[가이드북]
1. 다음 중 언어모델(Language Model)의 주요 목표로 가장 적절한 것은?
② 주어진 문맥에서 다음 단어를 예측하거나 텍스트의 의미를 이해하는 것이다.
2. 다음 중 트랜스포머 모델이 RNN이나 LSTM과 비교해 가지는 장점으로 옳지 않은 것은?
③ 학습 속도가 느리지만 더 정밀한 결과를 도출한다.
3. BERT 모델의 주요 특징으로 가장 적절하지 않은 것은?
③ 텍스트 생성 작업에서 뛰어난 성능을 보인다.
4. 다음 중 Seq2Seq 모델의 주요 특징에 해당하는 것은?
③ 입력 시퀀스를 인코더-디코더 구조로 처리한다.
5. 다음 중 강화 학습 기반 모델의 주요 목적에 해당하지 않는 것은?
② 데이터를 효율적으로 저장하고 검색한다.
6. 트랜스포머 모델에서 위치 인코딩(Positional Encoding)의 역할은?
② 각 단어의 순서를 모델이 인식할 수 있도록 돕는다.
7. 다음 중 BERT 모델의 활용 사례로 옳지 않은 것은?
① 고객 리뷰 감정 분석
② 텍스트 요약 작업
③ 의료 기록 분석
④ 검색 엔진 질의응답
9. Seq2Seq 모델에서 어텐션 메커니즘의 주요 기능으로 가장 적절한 것은?
② 입력 시퀀스의 각 단어가 가지는 중요도를 평가한다.
15. 강화 학습에서 에이전트가 보상 신호를 받지 못하는 경우, 학습이 어려운 이유로 적절한 것은?
① 학습의 목표가 없는 상태로 인해 최적의 행동을 학습할 수 없기 때문이다.
19. Seq2Seq 모델의 인코더-디코더 구조에서 인코더의 주요 역할은?
① 입력 데이터를 압축된 벡터로 변환한다.
1. 프롬프트 최적화의 주요 목적은 무엇인가?
② AI가 질문에 대해 더 정확하고 유용한 응답을 제공하도록 프롬프트를 조정하는 것
14. Few-shot 프롬프팅의 단점은 무엇인가?
① 많은 계산 자원을 요구한다.
15. ReAct 프롬프팅의 활용 분야로 적절하지 않은 것은?
③ 텍스트 요약
2. GPT-4가 주로 활용되는 분야로 적절하지 않은 것은?
③ 시계열 데이터 분석
3. BERT의 학습 방식으로 적절한 것은?
② 마스크 언어 모델링
4. XLNet의 퍼뮤테이션 언어 모델링 방식의 장점은 무엇인가?
① 단어 순서에 민감하지 않아 모델이 유연하게 학습한다.
12. 다음은 T5 모델의 활용 방식입니다. 이 중 틀린 설명은 무엇인가?
③ T5는 오직 한 가지 도메인에서만 작동하며, 다른 작업에는 적합하지 않다.
15. XLNet의 학습 방식이 BERT와 다른 점은 무엇인가?
② 퍼뮤테이션 모델링을 통해 다양한 단어 조합을 학습한다.
18. 유지 보수 예측 시스템에서 LSTM의 역할은 무엇인가?
① 시계열 데이터를 분석하여 미래의 상태를 예측한다.
20. 다음은 적합 모델 분석에 활용되는 모델별 특징입니다. 다음 중 옳지 않은 것은?
③ XLNet은 데이터 증강 없이도 긴 문맥을 효과적으로 처리할 수 있다.
3. F1 점수(F1 Score)가 적합하지 않은 상황은?
④ 한 지표에 더 높은 가중치를 두고 평가해야 하는 경우
6. 다음 중 사용자 피드백의 활용 사례로 적합하지 않은 것은?
③ 응답 속도 향상을 위한 코드 최적화
14. 실시간 모니터링의 구현 사례로 적절하지 않은 것은?
④ 모델 성능 저하를 탐지해 학습 데이터 자동 추가
10. 모델 최적화 기법에 포함되지 않는 것은?
④ 데이터 압축(Compression)
13. 서버리스 아키텍처가 적합하지 않은 환경은?
