는 일은 크게 다섯 가지로 나눌 수 있습니다.
분류(Classification) — "이것은 무엇인가?"
분류는 입력 데이터를 미리 정해진 카테고리 중 하나로 구분하는 작업입니다.
일상 예시: 이메일이 스팸인지 아닌지, 사진 속 동물이 고양이인지 개인지, 고객의 피드백이 긍정적인지 부정적인지 판단하는 것이 모두 분류입니다.
| AWS 서비스 | 적용 사례 | |---|---| | Amazon Comprehend | 텍스트 감정 분석, 언어 감지 | | Amazon Rekognition | 이미지·영상 속 객체 분류 | | Amazon SageMaker | 맞춤형 분류 모델 학습·배포 |
예측(Prediction) — "앞으로 어떻게 될까?"
과거 데이터를 바탕으로 미래 값을 예측합니다.
일상 예시: 다음 달 매출이 얼마나 될지 예측하거나, 고객이 이탈할 가능성을 미리 계산하는 것입니다.
| AWS 서비스 | 적용 사례 | |---|---| | Amazon Forecast | 시계열 수요 예측 | | Amazon SageMaker | 맞춤형 예측 모델 | | Amazon Personalize | 개인화 추천 예측 |
생성(Generation) — "새로운 콘텐츠 만들기"
텍스트, 이미지, 코드, 음악 등 새로운 콘텐츠를 AI가 직접 만들어냅니다.
일상 예시: ChatGPT처럼 질문에 답하는 챗봇, 상품 설명 자동 작성, 코드 자동 완성 기능.
| AWS 서비스 | 적용 사례 | |---|---| | Amazon Bedrock | 대형 언어 모델(LLM) 기반 텍스트·이미지 생성 | | Amazon Q | 기업용 AI 어시스턴트 (코드·문서 생성) | | Amazon Titan | AWS 자체 개발 기반 모델 |
탐지(Detection) — "이상한 것을 찾아라"
정상 패턴에서 벗어난 이상 징후를 자동으로 탐지합니다.
일상 예시: 신용카드 부정 거래 탐지, 공장 설비의 고장 예측, 네트워크 침입 감지.
| AWS 서비스 | 적용 사례 | |---|---| | Amazon Lookout for Metrics | 비즈니스 지표 이상 탐지 | | Amazon Lookout for Equipment | 산업 장비 이상 탐지 | | Amazon Fraud Detector | 온라인 사기 탐지 |
자연어 처리(NLP) — "사람의 언어를 이해하기"
텍스트와 음성을 이해하고 처리합니다.
일상 예시: 고객 서비스 챗봇, 자동 번역, 음성 인식 비서.
| AWS 서비스 | 적용 사례 | |---|---| | Amazon Comprehend | 텍스트 분석, 개체 인식, 감정 분석 | | Amazon Transcribe | 음성 → 텍스트 변환 (STT) | | Amazon Translate | 자동 번역 | | Amazon Lex | 대화형 챗봇 구축 | | Amazon Polly | 텍스트 → 음성 변환 (TTS) |
!AI 문제 유형 5가지와 이를 해결하는 AWS 서비스
문제 유형별 AWS 서비스 선택 가이드
시험에서는 시나리오를 읽고 "가장 적합한 서비스"를 고르는 문제가 자주 나옵니다. 아래 흐름을 따라 판단하세요.
주요 키워드별 서비스 매핑
| 시나리오 키워드 | 연결되는 AWS 서비스 | |---|---| | "이미지에서 얼굴/객체 인식" | Amazon Rekognition | | "텍스트 감정 분석" | Amazon Comprehend | | "음성을 텍스트로" | Amazon Transcribe | | "텍스트를 음성으로" | Amazon Polly | | "자동 번역" | Amazon Translate | | "챗봇 구축" | Amazon Lex | | "수요 예측, 재고 예측" | Amazon Forecast | | "개인화 추천" | Amazon Personalize | | "사기 탐지" | Amazon Fraud Detector | | "대형 언어 모델 활용" | Amazon Bedrock | | "맞춤 ML 모델 학습·배포" | Amazon SageMaker | | "문서에서 데이터 추출" | Amazon Textract | | "의료 텍스트 분석" | Amazon Comprehend Medical |
---
실전 시나리오 연습
시험에서 이런 문제가 자주 나옵니다. 함께 풀어봅시다.
시나리오 1
"한 전자상거래 회사가 고객 리뷰를 자동으로 분석해 긍정/부정을 분류하고 싶습니다. 가장 적합한 AWS 서비스는?"
풀이 과정: 키워드: "텍스트 분석", "감정 분류" 완전 관리형으로 가능 → 맞춤 모델 불필요 정답: Amazon Comprehend (감정 분석 기능 내장)
시나리오 2
"한 물류 회사가 지난 3년간의 배송 데이터를 기반으로 다음 분기 수요를 예측하려 합니다. 가장 적합한 서비스는?"
풀이 과정: 키워드: "시계열 데이터", "수요 예측" 시간 기반 예측 → Amazon Forecast 정답: Amazon Forecast
시나리오 3
"기업이 내부 문서를 기반으로 직원들의 질문에 답변하는 AI 어시스턴트를 만들고 싶습니다. 어떤 접근법이 가장 적합합니까?"
풀이 과정: 키워드: "내부 문서 기반", "질문 답변", "기업용" 생성형 AI + 기업 문서 연동 → RAG(검색 증강 생성) 방식 정답: Amazon Bedrock + Knowledge Base (또는 Amazon Q Business)
---
시험 핵심 정리
AI 활용 사례와 AWS 서비스를 연결하는 핵심 포인트만 정리합니다.
이미지·영상 분석 → Rekognition 텍스트 분석·감정 분류 → Comprehend 음성 인식(STT) → Transcribe / 음성 합성(TTS) → Polly 자동 번역 → Translate 챗봇·대화 인터페이스 → Lex 시계열 수요 예측 → Forecast 개인화 추천 → Personalize 사기·이상 탐지 → Fraud Detector / Lookout 시리즈 문서에서 텍스트·데이터 추출 → Textract 대형 언어 모델·생성형 AI → Bedrock 맞춤형 ML 모델 전체 파이프라인 → SageMaker 기업용 AI 어시스턴트 → Amazon Q
시험에서 "가장 적합한 서비스" 유형 문제는 키워드 파악이 전부입니다. 위 표를 외우면 대부분의 문제를 풀 수 있습니다.