AWS Certified Machine Learning Engineer - Associate(MLA-C01)는 SageMaker AI를 중심으로 ML 모델을 학습시키는 데서 끝나지 않고, 배포하고, 자동화하고, 감시하고, 보호하는 전 과정을 다루는 Associate 레벨 자격증입니다. 2026년 9월 29일부터 영어 시험은 개정판 MLA-C02(베타)로 바뀌었지만 한국어 · 일본어 · 중국어 간체 MLA-C01은 MLA-C02가 정식 출시될 때까지 계속 응시할 수 있어, 이 가이드는 MLA-C01을 기준으로 정리하고 바뀐 점을 함께 짚습니다.
이 글은 MLA-C01 도메인별 딥다이브 13편 시리즈의 안내서입니다. 개별 주제로 들어가기 전에 시험 구조와 응시 대상, 그리고 이 자격증이 AWS 커리어에서 어디에 위치하는지 전체 지도를 먼저 그려봅니다.
---
MLA-C01은 누구를 위한 자격증인가?
MLA-C01은 공장을 짓고 돌리는 일과 닮았습니다. 좋은 설계도(모델)가 있어도 원자재(데이터)를 들이고, 생산 라인(파이프라인)을 자동화하고, 불량률(드리프트)을 감시하고, 출입(보안)을 통제해야 공장이 돌아갑니다. 시험도 모델의 정확도보다 이 운영 전체를 AWS 서비스로 어떻게 구성하는지를 묻습니다.
이 자격증은 특히 다음과 같은 분들에게 잘 맞습니다.
| 대상 | 이 자격증이 맞는 이유 | |------|------| | ML 엔지니어 · MLOps 엔지니어 | SageMaker AI로 학습 · 배포 · 자동화하는 실무 역량을 공식적으로 검증 | | 데이터 과학자 | 노트북 밖으로 모델을 꺼내 운영하는 배포 · 모니터링 · 비용 감각을 보강 | | 백엔드 · DevOps 엔지니어 | 익숙한 CI/CD · IaC · 보안 지식을 ML 워크로드로 확장 | | 데이터 엔지니어 | 데이터 파이프라인을 모델 학습과 추론까지 잇는 역할로 확장 | | AIF-C01 취득자 | 개념 이해에서 실제로 구축하고 운영하는 단계로 올라가는 다음 자격증 |
응시에 필요한 사전 자격은 없습니다. AWS는 SageMaker AI와 관련 서비스로 ML 엔지니어링을 해 본 경험 1년 이상, 그리고 백엔드 개발 · DevOps · 데이터 엔지니어링 · 데이터 과학 같은 관련 직무 경험 1년 이상을 권장합니다. 한국어로 응시할 수 있고, ML 이론보다는 SageMaker AI 기능과 AWS 서비스 조합을 고르는 판단력이 핵심입니다.
---
시험 기본 정보
| 항목 | 내용 | |------|------| | 시험 코드 | MLA-C01 | | 정식 명칭 | AWS Certified Machine Learning Engineer - Associate | | 레벨 | Associate | | 합격 점수 | 720점 (100~1,000점 범위) | | 문항 수 | 65개 (채점 50개 + 비채점 15개) | | 시험 시간 | 130분 | | 응시료 | 150 USD | | 유효 기간 | 3년 | | 문제 유형 | 객관식, 복수 응답, 순서 배열, 짝 맞추기, 사례 연구 | | 응시 언어 | 한국어, 일본어, 중국어 간체 (영어 MLA-C01은 2026년 9월 28일 종료) | | 상태 | 개정 중: 영어는 MLA-C02 베타(170분 · 85문항 · 75 USD) | | 응시 방식 | Pearson VUE 시험장 또는 온라인 감독 시험 | | 권장 경험 | SageMaker AI 등으로 ML 엔지니어링 1년 + 관련 직무 1년 (필수 아님) |
비채점 15개 문항은 AWS가 향후 시험에 쓸 문항을 평가하기 위해 넣는 것으로, 어느 문항인지는 표시되지 않습니다. 답하지 않은 문항은 오답으로 처리되고 틀려도 감점은 없습니다. 채점은 보상형이라 도메인별 과락 없이 전체 720점만 넘으면 됩니다. 객관식과 복수 응답 외에 순서 배열, 짝 맞추기, 사례 연구 문항이 나오며, 복수 응답 · 순서 배열 · 짝 맞추기는 모두 맞아야 점수를 받고 사례 연구는 문항마다 따로 채점합니다.