② 고정적으로 높은 트래픽이 발생하는 환경
2. VGG 모델의 단점으로 적합한 것은?
③ 모델의 깊이가 깊어질수록 학습 자원과 시간이 증가한다.
3. Faster R-CNN의 구조에서 Region Proposal Network(RPN)의 역할은?
② 이미지 내 객체가 있을 가능성이 높은 영역을 제안한다.
4. YOLO 모델의 주요 특징으로 옳지 않은 것은?
④ 두 단계로 객체를 탐지하는 구조를 가진다.
5. SSD 모델의 장점으로 적절한 것은?
① 객체 탐지에서 정확도와 속도의 균형을 맞춘다.
6. FaceNet의 주요 특징으로 적절한 것은?
② 얼굴 간의 유사도를 계산하기 위해 임베딩(벡터)을 생성한다.
7. DeepFace가 FaceNet과 차별화되는 주요 기술은?
① 얼굴 정렬 기술과 심층 신경망을 사용한다.
8. CNN 모델에서 스킵 연결(skip connection)의 주요 역할은?
② 기울기 소실 문제를 방지하고, 잔차 학습을 가능하게 한다.
10. Seq2Seq 모델의 주요 응용 분야로 적합하지 않은 것은?
③ 이미지 분류
19. 트랜스포머 기반 모델이 자율 주행에 활용될 수 있는 이유는?
② 객체 간의 관계를 이해하는 셀프 어텐션을 활용한다.
20. AutoML의 주요 장점으로 적합하지 않은 것은?
② 모든 데이터 전처리를 자동으로 수행한다.
[프롬프트엔지니어 1급 샘플문제 A형]
2. 다음 중 GPT에 대한 설명으로 옳지 않은 것은?
① 트랜스포머 모델의 디코더를 기반으로 한 모델이다.
② 문장 생성에 강점이 있다.
③ 이전 단어들로부터 다음 단어를 예측하는 단방향 언어 모델이다.
④ 구글에서 만든 모델이다.
3. 다음 중 BERT에 대한 설명으로 옳지 않은 것은?
① BERT는 트랜스포머 모델의 인코더 부분을 사용하여 문장을 양방향으로 이해한다.
② BERT는 문장 생성을 위해 단방향 언어 모델을 사용한다.
③ BERT는 문맥을 양방향으로 고려하여 단어의 의미를 파악한다.
④ BERT는 사전학습(pre-training)과 미세조정(fine-tuning)을 거쳐 다양한 자연어 처리 작업에 적용될 수 있다.
- 정답 해설 : BERT는 양방향성(Bidirectional)을 통해 문맥을 이해하는 모델로, 단방향 언어 모델이 아니고, 문장을 생성하는 모델도 아니다.
5. Sequence to Sequence(Seq2Seq) 모델에 대한 설명으로 옳지 않은 것은?
① 구글에서 만든 초기 Seq2Seq 모델은 순환신경망(RNN)을 사용하여 개발되었다.
② Seq2Seq 모델은 긴 시퀀스를 처리하는 데 최적화되어 있으며, 장기 의존성을 잘 처리할 수 있다.
③ Seq2Seq 모델은 역전파(backpropagation) 기법을 사용하여 훈련되었다.
④ 트랜스포머 아키텍처는 셀프 어텐션 메커니즘을 사용하여 긴 시퀀스를 효율적으로 처리할 수 있다.
- 정답 해설 : RNN 기반 Seq2Seq 모델은 긴 시퀀스를 처리할 때 소실되는 그래디언트 문제로 인해 한계가 있다. 이 문제를 해결하기 위해 트랜스포머 모델이 도입되었다
7. 다음 중 트랜스포머 모델에 대한 설명으로 옳지 않은 것은?
① 셀프 어텐션(Self-Attention) 메커니즘을 통해 각 입력 단어와 문맥 내 다른 단어들과의 관계를 학습하도록 도와준다.
② 순환 신경망(RNN)과 유사하게 장거리 종속성 처리에 한계가 있다.
③ 입력 시퀀스를 출력 시퀀스로 변환하거나 변경하는 일종의 신경망 아키텍처이다.
④ 위치 인코딩은 각 토큰의 임베딩에 정보를 추가하여 시퀀스에서의 위치를 나타낸다.
