AWS에서 ML 워크로드 구축·배포·운영 역량을 검증하는 ML 엔지니어 자격증. SageMaker, MLOps 파이프라인 포함.
데이터 수집 및 저장(S3·Kinesis·Glue), 피처 엔지니어링(SageMaker Data Wrangler·Feature Store), 데이터 품질 및 거버넌스(Clarify·Lake Formation)
모델링 접근법 선택(내장 알고리즘·JumpStart·Bedrock), 모델 훈련 및 튜닝(분산 훈련·HPO·Debugger), 모델 분석 및 평가(Clarify·SHAP·성능 지표)
배포 인프라 선택(실시간·배치·서버리스 추론), ML 인프라 스케일링(Auto Scaling·컨테이너·VPC), CI/CD 파이프라인(SageMaker Pipelines·CodePipeline·MLOps)
모델 추론 모니터링(Model Monitor·드리프트 감지), 인프라 및 비용 최적화(CloudWatch·Inference Recommender), ML 솔루션 보안(IAM·KMS·VPC 격리)
무료 샘플 세트의 실전형 문제를 바로 풀어보세요. 모든 정답에 상세 해설이 제공됩니다.
한 금융 기업의 MLOps 팀은 데이터 과학자가 SageMaker에서 학습한 모델을 수동으로 승인하고 배포하는 과정에서 배포 지연과 환경 간 구성 불일치가 빈번하게 발생하고 있습니다.
이 팀은 모델 학습 완료 후 자동으로 모델 아티팩트를 검증하고, 스테이징 환경에 배포한 뒤 승인 절차를 거쳐 프로덕션 엔드포인트까지 자동으로 배포되는 파이프라인을 구축하려 합니다. 인프라 구성은 코드로 관리되어야 하며, 배포 환경의 재현성을 보장해야 합니다.
운영 오버헤드를 최소화하면서 모델 배포의 일관성과 자동화 수준을 높이기 위해 가장 적절한 CI/CD 파이프라인 구성 방식은 무엇입니까?
정답: B. CodePipeline + CloudFormation + 승인 단계
배포 자동화의 핵심은 학습 완료 후 프로덕션까지의 전 과정이 코드로 정의되고 인간 개입 없이 실행되는 파이프라인입니다. AWS CodePipeline은 소스 변경을 트리거로 모델 아티팩트 검증, 스테이징 배포, 수동 승인 게이트, 프로덕션 배포를 순차적으로 오케스트레이션하며, 이 흐름이 이 문제의 요건과 정확히 일치합니다. CloudFormation은 인프라를 YAML/JSON 템플릿으로 선언하여 스테이징과 프로덕션 환경을 동일하게 프로비저닝하므로 구성 불일치를 원천 차단합니다.
AWS CodePipeline은 완전관리형 지속적 전달(CD) 서비스로, Manual Approval Action을 삽입하여 스테이징 검증 후 담당자 승인이 완료된 경우에만 프로덕션 배포 단계로 진행합니다. SageMaker 모델 레지스트리와 통합하면 승인된 모델 버전만 파이프라인에 진입하도록 거버넌스를 구성할 수 있습니다. CloudFormation은 동일 템플릿으로 환경을 반복 재현하므로 환경 간 드리프트가 발생하지 않습니다.
시험에서 IaC + 승인 단계 + 자동 배포가 함께 등장하면 CodePipeline + CloudFormation 조합이 정답입니다. SageMaker Pipelines는 ML 학습·평가 워크플로우 전용이며 전체 CI/CD 오케스트레이션은 CodePipeline이 담당한다는 구분을 기억하세요.
한 핀테크 기업은 SageMaker에서 학습한 사기 탐지 모델을 자체 온프레미스 애플리케이션에서 HTTPS를 통해 호출할 수 있도록 배포해야 합니다. 보안 정책상 모든 추론 요청은 반드시 TLS로 암호화되어야 하며, 온프레미스 네트워크에서 퍼블릭 인터넷을 거치지 않고 AWS 내부 네트워크를 통해 안전하게 접근해야 합니다.
기존 인프라 변경을 최소화하면서 보안 요구사항을 충족하는 추론 엔드포인트 접근 구성으로 가장 적절한 방식은 무엇입니까?
정답: B. Direct Connect + PrivateLink VPC 엔드포인트
정답을 고르려면 먼저 '퍼블릭 인터넷 미경유'와 '온프레미스 직접 접근'이라는 두 요건을 동시에 충족하는 구조를 파악해야 합니다. AWS Direct Connect는 온프레미스 데이터센터와 AWS 간에 전용 물리 회선을 제공하여 트래픽이 인터넷을 전혀 경유하지 않습니다. AWS PrivateLink 기반 VPC 인터페이스 엔드포인트를 SageMaker Runtime에 생성하면 Direct Connect를 통해 진입한 온프레미스 트래픽이 VPC 내부 네트워크로 SageMaker 엔드포인트에 도달하며, TLS 암호화는 HTTPS 프로토콜로 자동 제공됩니다.
