MLA-C01에는 "모델을 직접 만들지 않아도 되는 상황인가?"를 묻는 문제가 생각보다 많습니다. 시험 안내서의 과제 2.1은 Amazon Translate, Amazon Transcribe, Amazon Rekognition, Amazon Bedrock 같은 AI 서비스로 비즈니스 문제를 푸는 방법을 알라고 요구하고, 문제은행에서도 Comprehend, Transcribe, Polly, Textract, Rekognition, Personalize 같은 관리형 AI 서비스가 정답이나 오답 보기로 나오는 문제가 전체의 약 14%를 차지합니다. 이 문제들은 서비스 이름만 알아서는 풀리지 않습니다. "브랜드명이 잘못 발음된다", "개인정보를 가린 사본이 필요하다"처럼 세부 기능을 고르게 하기 때문입니다.
이 글은 관리형 AI 서비스로 충분한지 판단하는 기준을 세운 뒤, 데이터 종류별로 정답을 가르는 세부 기능과 사람 검토(A2I), 그리고 지원이 끝났거나 신규 고객을 받지 않는 서비스를 정리합니다. SageMaker 내장 알고리즘과 AI 서비스 중 무엇을 고를지는 모델링 접근법 선택에서 먼저 다뤘습니다.
---
먼저 판단할 것: 관리형 AI 서비스로 충분한가?
요리를 할 때 모든 소스를 직접 만들 필요는 없습니다. 시판 소스로 충분한 요리가 있고, 가게의 대표 메뉴처럼 직접 만들어야 하는 요리가 있습니다. ML도 같습니다. 번역, 음성 인식, 문서 글자 추출처럼 누구에게나 필요한 기능은 AWS가 이미 학습해 둔 모델을 API로 호출하면 되고, 회사만의 경쟁력이 되는 예측은 SageMaker AI로 직접 학습합니다.
| 문제 속 조건 | 먼저 떠올릴 선택 | |------|------| | ML 전문 인력이 없고 빨리 출시해야 함 | 관리형 AI 서비스 | | 번역, 음성 인식, 글자 추출처럼 표준적인 기능 | 관리형 AI 서비스 | | 우리 회사만의 라벨(부품 결함, 계약서 유형)을 인식 | AI 서비스의 사용자 지정 기능 (Rekognition Custom Labels, Comprehend 사용자 지정 분류) | | 알고리즘과 학습 과정을 직접 제어해야 함 | SageMaker AI 내장 알고리즘이나 직접 만든 모델 | | 글을 쓰거나 요약하는 생성형 기능 | Amazon Bedrock |
시험 팁: "운영 부담을 최소화", "ML 경험이 없는 팀", "가장 빠르게" 같은 표현이 보이면 관리형 AI 서비스가 정답일 가능성이 높습니다. 반대로 "모델 아키텍처를 직접 조정", "자체 학습 코드"가 나오면 SageMaker AI 쪽입니다.
아래 그림은 데이터 종류에서 출발해 서비스를 고르는 지도입니다. 이 글의 나머지 섹션도 이 순서를 따릅니다.
!텍스트, 음성, 번역, 문서, 이미지, 추천, 대화 데이터 종류별로 고르는 AWS AI 서비스 지도
---
텍스트 이해: Amazon Comprehend와 Comprehend Medical
Comprehend는 글을 읽고 무엇에 관한 글인지, 어떤 감정인지, 누가 등장하는지를 알려 주는 자연어 처리 서비스입니다. 미리 학습된 모델을 쓰는 기능과 회사 데이터로 직접 학습하는 사용자 지정 기능으로 나뉩니다.
| 기능 | 하는 일 | 문제 속 단서 | |------|------|------| | 감정 분석 | 문서 전체가 긍정·부정·중립·혼합인지 판단 | "고객 리뷰가 긍정적인지" | | 대상 감정 분석 | 문서 속 특정 대상(제품 기능 등)별 감정 | "배터리에 대한 평가만 따로" | | 엔티티 · 핵심 구문 | 사람, 장소, 조직 이름과 핵심 표현 추출 | "문서에 언급된 회사 이름" | | PII 탐지 · 마스킹 | 주소, 계좌번호 같은 개인정보 위치 탐지와 가린 사본 생성 | "개인정보를 제거한 뒤 분석" | | 사용자 지정 분류 | 우리 회사의 범주로 문서 분류 | "계약서를 회사 고유 유형으로 분류" | | 사용자 지정 엔티티 인식 | 우리 회사만의 용어 추출 | "사내 부품 번호를 추출" |
처리 방식은 두 가지입니다. 문서 하나는 실시간 분석으로 바로 결과를 받고, 대량의 문서는 S3에 모아 비동기 배치 작업으로 처리합니다. 여기서 시험에 잘 나오는 함정이 있습니다. PII의 위치를 찾는 것은 실시간으로도 되지만, 개인정보를 가린(redact) 사본을 받으려면 비동기 배치 작업을 써야 합니다. 또한 PII 탐지는 영어와 스페인어 문서만 지원합니다.