- 정답 해설 : 트랜스포머 모델은 셀프 어텐션 메커니즘 덕분에 ‘장기 의존성(Long-term dependencies)’을 매우 효과적으로 처리할 수 있다.
8. BERT와 GPT에 대한 설명으로 적절하지 않은 것은?
① BERT는 주어진 데이터에서 문맥을 정확하게 이해하기 위해 활용될 수 있다.
② GPT는 창의적인 텍스트 생성 및 대화형 AI 서비스에서 높은 성능을 발휘한다.
③ BERT는 단방향 모델로, 텍스트 생성에 중점을 두고 설계되었다.
④ GPT는 대규모 텍스트 데이터를 활용하여 글을 요약하고 번역하는 작업에 적합하다.
- 정답 해설 : BERT는 양방향 모델이며, 텍스트 이해 작업에 특화되어 있다.
10. 다음 중 BERT, GPT-4, Bard의 특징에 대한 설명으로 옳지 않은 것은?
① BERT는 트랜스포머의 인코더 부분을 사용하여 문맥을 양방향으로 이해하는 모델이다.
② GPT-4는 텍스트 생성에 강점을 가지며, 주로 단방향 학습을 통해 문장을 생성한다.
③ Bard는 구글에서 개발한 생성 AI 챗봇 서비스로, 대화형 AI와 텍스트 요약에 특화되어 있다.
④ BERT와 GPT-4는 모두 멀티모달 데이터를 처리할 수 있는 모델이다.
- 정답 해설 : BERT는 주로 텍스트 기반 작업에 사용되며, 멀티모달 데이터를 처리하지 않는다. 반면, GPT-4는 텍스트와 이미지를 처리할 수 있는 멀티모달 모델이다.
12. 다음 중 프롬프트의 구성 요소가 아닌 것은?
① 명령(Instruction) : AI 모델이 수행해야 할 특정 작업이나 요청
② 맥락 정보(Context) : 모델이 응답을 생성할 때 참조할 수 있는 추가 정보
③ 데이터셋(Dataset) : AI 모델을 학습시키기 위해 사용된 대규모 데이터 모음
④ 입력(Input) : 모델에 제공되는 텍스트나 질문
- 정답 해설 : 프롬프트의 구성 요소는 다음과 같다.
- 모델이 수행하기를 원하는 특정 작업 또는 지침을 말하는 ‘명령(Instruction)’
- 모델을 조정할 수 있는 외부 정보 또는 추가 맥락을 일컫는 ‘맥락 정보(Context)’
- 답변을 찾고자 하는 입력 또는 질문을 말하는 ‘입력 데이터(Input Data)’
- 출력의 유형 또는 형식을 의미하는 ‘출력 데이터(Output Data)’
- “데이터셋(Dataset)”은 AI 모델을 학습시키기 위해 사용되는 대규모 데이터 모음으로, 프롬프트의 구성 요소가 아니다.
14. 다음 중 Seq2Seq 모델의 번역 작업에서 한국어 문장에 대한 전처리 과정에서 수행되는 단계로 가장 적절한것은 무엇인가?
① 입력 문장을 그대로 벡터화하여 변환
② 한국어 문장의 형태소 분석을 통해 단어 단위로 분리
③ 목표 언어로 바로 번역 후 벡터화
④ 영어와 같은 방식으로 문장 전처리
- 정답 해설 : 한국어 문장은 조사와 어미의 특성이 있기 때문에 형태소 분석을 통해 단어와 조사, 어미 등을 구분하여 처리해야 하며, 이를 통해 언어 구조에 맞는 번역을 할 수 있다.
17. 다음 중 프롬프트 패턴에 대한 설명으로 옳지 않은 것은?
① LLM이 더 정확한 결과를 도출하도록 언어와 의도를 전략적으로 배치한 프롬프트를 말한다.
② 효과적인 프롬프트 패턴은 조직 내에서 반복적으로 사용되어 시간과 자원을 절약할 수 있다.
③ 프롬프트 패턴을 통해 정확도를 높일 수 있다.
④ 프롬프트 패턴은 LLM의 학습 데이터를 수정하여 더 나은 결과를 도출하는 방식이다.