AWS Direct Connect는 최소 1Gbps에서 100Gbps까지의 전용 물리 회선을 제공하며, 인터넷 경유 없이 일관된 저지연과 안정적인 대역폭을 보장합니다. AWS PrivateLink(VPC Interface Endpoint)는 AWS 서비스에 VPC 내부 IP 주소를 할당하여 서비스에 비공개로 접근하게 합니다. SageMaker Runtime의 경우 com.amazonaws.{region}.sagemaker.runtime 엔드포인트 서비스를 VPC 내에 생성하면 됩니다. 두 서비스를 조합하면 온프레미스에서 인터넷 없이 SageMaker 추론 엔드포인트에 안전하게 접근하는 완전한 프라이빗 경로가 구성됩니다.
VPN은 인터넷 기반 암호화 터널이므로 퍼블릭 인터넷을 경유하며, 보기 1의 '퍼블릭 엔드포인트'와 조합하면 보안 요건을 충족하지 못합니다. API Gateway + Lambda 프록시는 추가 인프라 구성이 필요하여 '기존 인프라 변경 최소화' 요건에 어긋납니다. CloudFront는 완전한 인터넷 기반 CDN 서비스로 비인터넷 접근 요건과 근본적으로 상충합니다. 시험 핵심: '온프레미스 → AWS 완전 프라이빗 연결'이면 Direct Connect, 'VPC에서 AWS 서비스 비공개 접근'이면 PrivateLink, 이 둘의 조합이 온프레미스에서 인터넷 없이 AWS 서비스에 접근하는 표준 패턴입니다.
한 미디어 스트리밍 기업은 SageMaker 실시간 추론 엔드포인트로 콘텐츠 추천 서비스를 운영하고 있습니다.
평일 낮 시간에는 요청이 적지만 저녁과 주말에는 트래픽이 3~5배 급증하는 패턴이 반복됩니다. 현재 고정 인스턴스 수로 운영 중이어서 트래픽이 낮을 때는 비용 낭비가, 높을 때는 응답 지연이 발생합니다.
트래픽 변화에 자동으로 대응하면서도 과도한 스케일링 비용을 방지하기 위해, 인스턴스 수를 특정 지표 기준으로 자동 조절하는 가장 적절한 오토스케일링 정책 유형은 무엇입니까?
정답: C. Target Tracking Scaling 정책
이 문제는 데이터 스트리밍과 메시지 큐잉을 구분할 수 있는지보다, 세 가지 오토스케일링 정책 유형 중 '특정 지표 기준으로 자동 조절하면서 과도한 비용을 방지'하는 정책을 식별할 수 있는지를 확인합니다. Target Tracking Scaling은 InvocationsPerInstance 같은 지표를 목표값으로 설정하면 SageMaker Application Auto Scaling이 자동으로 인스턴스 수를 조절하여 그 목표를 유지합니다. 지표가 목표 이상이면 스케일 아웃, 목표 아래면 스케일 인을 수행하므로 트래픽 변화에 정밀하게 반응하면서도 불필요한 인스턴스를 자동으로 제거합니다.
SageMaker 엔드포인트의 오토스케일링은 AWS Application Auto Scaling을 기반으로 동작합니다. Target Tracking Scaling에서 대표 지표는 SageMakerVariantInvocationsPerInstance(분당 추론 호출 수)이며, 목표값(예: 분당 70 요청)을 설정하면 시스템이 자동으로 그 값을 유지하도록 인스턴스를 조절합니다. 스케일 인 쿨다운(ScaleInCooldown)과 스케일 아웃 쿨다운(ScaleOutCooldown)을 별도로 설정하여 과도한 잦은 스케일링을 방지합니다. AWS 공식 문서에서도 SageMaker 엔드포인트에 Target Tracking을 기본 권장 오토스케일링 정책으로 명시하고 있습니다.
수동 인스턴스 증설은 자동화 요건 자체를 충족하지 못합니다. Simple Scaling은 단일 임계값 트리거 후 쿨다운 동안 추가 조치가 없어 급격한 트래픽 변화에 비효율적입니다. Step Scaling은 자동화는 가능하지만 임계값 구간과 조절량을 수동으로 설계해야 해서 운영 부담이 크고 Target Tracking에 비해 정밀도가 떨어집니다. 시험에서 '특정 지표 기준 자동 조절'이 핵심이면 Target Tracking Scaling을 선택합니다.
한 온라인 게임 기업은 DynamoDB에 저장된 수억 건의 사용자 행동 이벤트 데이터를 활용하여 SageMaker에서 이탈 예측 모델을 학습하려 합니다. DynamoDB의 데이터는 지속적으로 증가하며, JSON 형식의 중첩된 속성을 포함하고 있어 ML 학습에 바로 사용하기 어렵습니다.
운영 중인 DynamoDB 테이블의 읽기 성능에 영향을 주지 않으면서 대규모 데이터를 정기적으로 추출하고, 학습에 적합한 정형 포맷으로 변환하여 S3에 적재하기 위한 가장 적절한 ETL 파이프라인 설계 방식은 무엇입니까?
