MLA-C01에서 틀리는 문제의 상당수는 개념을 몰라서가 아니라 비슷한 서비스를 바꿔 골라서 생깁니다. 데이터 준비 도구만 네다섯 개이고, 모델을 들여다보는 도구가 Clarify, Debugger, Model Monitor로 나뉘며, 추론 방식과 엔드포인트 구성도 여러 가지입니다. 보기 두 개가 Data Wrangler와 Glue DataBrew처럼 한 쌍으로 나오면 각각의 정의만으로는 부족하고, 둘을 가르는 기준을 한 문장으로 말할 수 있어야 합니다.
이 글은 MLA-C01 학습자료 시리즈의 복습편입니다. 도메인별 글에서 따로 설명한 서비스 가운데 시험에서 서로의 오답 보기로 자주 함께 나오는 묶음만 골라, 구분 기준과 문제 속 단서 표현으로 다시 정리했습니다. 마지막에는 이름이 바뀌었거나 신규 가입이 막힌 서비스와 기능 목록도 모았습니다.
---
헷갈리는 서비스를 가르는 세 가지 질문
비슷한 서비스 둘을 만났을 때 아래 세 가지를 차례로 물어보면 대부분 갈립니다.
| 질문 | 무엇을 가르나 | 예 | |------|------|------| | 언제 쓰나? | ML 수명 주기의 단계 (학습 전 · 학습 중 · 배포 후) | Clarify는 학습 전후 편향, Debugger는 학습 중, Model Monitor는 배포 후 | | 누가 코드를 쓰나? | 노코드 도구 vs 코드 기반 도구 | DataBrew는 클릭으로, Glue ETL은 Spark 코드로 | | 얼마나 빨리, 얼마나 크게? | 실시간 vs 배치, 크기와 지연 시간 | 실시간 엔드포인트는 즉시, 배치 변환은 대량을 한 번에 |
---
도메인 1: 데이터 준비에서 헷갈리는 쌍
Data Wrangler vs Glue DataBrew vs Glue ETL vs SageMaker Processing
| 구분 | Data Wrangler | Glue DataBrew | Glue ETL | SageMaker Processing | |------|------|------|------|------| | 방식 | 시각적 ML 데이터 준비 (지금은 SageMaker Canvas 안) | 노코드 데이터 정제 · 정규화 | 서버리스 Spark 코드 ETL | 내 스크립트를 관리형 컨테이너에서 실행 | | 주 사용자 | ML 실무자 | 분석가, 데이터 준비 담당 | 데이터 엔지니어 | ML 엔지니어 | | 문제 속 단서 | "ML용 특징을 시각적으로 만들고 바로 학습으로" | "코드 없이 데이터 품질 정제" | "여러 소스를 대규모로 변환, 데이터 카탈로그" | "SageMaker 파이프라인 안의 전처리 · 평가 단계" |
대규모 Spark · Hadoop 클러스터를 직접 제어하거나 스팟 인스턴스로 비용을 낮춰야 하면 Amazon EMR이 답입니다.
!코드 없이 쓰는 Data Wrangler와 DataBrew부터 Glue ETL, SageMaker Processing, EMR까지 데이터 준비 도구의 스펙트럼
학습 데이터를 읽는 방법: File · FastFile · Pipe 모드, FSx for Lustre, EFS
| 방식 | 특징 | 문제 속 단서 | |------|------|------| | S3 File 모드 | 학습 시작 전에 데이터를 인스턴스로 모두 복사 | 데이터가 작음, 기본값 | | S3 FastFile 모드 | 파일처럼 보이지만 필요할 때 S3에서 읽음, 시작이 빠름 | 큰 데이터를 코드 수정 없이 빠르게 시작 | | S3 Pipe 모드 | S3에서 스트림으로 읽음 | 예전 방식, 지금은 대부분 FastFile로 대체 | | FSx for Lustre | S3와 연결되는 고성능 병렬 파일 시스템 | 대규모 분산 학습, 같은 데이터를 여러 에폭 반복해서 고속 읽기 | | EFS | 여러 인스턴스가 공유하는 파일 시스템 | 데이터가 이미 EFS에 있음 |
Feature Store 온라인 스토어 vs 오프라인 스토어
온라인 스토어는 밀리초 단위로 최신 특징값을 읽는 추론용이고, 오프라인 스토어는 S3에 모든 이력을 쌓아 두는 학습용입니다. 두 곳에 같은 특징을 쓰면 학습과 서빙의 특징이 일치합니다.