- 정답 해설 : 프롬프트 패턴은 LLM의 학습 데이터를 수정하는 것이 아니라, LLM이 이미 학습한 데이터를 바탕으로 더 나은 결과를 유도하기 위해 프롬프트를 전략적으로 구성하는 방법이다. LLM의 학습 데이터는 사용자가 수정할 수 없으며, 프롬프트 패턴을 통해 LLM의 학습된 정보를 더 잘 활용할 수 있다.
20. 대화형 인공지능(Conversational AI) 시나리오에서 토큰 제한으로 생길 수 있는 문제점은 무엇인가?
① 대화가 길어지면 모델이 문맥을 잃을 수 있다.
② 짧은 응답만 생성할 수 있다.
③ 모든 문맥을 유지하기 때문에 효율성이 낮아진다.
④ 사용자가 입력한 텍스트를 모두 기억할 수 있다.
- 정답 해설 : 대화가 길어질 경우, 토큰 제한으로 인해 모델이 초반 문맥을 잃게 되는 문제가 발생할 수 있다.
23. 다음 프롬프트를 Question Refinement 패턴을 이용해 개선하려고 한다. Question Refinement 패턴을 이용한프롬프트로 적절한 것은?
(프롬프트) 사용자 인증을 어떻게 구현하나요?
① 웹 애플리케이션에서 Java 언어와 Spring Framework를 사용해 보안적으로 안전한 사용자 인증을 구현하는방법은 무엇인가요?
25. 프롬프트 설계 시 시작할 때 권장되는 접근 방식으로 가장 적절한 것은 무엇인가?
② 간단한 프롬프트로 시작하여 점진적으로 문맥과 세부 사항을 추가한다.
26. 다음 중 Game Play 패턴에 대한 설명으로 적절한 것은?
① 작업을 게임처럼 경험할 수 있도록 전환시켜 사용자의 호기심과 동기부여를 자극하는 방식이다.
- 정답 해설 : Game Play 패턴은 작업을 게임처럼 경험하도록 전환해 사용자가 흥미를 느끼고 동기부여될 수 있게 하는 방식이다.
28. 다음 중 Meta Language Creation 패턴에 대한 설명으로 옳지 않은 것은?
① 언어 모델과의 상호작용을 보다 구조적이고 체계적으로 조직하기 위한 프롬프트 엔지니어링 기법이다.
② 명확한 지침과 맥락을 통해 모델의 응답을 예상된 방향으로 유도한다.
③ 단순한 프롬프트를 사용하여 모델이 스스로 학습 데이터를 수정하도록 한다.
④ 프롬프트를 세분화하여 명령과 맥락을 명확히 하고, 대화의 흐름을 유지하는 데 중요한 역할을 한다.
- 정답 해설 : Meta Language Creation Pattern은 LLM의 학습 데이터를 수정하는 방식이 아니라, 명확한 지침을 제공하여 모델의 응답을 구조화하는 방법입니다. LLM은 프롬프트를 통해 학습 데이터를 수정하지 않습니다.
29. Langchain이 토큰 제한을 극복하는 데 중요한 역할을 하는 이유는 무엇인가?
② 여러 번의 언어 모델 호출을 통해 긴 텍스트를 효과적으로 처리할 수 있다.
- 정답 해설 : Langchain은 여러 차례의 모델 호출을 통해 긴 텍스트를 효과적으로 처리하여 토큰 제한을 극복할 수 있다.
30. 아래 내용이 설명하는 프롬프트 전략 패턴은 무엇인가?
<프롬프트> 엑셀 데이터에서 고유식별정보와 민감 정보를 제거해 주세요.
① Semantic Filter 패턴
- 정답 해설 : 이 프롬프트는 의미적 규칙에 따라 특정 정보를 제거하도록 작성되어 있으므로 Semantic Filter 패턴에 해당한다.
31. Tail Generation Pattern에 대한 설명으로 옳지 않은 것은?
① “나는 생성형 AI에 관한 책을 쓰고 싶습니다. 이에 대한 주요 항목을 나열해 주세요. 마지막에 어떤 항목을 확장할지 물어봐 주세요."와 같은 형식으로 작성하는 패턴이다.
② 긴 대화에서 모델이 주제를 잃지 않도록 도와준다.
③ 주로 여러 개의 서로 다른 작업을 자동으로 전환하는 데 사용된다.