Comprehend Medical: 의료 텍스트 전용
진료 기록, 퇴원 요약서 같은 임상 텍스트는 일반 Comprehend가 아니라 Comprehend Medical이 정답입니다. 병명, 약물과 용량, 검사 결과, 그리고 보호 대상 건강 정보(PHI)를 찾아내고, 찾은 내용을 RxNorm(약물)이나 ICD-10-CM(진단) 같은 표준 의료 코드에 연결합니다. 지원 언어는 영어(미국)뿐입니다.
시험 팁: "의사 소견서에서 약물 이름과 용량을 추출"은 Comprehend Medical, "고객 문의 메일을 회사의 8개 부서 범주로 자동 분류"는 Comprehend 사용자 지정 분류, "개인정보를 가린 사본을 S3에 저장"은 PII 마스킹 비동기 작업입니다.
---
음성: Transcribe와 Polly
Transcribe는 말을 글로(STT), Polly는 글을 말로(TTS) 바꿉니다. 방향이 반대인 두 서비스는 정확도를 높이는 사용자 지정 기능이 시험의 핵심입니다.
Amazon Transcribe: 말을 글로
| 기능 | 하는 일 | 문제 속 단서 | |------|------|------| | 사용자 지정 어휘 | 특정 단어(브랜드명, 약어)를 잘 알아듣도록 힌트 제공 | "제품명이 자꾸 잘못 받아 적힘" | | 사용자 지정 언어 모델 | 분야의 글로 학습해 단어가 쓰이는 맥락까지 학습 | "학회 발표처럼 전문 분야 전체의 정확도" | | 화자 구분 | 누가 말했는지 화자별로 나눔 | "상담원과 고객 발화를 구분" | | 자동 언어 식별 | 오디오의 언어를 자동 판별 | "여러 언어 녹음이 섞여 있음" | | PII 삭제 | 녹취록에서 개인정보를 가림 | "카드 번호가 녹취록에 남으면 안 됨" | | 스트리밍 전사 | 실시간 음성을 바로 글로 | "통화 중 실시간 자막" |
사용자 지정 어휘는 단어 인식을 돕는 힌트이고, 사용자 지정 언어 모델은 그 단어가 쓰이는 맥락까지 배웁니다. 사용자 지정 언어 모델을 쓰면 언어 코드를 직접 지정해야 해서 자동 언어 식별과 함께 쓸 수 없습니다.
Amazon Polly: 글을 말로
Polly의 음성 엔진은 생성형, 롱폼, 뉴럴, 표준 네 가지입니다. 발음과 읽는 방식을 바꾸는 방법이 두 가지라 헷갈리기 쉽습니다.
| 방법 | 하는 일 | 적합한 상황 | |------|------|------| | SSML 태그 | 문장 안에서 쉼, 강조, 속도, 읽는 방식을 지정 | 이 문장에서만 잠시 멈추거나 숫자를 날짜로 읽기 | | 발음 어휘 사전(Lexicon) | 단어별 발음이나 대체 표현을 저장해 두고 매번 적용 | 브랜드명, 약어를 항상 같은 방식으로 읽기 | | 비동기 합성 작업 | 실시간 합성 한도(3,000자)를 넘는 긴 글을 StartSpeechSynthesisTask로 합성해 S3에 저장 | 오디오북처럼 긴 원고 |
시험 팁: "회사 이름을 모든 안내 방송에서 정확하게 발음"은 발음 어휘 사전, "특정 문장 뒤에 2초 쉬기"는 SSML, "1시간 분량 원고를 음성 파일로"는 비동기 합성 작업입니다.
---
번역: Amazon Translate
Translate는 신경망 기반 기계 번역 서비스입니다. 짧은 글은 실시간 번역(TranslateText)으로, S3에 모아 둔 대량 문서는 배치 번역 작업으로 처리합니다. 정답을 가르는 것은 번역 결과를 우리 회사에 맞추는 두 가지 방법입니다.
| 구분 | 사용자 지정 용어 | 병렬 데이터(Active Custom Translation) | |------|------|------| | 하는 일 | 특정 단어를 정해 둔 번역으로 고정 | 원문과 원하는 번역 예시를 보여 주어 문체·어조·단어 선택을 맞춤 | | 적용 범위 | 실시간 번역과 배치 번역 | 배치 번역 작업 | | 예 | 제품명 "Amazon Photos"를 번역하지 않고 그대로 | 법률 문서를 우리 법무팀 문체로 | | 비용 | 추가 요금 없음 | 일반 작업보다 높은 요금 |
시험 팁: "브랜드명과 제품명이 번역되면 안 된다"는 사용자 지정 용어입니다. "번역 결과가 회사의 기존 번역 문체와 비슷해야 한다"는 병렬 데이터입니다.