관련 글: 데이터 수집과 저장 전략, 스트리밍·이벤트 기반 ML 파이프라인, 피처 엔지니어링과 데이터 품질
---
도메인 2: 모델 개발에서 헷갈리는 쌍
JumpStart vs Bedrock vs Autopilot(Canvas) vs 내장 알고리즘
| 구분 | SageMaker JumpStart | Amazon Bedrock | Autopilot (Canvas) | 내장 알고리즘 | |------|------|------|------|------| | 핵심 | 사전 학습 모델과 솔루션을 내 SageMaker 환경에 배포 · 파인튜닝 | 서버리스 API로 파운데이션 모델 사용 · 사용자 지정 | 데이터만 주면 모델 탐색 · 학습을 자동으로(AutoML) | XGBoost 같은 알고리즘으로 직접 학습 | | 인프라 관리 | 엔드포인트 인스턴스 선택 · 관리 | 없음 | 거의 없음 | 학습 · 배포 인스턴스 선택 | | 문제 속 단서 | "오픈 모델을 우리 VPC 인스턴스에서" | "인프라 없이 생성형 AI API" | "ML 전문가 없이 표 데이터로 최고 모델" | "알고리즘과 하이퍼파라미터를 직접 제어" |
Clarify vs Debugger vs Model Monitor vs MLflow
| 구분 | Clarify | Debugger | Model Monitor | MLflow (예전 Experiments) | |------|------|------|------|------| | 시점 | 학습 전 · 후 | 학습 중 | 배포 후 | 실험하는 동안 | | 하는 일 | 편향 지표, SHAP 설명 | 텐서 · 손실 감시, 수렴 문제 탐지, 자동 중지 | 데이터 품질 · 모델 품질 · 편향 · 특징 기여도 드리프트 | 실험의 파라미터 · 지표 · 아티팩트 기록과 비교 | | 문제 속 단서 | "공정성", "어떤 특징이 영향을 줬나" | "기울기 소실", "손실이 줄지 않음" | "운영 중 입력 분포가 변함" | "여러 실험을 재현하고 비교" |
Clarify, Debugger, Model Monitor는 2026년 7월 30일부터 신규 고객을 받지 않지만, MLA-C01에서는 여전히 각 상황의 정답으로 나옵니다.
Model Registry vs MLflow 실험 추적, Ground Truth vs A2I
모델 레지스트리는 배포할 모델의 버전과 승인 상태를 관리하고, 실험 추적은 어떤 설정으로 어떤 결과가 나왔는지를 기록합니다. Ground Truth는 학습 전에 데이터에 라벨을 붙이고, A2I는 추론 후 결과를 사람이 검토합니다.
관련 글: 모델링 접근법 선택, AWS AI 서비스 선택 가이드, 평가 지표 실전과 클래스 불균형 대응
---
도메인 3: 배포와 오케스트레이션에서 헷갈리는 쌍
실시간 vs 서버리스 vs 비동기 vs 배치 변환
| 구분 | 실시간 | 서버리스 | 비동기 | 배치 변환 | |------|------|------|------|------| | 페이로드 · 처리 시간 | 최대 25MB, 60초 | 최대 4MB, 60초 | 최대 1GB, 1시간 | GB 단위 데이터셋, 며칠도 가능 | | 0으로 축소 | 불가(추론 구성 요소는 가능) | 자동 | 가능 | 작업이 끝나면 인스턴스 종료 | | 문제 속 단서 | "밀리초 응답, 꾸준한 트래픽" | "간헐적 트래픽, 콜드 스타트 허용" | "큰 파일, 몇 분 처리, 대기열" | "매일 밤 전체 데이터 점수" |
멀티 모델 vs 멀티 컨테이너 vs 추론 파이프라인 vs 추론 구성 요소
| 구분 | 하는 일 | 문제 속 단서 | |------|------|------| | 멀티 모델 엔드포인트(MME) | 같은 프레임워크의 모델 수천 개를 한 엔드포인트에 두고 호출될 때 메모리에 올림 | "고객별 모델 수천 개, 비용 절감, 첫 호출 지연 허용" | | 멀티 컨테이너 엔드포인트 | 서로 다른 프레임워크의 컨테이너 여러 개를 한 엔드포인트에서 각각 호출 | "TensorFlow 모델과 PyTorch 모델을 한 엔드포인트에" | | 추론 파이프라인 | 컨테이너 2~15개를 순서대로 실행 (전처리 → 모델 → 후처리) | "학습 때와 같은 전처리를 추론에도 그대로" | | 추론 구성 요소 | 한 엔드포인트의 여러 모델에 자원을 따로 배정하고 따로 확장 | "모델마다 CPU · 메모리를 나누고 0까지 축소" |
배포 전략: 블루/그린, 카나리, 선형, 섀도, A/B
블루/그린은 새 환경을 만들어 트래픽을 옮기고, 카나리는 작은 비율을 먼저 보낸 뒤 전부 옮기며, 선형은 일정 비율씩 단계적으로 옮깁니다. 셋 다 CloudWatch 경보로 자동 롤백할 수 있습니다. 섀도 테스트는 사용자 응답 없이 새 모델을 평가하고, A/B 테스트는 프로덕션 변형의 가중치로 트래픽을 나눠 실제 결과를 비교합니다.