④ LLM이 각 응답 끝에 사용자가 해야 할 다음 작업이나 주제를 상기시키는 지침을 제공한다.
- 정답 해설 : Tail Generation Pattern은 작업 전환이 아닌, 긴 대화 중에 LLM이 대화의 주제나 지시사항을 잊지 않도록 돕기 위해 출력의 끝에 지침을 포함하는 패턴이다.
37. ReAct 프롬프팅의 Reasoning 단계에서 수행하는 작업으로 올바른 것은?
② 현재 상황에 대한 추론 제공
- 정답 해설 : Reasoning 단계에서는 현재 상황에 대해 추론을 제공합니다. 이는 행동을 수행하기 전, 상황을 이해하기 위한 과정이다.
40. 다음 프롬프트는 어떤 종류의 프롬프팅 기법을 활용했는가?
def calculate_area(length: float, width: float) -> float: """ 직사각형의 면적을 계산합니다. 인수: length (float): 직사각형의 길이. width (float): 직사각형의 너비. 반환: float: 직사각형의 면적. """ return length * width
def celsius_to_fahrenheit(celsius: float) -> float: """ 섭씨 온도를 화씨로 변환합니다. 인수: celsius (float): 섭씨 온도. 반환: float: 화씨 온도. """ return (celsius * 9/5) + 32
def calculate_bmi(weight: float, height: float) -> float: """ [이 함수에 대한 도큐먼트 스트링을 생성하세요] """
# [함수 본문을 생성하세요]
① 제로샷 프롬프팅 (Zero-shot prompting)
② 원샷 프롬프팅 (One-shot prompting)
③ 퓨샷 프롬프팅 (Few-shot prompting)
④ 연쇄적 사고 프롬프팅 (Chain of Thought prompting)
- 정답 해설 : 퓨샷 프롬프팅은 모델에게 몇 가지 예시를 제공하여 문제를 해결하는 방식으로 여러 개의 샘플 코드를 제공하고 있는 문제의 프롬프팅에 적합한 방식이다.
42. 거대 언어 모델(LLM)을 활용한 서비스 사례로 적절하지 않은 것은?
① 시스템 개발 지원을 위한 프로그래밍 코드 생성
② 고객 서비스 요청을 분류하는 고객 서비스 분석
③ 내부 지식 공유를 위한 챗봇
④ 이미지를 생성하는 예술 작품 제작
- 정답 해설 : 이미지 생성에는 주로 확산 모델(Diffusion Model)과 같은 다른 AI 기술이 사용된다.
45. CoT 연계 기법 중 최소에서 최대 프롬프팅(Least-to-Most Prompting, LTM) 기법이 특히 유용한 경우는?
③ 문제를 하위 질문으로 분해해 단계적으로 해결하는 것이 효과적인 경우
- 정답 해설 : 최소에서 최대 프롬프팅(LTM)은 복잡한 문제를 단계별로 분해하여 해결하는 데 효과적이다.
46. 이미지 생성 최적화를 위해 거대언어모델(LLM)를 활용하는 방법으로 가장 적절한 것은?
③ GPT 기반 프롬프트 도구를 사용하여 이미지 생성 최적화
- 정답 해설 : GPT 기반의 프롬프트 향상 도구를 사용하여 이미지 생성 프롬프트 최적화할 수 있다.
47. 추천 시스템을 개발하기 위해 LLM을 활용하는 방법으로 적절하지 않은 것은?
④ LLM을 활용해 상품 이미지 분석 수행
48. 기존의 자연어 처리(NLP) 기술의 한계를 극복할 수 있게 만든 거대언어모델(LLM)에 대한 설명으로 옳지 않은 것은?
① 대규모 데이터셋을 사용해 패턴을 학습하고, 반복 학습을 통해 입력 데이터와 출력 간의 관계를 스스로 학습한다.
② 트랜스포머 아키텍처는 순차적 데이터를 처리하여 다음 단어를 예측하는 데 유리하다.
③ Self-Attention 메커니즘을 사용하여 각 단어의 중요성을 평가해 더 관련성 있는 응답을 생성한다.
④ 자연어 처리의 정확성을 위해 특정 도메인을 대상에 국한하여 데이터 학습을 수행한다.