---
문서와 이미지: Textract와 Rekognition
Amazon Textract: 문서에서 글자와 구조를 꺼낸다
Textract는 단순한 글자 인식(OCR)을 넘어 양식의 "항목: 값" 쌍과 표의 구조까지 추출합니다.
| API · 기능 | 하는 일 | |------|------| | DetectDocumentText | 인쇄체와 손글씨 글자 추출 | | AnalyzeDocument | 양식(키-값), 표, 쿼리("계약 시작일은?"처럼 질문으로 값 찾기), 서명 | | AnalyzeExpense | 송장과 영수증의 금액, 공급업체 같은 항목 | | AnalyzeID | 미국 정부 발급 신분증(운전면허증, 여권) |
한 페이지 이미지는 동기 API로, 여러 페이지 PDF는 비동기 작업으로 처리하고 완료를 SNS로 알립니다. Textract는 글자를 꺼내는 일까지 하고, 글의 의미(감정, 엔티티)를 분석하려면 결과를 Comprehend로 넘깁니다.
Amazon Rekognition: 이미지와 영상을 본다
| 기능 | 하는 일 | 문제 속 단서 | |------|------|------| | 레이블 감지 | 사물, 장면, 활동 인식 | "사진 속 물체에 자동으로 태그" | | 얼굴 감지 · 비교 · 검색 | 얼굴 속성 분석, 두 얼굴 비교, 얼굴 모음(컬렉션)에서 검색 | "등록된 직원 얼굴과 대조" | | 콘텐츠 조정 | 부적절하거나 불쾌한 이미지·영상 탐지 | "사용자가 올린 사진 검수" | | PPE 감지 | 안전모, 마스크 같은 보호 장비 착용 확인 | "작업자 안전 장비 확인" | | Custom Labels | 수백 장 이하의 이미지로 우리만의 객체·로고·결함 학습 | "자사 부품의 결함 유형" |
저장된 영상은 비동기 작업으로, 실시간 카메라 영상은 Kinesis Video Streams와 연결해 분석합니다. Rekognition의 스트리밍 이벤트와 배치 이미지 콘텐츠 조정 기능은 2026년 4월 30일부터 신규 고객을 받지 않습니다.
시험 팁: "ML 전문가 없이 자사 제품 사진 수백 장으로 결함을 분류"는 Rekognition Custom Labels입니다. 예전 자료에서 같은 상황의 정답이었던 Lookout for Vision은 2025년 10월 31일에 지원이 끝났습니다.
---
검색, 추천, 대화: Kendra, Personalize, Lex
Amazon Kendra: 사내 문서를 자연어로 검색
Kendra는 "출장비 한도는 얼마야?" 같은 질문에 사내 문서에서 답을 찾아 주는 지능형 검색 서비스입니다. S3, SharePoint 같은 저장소를 커넥터로 연결하고, 문서의 접근 권한(ACL)에 따라 사용자마다 볼 수 있는 결과만 보여 줍니다. 2026년 7월 30일부터는 신규 고객을 받지 않으며, AWS는 새 검색 애플리케이션에 Amazon Bedrock 지식 기반을 권장합니다.
Amazon Personalize: 사용자별 추천
Personalize는 사용자의 행동 데이터로 사용자별 추천을 만드는 서비스입니다.
데이터: 사용자와 아이템의 상호작용(클릭, 구매) 데이터가 핵심이고, 사용자 데이터와 아이템 데이터(카테고리, 설명)를 더하면 정확도가 올라감 실시간 반영: 이벤트 추적기로 클릭 같은 행동을 실시간으로 보내면 바로 다음 추천에 반영 콜드 스타트: 상호작용 기록이 없는 새 아이템은 아이템 메타데이터로 추천 대상에 포함 배치 추천: 이메일 마케팅처럼 전체 사용자 추천을 한 번에 생성
Amazon Lex: 챗봇과 음성 봇
Lex는 대화형 인터페이스를 만드는 서비스입니다. 사용자의 의도(인텐트, 예: 호텔 예약)를 파악하고 필요한 정보(슬롯, 예: 날짜·도시)를 대화로 채운 뒤, Lambda 함수로 실제 예약 같은 작업을 처리합니다. 음성 인식과 합성이 내장되어 있어 콜센터 음성 봇에도 씁니다.
시험 팁: "방금 본 상품을 다음 추천에 바로 반영"은 Personalize 이벤트 추적기, "새로 등록된 상품도 추천에 포함"은 아이템 메타데이터, "예약 정보를 대화로 받아 처리"는 Lex와 Lambda입니다.
---