정답: C. Glue ETL + DynamoDB Export to S3
이 시나리오에서 가장 중요한 조건은 운영 중인 DynamoDB 테이블의 읽기 성능에 영향을 주지 않으면서입니다. Scan API나 EMR DynamoDB Connector는 테이블을 직접 읽어 읽기 용량 단위(RCU)를 소비하므로 이 조건을 위반합니다. DynamoDB Export to S3는 PITR(특정 시점 복구) 스냅샷 기반으로 데이터를 내보내기 때문에 운영 테이블의 읽기 용량에 전혀 영향을 주지 않으며, AWS Glue ETL이 이후 JSON 중첩 구조를 ML에 적합한 정형 포맷으로 변환합니다.
DynamoDB Export to S3는 DynamoDB 테이블에 PITR이 활성화된 경우 사용 가능한 완전관리형 내보내기 기능입니다. 전체 테이블 또는 특정 시점 스냅샷을 DynamoDB JSON 또는 Amazon Ion 형식으로 S3에 내보내며, 내보내기 작업 자체가 테이블 RCU를 소비하지 않습니다. AWS Glue ETL은 서버리스 Apache Spark 기반 서비스로, DynamicFrame API를 사용하여 중첩 JSON 구조를 평탄화하고 SageMaker가 읽을 수 있는 Parquet, CSV 형식으로 변환합니다. EventBridge 스케줄러와 연동하면 정기적 자동 실행 파이프라인도 구성할 수 있습니다.
시험에서 DynamoDB 운영 성능 영향 없이 대규모 추출이 나오면 DynamoDB Export to S3가 핵심입니다. DynamoDB Streams는 변경 데이터 캡처(CDC) 전용이며 전체 배치 추출에는 부적합하고, Scan API와 EMR Connector는 RCU를 직접 소비하여 운영 성능에 영향을 준다는 차이를 구분하세요.
한 자율주행 기술 기업은 SageMaker에서 수백만 개의 소형 이미지 파일(각 수 KB~수 MB)과 수십 GB 규모의 대용량 센서 로그 파일을 동시에 사용하여 딥러닝 모델을 학습하고 있습니다. 현재 모든 데이터를 S3에서 직접 읽어오고 있어 학습 초기 데이터 로딩 시간이 전체 학습 시간의 상당 부분을 차지하며, GPU 활용률이 낮은 상태입니다.
학습 시간을 단축하고 GPU 활용률을 극대화하면서도 비용을 합리적으로 유지하기 위해 소형 파일과 대용량 파일 각각에 대해 가장 적절한 데이터 접근 전략은 무엇입니까?
정답: B. S3 Fast File Mode + FSx for Lustre
정답을 고르려면 먼저 소형 다수 파일과 대용량 단일 파일의 I/O 특성 차이를 이해해야 합니다. 소형 이미지 파일 수백만 개는 IOPS(초당 입출력 횟수) 병목이 핵심 문제이며, S3 Fast File Mode는 파일을 학습 인스턴스에 다운로드하지 않고 S3에서 직접 POSIX 호환 방식으로 스트리밍하여 로딩 지연을 최소화합니다. 수십 GB의 대용량 센서 로그는 순차 처리량(throughput)이 관건이며, Amazon FSx for Lustre는 HPC에 최적화된 병렬 파일시스템으로 S3 버킷과 직접 연동하여 수백 GB/s 수준의 집계 처리량을 제공합니다.
SageMaker의 데이터 입력 모드는 File Mode, Pipe Mode, Fast File Mode 세 가지입니다. Fast File Mode는 S3 객체를 파일시스템처럼 마운트하여 학습 시작과 동시에 데이터를 스트리밍하므로 사전 다운로드 대기 시간이 없고, 소형 파일 무작위 접근에 최적화되어 있습니다. FSx for Lustre는 완전관리형 병렬 파일시스템으로 분산 학습에서 여러 GPU 인스턴스가 동시에 접근할 수 있으며, S3 데이터 레이어와 자동 연동하여 학습 기간에만 프로비저닝하면 비용을 제어할 수 있습니다.
소형 다수 파일 + GPU 활용률 저하가 나오면 Fast File Mode, 대용량 파일 + 고처리량이 나오면 FSx for Lustre를 기억하세요. EBS는 단일 인스턴스에만 연결 가능하여 멀티 인스턴스 분산 학습 시 공유 불가라는 치명적 한계가 있으므로 분산 학습 시나리오에서 제외됩니다.
AWS Certified Machine Learning Engineer – Associate (MLA-C01) 시험은 총 65문항으로 구성되어 있으며, 시험 시간은 130분입니다.
MLA-C01 시험의 합격 점수는 1000점 만점 중 720점 이상입니다.
MLA-C01 샘플 세트 20문항은 해설까지 포함해 무료로 풀 수 있습니다. 340문항 이상의 전체 문제 세트는 CloudMasterIT 구독으로 이용할 수 있습니다.
MLA-C01 자격증은 취득 후 3년간 유효하며, 이후 재인증이 필요합니다.