- 정답 해설 : LLM(거대 언어 모델)은 대규모의 다양한 데이터셋을 통해 학습함으로써 더 폭넓고 정확한 패턴 인식이 가능해진다. 특정 도메인에 국한해 학습하는 것은 LLM의 본질과 맞지 않다.
49. 다음 중 거대 언어 모델을 활용한 감정 분석 방법에 대한 설명으로 옳은 것은?
① 미리 작성된 감정 사전을 사용해 단어의 감정 방향성을 분석하고, 텍스트를 부정, 긍정, 중립으로 분류한다.
② 거대 데이터셋을 활용해 훈련한 후 파인튜닝을 통해 특정 도메인의 텍스트 감성을 분석한다.
③ 인공 신경망(ANN)을 활용해 감정 분석 결과를 개선한다.
④ 단어와 표현을 감정적으로 분류하여 머신 러닝 모델을 학습시킨다.
- 정답 해설 : 1, 3, 4 는 LLM보다는 전통적인 감정 분석 기법을 설명하는 것으로, 2번이 LLM의 기술적 특징에 적합한 설명이다.
52. 프롬프트 최적화 도구에 대한 설명으로 옳지 않은 것은?
① 거대 언어 모델이 더 정확하고 효율적인 결과를 생성할 수 있도록 입력된 프롬프트를 개선해준다.
② 프롬프트 최적화 도구는 입력된 프롬프트만 변경하지 않고 AI 모델의 구조를 변경하여 성능을 높인다.
③ 프롬프트 작성의 시행착오를 줄여줄 수 있다.
④ 프롬프트 최적화 도구로는 OpenAI의 Playground, 구글의 Vertex AI Prompt Optimizer 등이 있다.
- 정답 해설 : 프롬프트 최적화 도구는 AI 모델의 구조를 변경하지 않고, 입력된 프롬프트를 개선하여 더 나은 결과를 생성하도록 돕습니다.
54. AI 모델링을 할 때 시계열 데이터 Cross-Correlation Function(CCF)을 활용하는 목적은 무엇인가?
② 두 시계열 간의 상관관계를 시간 지연에 따라 분석하기 위해
- 정답 해설 : CCF는 두 시계열 간 상관관계를 시간 지연에 따라 분석하여 관련 패턴을 파악하는 데 유용하다.
55. 다음 중 거대언어모델(LLM) 기반 앱 개발 플랫폼에 대한 설명으로 옳지 않은 것은?
① LlamaIndex와 LangChain은 LLM 기반 애플리케이션 개발 프레임워크이다.
② LangChain은 자연어처리(NLP) 애플리케이션 개발을 위한 다양한 모듈을 제공한다.
③ LlamaIndex는 대규모 데이터 세트를 처리하고, 데이터 인덱싱과 질의 처리에 강점을 가진다.
④ LlamaIndex는 챗봇, 콘텐츠 생성 툴 등 NLP 기반 앱을 개발하는 데 적합하다.
- 정답 해설 : 챗봇 및 콘텐츠 생성과 같은 작업은 LangChain이 적합하다
56. 다음 중 검색증강생성(RAG)에 대한 설명으로 옳지 않은 것은?
① LLM에 추가적인 데이터를 증강하는 방법이다.
② LLM이 학습한 시점 이후에 발생한 새로운 데이터를 활용할 수 있도록 해준다.
③ RAG를 사용하여 데이터 추가할 경우 모델을 다시 교육해야 한다.
④ LLM을 특정 도메인의 지식을 기반으로 확장할 수 있도록 도와준다.
- 정답 해설 : RAG(검색증강생성) 방식은 모델을 다시 훈련할 필요 없이, 실시간 검색을 통해 LLM이 학습한 시점 이후에 발생한 새로운 데이터를 활용할 수 있게 한다.
61. 대규모 언어 모델의 훈련 과정에서 사용되는 비지도 학습(self-supervised learning)의 주요 특징으로 가장 적절한 것은?
① 사전 정의된 레이블이 없이 데이터 내 패턴을 학습한다
66. 파인 튜닝 과정에서 발생할 수 있는 overfitting 문제를 해결하기 위한 방법으로 가장 적절하지 않은 것은?
① Early stopping 기법을 사용하여 학습이 과적합되기 전에 중단한다.
② Dropout 레이어를 추가하여 학습 과정에서 일부 뉴런을 비활성화한다.