---
시험 도메인 구성
MLA-C01은 4개의 도메인으로 구성됩니다. 아래 비중은 채점 대상 문항을 기준으로 한 공식 수치입니다.
| 도메인 | 주제 | 비율 | 딥다이브 | |------|------|------|------| | 도메인 1 | ML을 위한 데이터 준비 | 28% | 3편 | | 도메인 2 | ML 모델 개발 | 26% | 5편 | | 도메인 3 | ML 워크플로 배포 및 오케스트레이션 | 22% | 3편 | | 도메인 4 | ML 솔루션 모니터링, 유지 관리, 보안 | 24% | 2편 |
도메인 1(데이터 준비)이 28%로 가장 크지만 나머지 세 도메인도 22~26%로 고르게 나뉩니다. 한 도메인만 깊게 파서는 합격선을 넘기 어렵고, 데이터 준비 → 모델 개발 → 배포 → 운영으로 이어지는 흐름 전체를 고르게 공부해야 합니다. 문제은행 기준으로는 엔드포인트 확장, 보안, 관리형 AI 서비스, 스트리밍과 이벤트 자동화가 특히 자주 나옵니다.
!MLA-C01 시험 4개 도메인 비중
도메인 1: ML을 위한 데이터 준비 (28%)
데이터를 모으고, 모델이 학습할 수 있는 형태로 바꾸고, 품질과 편향을 확인하는 영역입니다.
주요 내용: S3 · EFS · FSx 같은 저장소와 Parquet · ORC · RecordIO 같은 형식 선택, Kinesis · Firehose · Managed Service for Apache Flink · MSK로 스트리밍 수집, Glue · DataBrew · Data Wrangler · EMR로 변환, 스케일링 · 인코딩 · 결측값 처리 같은 피처 엔지니어링, Feature Store, Ground Truth 라벨링, Glue Data Quality와 Clarify 사전 학습 편향 지표, 암호화 · 마스킹과 PII · PHI 규정 준수.
시험 팁: "학습과 추론에서 같은 특징값을 써야 한다" → Feature Store. "코드 없이 데이터 품질을 정제한다" → Glue DataBrew. "대규모 분산 학습에 고속 공유 파일 시스템이 필요하다" → FSx for Lustre.
관련 글: 데이터 수집과 저장 전략, 스트리밍·이벤트 기반 ML 파이프라인, 피처 엔지니어링과 데이터 품질
도메인 2: ML 모델 개발 (26%)
문제에 맞는 모델링 방법을 고르고, 학습하고 튜닝하고, 성능을 평가하는 영역입니다.
주요 내용: 관리형 AI 서비스와 SageMaker AI 내장 알고리즘 · JumpStart · Bedrock 중 선택, Script Mode와 분산 학습 · Spot 학습, 자동 모델 튜닝(베이지안 · 랜덤 · Hyperband), 정규화 · 조기 중지 · 앙상블, 치명적 망각, 모델 크기 줄이기, 모델 레지스트리, 혼동 행렬 · F1 · AUC · RMSE 같은 평가 지표, Clarify와 Debugger, 섀도 변형 비교.
시험 팁: "ML 전문가 없이 제품명이 잘못 받아 적히는 문제를 해결" → Transcribe 사용자 지정 어휘. "학습 정확도는 높고 검증 정확도는 낮다" → 과적합이므로 정규화 · 조기 중지. "사기가 0.5%인 데이터에서 정확도 99%" → 재현율 · F1로 평가.
관련 글: 모델링 접근법 선택, AWS AI 서비스 선택 가이드, 클라우드 엔지니어를 위한 ML 기초, 모델 훈련·튜닝·평가, 평가 지표 실전과 클래스 불균형 대응
도메인 3: ML 워크플로 배포 및 오케스트레이션 (22%)
학습한 모델을 서비스로 올리고, 확장하고, 전 과정을 자동화하는 영역입니다.
주요 내용: 실시간 · 서버리스 · 비동기 · 배치 추론 선택, 멀티 모델 · 멀티 컨테이너 엔드포인트, SageMaker 엔드포인트 · EKS · ECS · Lambda 중 배포 대상, Auto Scaling 정책과 지표, CloudFormation · CDK, 컨테이너(ECR · BYOC), VPC 안의 엔드포인트, SageMaker Pipelines · Step Functions · MWAA · EventBridge, CodePipeline · CodeBuild · CodeDeploy와 블루/그린 · 카나리 · 선형 배포.
시험 팁: "매일 오전 9시 피크를 미리 대비하고 그 밖의 변동에도 대응" → 예약 확장 + 대상 추적. "큰 페이로드를 몇 분 처리하고, 요청이 없으면 0으로" → 비동기 추론. "모델이 승인되면 자동 배포" → 모델 레지스트리 승인 이벤트를 받는 EventBridge 규칙.
관련 글: 배포 인프라와 스케일링 전략, 엔드포인트 Auto Scaling과 배포 대상 선택, MLOps와 CI/CD 파이프라인 구축
도메인 4: ML 솔루션 모니터링, 유지 관리, 보안 (24%)
운영 중인 모델과 인프라를 감시하고, 비용을 줄이고, 시스템을 보호하는 영역입니다.