오케스트레이션: SageMaker Pipelines vs Step Functions vs MWAA vs CodePipeline
SageMaker Pipelines는 ML 단계만으로 된 워크플로, Step Functions는 여러 AWS 서비스를 엮는 범용 흐름, MWAA는 기존 Airflow DAG, CodePipeline은 코드 변경에서 시작하는 CI/CD(소스 → 빌드 → 테스트 → 배포)입니다.
관련 글: 배포 인프라와 스케일링 전략, SageMaker 엔드포인트 Auto Scaling 심화와 배포 대상 선택, MLOps와 CI/CD 파이프라인 구축
---
도메인 4: 모니터링, 비용, 보안에서 헷갈리는 쌍
CloudWatch vs CloudTrail vs X-Ray vs AWS Config
| 도구 | 답하는 질문 | |------|------| | CloudWatch | 지금 성능이 정상인가? (지표 · 로그 · 경보 · 대시보드) | | CloudTrail | 누가 언제 어떤 API를 호출했나? | | X-Ray | 요청이 여러 서비스를 거치는 동안 어디서 느려졌나? | | AWS Config | 리소스 설정이 규칙을 지키고 있나? |
Cost Explorer vs Budgets vs Trusted Advisor vs Compute Optimizer vs Inference Recommender
| 도구 | 하는 일 | |------|------| | Cost Explorer | 과거 비용을 서비스 · 태그별로 분석하고 앞으로의 비용을 예측 | | AWS Budgets | 예산을 정하고 넘거나 넘을 것으로 예상되면 알림 | | Trusted Advisor | 비용 최적화 · 보안 · 성능 · 서비스 할당량 등을 모범 사례 기준으로 점검 | | Compute Optimizer | EC2 · Lambda · ECS(Fargate) 같은 리소스의 사용률로 크기 조정 권장 | | Inference Recommender | SageMaker 엔드포인트의 인스턴스 유형을 부하 테스트로 추천 |
Macie vs Comprehend PII vs Secrets Manager
Macie는 S3 객체에서 민감 데이터를 찾고, Comprehend PII는 텍스트 안의 개인정보를 탐지 · 마스킹하며, Secrets Manager는 비밀번호와 API 키를 저장하고 자동으로 교체합니다.
관련 글: 모델 모니터링, 비용 최적화, 보안, ML 보안 심화
---
이름이 바뀌었거나 신규 가입이 막힌 서비스와 기능
예전 자료나 문제은행에 나오는 이름을 지금 상태와 연결해 두세요. 신규 가입이 막혔더라도 MLA-C01 안내서 범위에는 남아 있어 보기로 나올 수 있습니다.
| 대상 | 지금 상태 | 시기 | |------|------|------| | Kinesis Data Firehose | Amazon Data Firehose로 이름 변경 | 2024년 | | Kinesis Data Analytics | Amazon Managed Service for Apache Flink로 이름 변경, SQL 애플리케이션은 종료 | 2023년 / 2026년 1월 | | Data Wrangler, Autopilot | SageMaker Canvas 안으로 통합 | 그 이전 | | SageMaker Experiments | 새 Studio에서는 MLflow 사용 권장 | 그 이전 | | Amazon QuickSight | Amazon Quick의 Quick Sight | 2025~2026년 | | Clarify, Debugger, Model Monitor | 신규 고객 불가, 기존 고객은 계속 사용 | 2026년 7월 30일 | | Ground Truth, A2I, Mechanical Turk, Role Manager | 신규 고객 불가, 기존 고객은 계속 사용 | 2026년 7월 30일 | | SageMaker Edge Manager | 종료 | 2024년 4월 | | Elastic Inference | 신규 고객 중단 후 종료 (Inferentia나 작은 GPU 인스턴스로) | 2023년 4월 | | S3 Select | 신규 고객 불가 (Athena로) | 2024년 | | Forecast, Lookout 3종, Fraud Detector, Kendra | 종료 또는 신규 고객 불가 | 2024~2026년 |
---
문제 속 단서 표현으로 정답 고르기