주요 내용: Model Monitor로 데이터 · 모델 품질 드리프트 감시, A/B 테스트, CloudWatch · X-Ray · CloudTrail로 관찰과 감사, Inference Recommender · Compute Optimizer로 크기 조정, Spot · Savings Plans · 태그 · Budgets로 비용 관리, IAM 최소 권한, VPC 격리와 네트워크 격리, KMS 암호화, CI/CD 보안.
시험 팁: "운영 중 입력 데이터 분포가 학습 때와 달라졌다" → Model Monitor 데이터 품질. "학습 데이터가 인터넷을 거치면 안 된다" → 프라이빗 서브넷 + S3 게이트웨이 엔드포인트. "누가 엔드포인트 설정을 바꿨나" → CloudTrail.
관련 글: 모델 모니터링, 비용 최적화, 보안, ML 보안 심화
---
MLA-C01과 MLA-C02, 그리고 AWS AI/ML 자격증 로드맵
AWS AI/ML 자격증은 Foundational(AIF-C01) → Associate(MLA) → Professional(AIP-C01) 순서로 이어지고, 이 중 MLA는 2026년 가을에 개정판으로 넘어가는 중입니다. 먼저 두 버전의 차이를 정리합니다.
| 구분 | MLA-C01 (현재 시험) | MLA-C02 (개정판 베타) | |------|------|------| | 응시 언어 | 한국어 · 일본어 · 중국어 간체 (영어는 2026년 9월 28일 종료) | 영어만 (정식 출시 때 한국어 · 일본어 · 중국어 간체 추가 예정) | | 시험 형식 | 130분 · 65문항 · 150 USD | 170분 · 85문항 · 75 USD (베타 가격) | | 문제 유형 | 객관식 · 복수 응답 · 순서 배열 · 짝 맞추기 · 사례 연구 | 객관식 · 복수 응답 | | 도메인 비중 | 28% · 26% · 22% · 24% | 28% · 24% · 24% · 24% | | 범위 변화 | 이 시리즈의 기준 범위 | Bedrock 지식 기반 · RAG · 임베딩 · 에이전트 · 생성형 AI 평가 추가, Neo · BYOC · 모델 크기 줄이기 삭제 |
어느 시험으로 합격하든 같은 AWS Certified Machine Learning Engineer - Associate 자격증을 받고 유효 기간도 3년입니다. 한국어로 응시한다면 이 시리즈 그대로 준비하면 되고, 영어로 응시한다면 생성형 AI 범위를 AIP-C01 가이드로 보충하세요. 예전 상위 자격증이던 Machine Learning - Specialty(MLS-C01)는 2026년 3월 31일에 종료되었고, 지금 AI/ML의 다음 단계는 Professional 레벨의 AIP-C01(180분 · 75문항 · 300 USD)입니다. 개념부터 다지려면 AIF-C01 가이드가 출발점입니다.
---
초보자를 위한 학습 로드맵
ML 엔지니어링을 처음 체계적으로 공부하는 분을 위한 단계별 학습 순서입니다.
1단계(1~2주): ML 기초와 SageMaker AI 지도. 에폭 · 학습률 · 과적합 · 평가 지표 같은 기초를 먼저 잡고, SageMaker AI의 학습 작업 → 모델 → 엔드포인트 흐름을 콘솔에서 한 번 따라 해 봅니다.
2단계(2주): 데이터 준비. S3 · Parquet · Feature Store와 Glue · Data Wrangler 변환, Kinesis · Firehose 스트리밍을 정리합니다. 비중이 가장 큰 도메인이니 시간을 넉넉히 잡습니다.
3단계(2주): 모델 개발. AI 서비스와 내장 알고리즘 선택, 자동 모델 튜닝, Clarify와 Debugger를 정리하고, 상황별로 평가 지표를 고르는 연습을 합니다.
4단계(2주): 배포와 MLOps. 추론 방식 4종과 Auto Scaling, SageMaker Pipelines · 모델 레지스트리 · EventBridge로 재학습을 자동화하는 구조를 그려 봅니다.
5단계(1~2주): 운영 · 보안과 문제 풀이. Model Monitor, 비용 도구, VPC · KMS · IAM을 정리한 뒤 AWS Skill Builder의 공식 연습 문제와 모의고사로 약한 도메인을 확인합니다.
가장 흔한 실수는 SageMaker AI 기능 이름만 외우는 것입니다. MLA-C01의 문제는 대부분 데이터가 어떻게 들어와서, 어떤 모델로 학습되고, 어떻게 배포되어, 무엇으로 감시되는지라는 흐름 속의 한 지점을 묻습니다. 마지막 정리는 헷갈리는 서비스 비교 총정리로 자주 바꿔 고르는 쌍을 점검하며 마무리하세요.
---
시험 응시 체크리스트