③ 학습 데이터셋의 양을 줄여 모델의 복잡성을 낮춘다.
④ 정규화를 사용하여 파라미터의 범위를 제한한다.
- 정답 해설 : 학습 데이터 양을 줄이는 것은 과적합 문제를 해결하기 위한 적절한 방법이 아닙니다. 오히려 데이터가 적을수록 과적합 가능성이 높아질 수 있습니다.
67. 거대언어모델(LLM) 기반 서비스 구축 방법에 대한 고려사항으로 가장 적절하지 않은 것은?
① LLM을 SaaS(Software as a Service) 형태로 이용하게 되면 초기 구축 복잡도를 줄일 수 있다.
② LLM을 온프레미스로 구축하게 되면, 높은 초기 비용이 요구되고, 지속적인 유지보수비용이 발생한다.
③ 모델에 대한 토큰 사용량이 많은 경우, 온프레미스로 구축하는 것이 클라우드 서비스를 이용하는 것보다 비용 효과적일 수 있다. ④ LLM을 온프레미스로 구축하는 경우, 토큰 기반으로 비용을 부과하기 때문에 모델에 대한 입출력에 대한 관리가 필요하다.
- 정답 해설 : 클라우드 서비스에서는 주로 토큰 사용량에 따라 비용이 부과되지만, 온프레미스에서는 토큰 기반 과금 방식이 아니라 초기 하드웨어, 설치, 유지보수 비용 등이 주된 비용 요인이다.
68. 거대언어모델(LLM) 사용 시 발생할 수 있는 보안 리스크에 대한 설명으로 가장 적절하지 않은 것은?
① 훈련 데이터에 민감 데이터가 포함될 경우, 모델의 출력 과정에서 민감 정보를 노출 시킬 위험이 있다.
② 외부 데이터를 통합하여 사용할 경우, 데이터 변조 문제가 발생할 수 있다.
③ LLM이 역공학 될 경우, 훈련된 데이터가 노출될 수 있다.
④ LLM이 편향된 학습 데이터를 학습하여 차별적인 결과를 출력할 수 있다.
69. 다음 중 ChatGPT를 활용한 데이터 분석 방법에 관한 설명으로 가장 적절하지 않은 것은?
① 데이터 세트를 기반으로 적절한 차트 유형을 자동으로 결정하게 한다.
② 사용자가 원하는 차트 유형을 지정할 수 있다.
③ 데이터 요약을 생성하고, 분석 결과에 대한 설명은 제공하지 않는다.
④ 사용자는 생성된 차트의 그래픽을 변경할 수 있다.
- 정답 해설 : ChatGPT는 데이터 요약을 생성할 뿐만 아니라 분석 결과에 대한 설명도 제공한다.
70. 다음은 OpenAI가 제공하는 ChatGPT를 이용한 데이터 분석을 위한 스프레드시트 준비 지침이다. 가장 적절하지 않은 설명은 무엇인가?
① 첫 번째 행에 데이터를 설명할 수 있는 열 제목을 포함해야 한다.
② 열 제목은 이해하기 쉬운 일반 언어를 사용하고 약어와 전문 용어를 피해야 한다.
③ 중요한 정보를 포함하는 이미지는 스프레드시트에 포함하지 않아야 한다.
④ 여러 섹션과 표를 하나의 스프레드시트에 포함하여 데이터를 구분해야 한다.
71. 다음 중 ChatGPT가 데이터 분석을 위한 입력파일의 확장자로 적절하지 않은 것은?
① .xls
② .csv
③ .html
④ .json
- 정답 해설 : .html 파일은 주로 웹 페이지의 레이아웃을 설정하고 콘텐츠(텍스트, 이미지, 링크 등)를 배치하기 위한 웹 문서로, 데이터 분석용 입력 파일로 적합하지 않다.
72. 다음 중 ChatGPT를 이용한 효율적인 데이터 분석을 위해 필요한 활동으로 옳지 않은 것은?
① 데이터 분석을 위한 목표 수립하기
② 다양한 소스로부터 데이터 수집하기
③ 분석 데이터 복제하기
④ 데이터 시각화하기
74. 다음 프롬프트를 ChatGPT에 입력할 경우, ChatGPT가 찾아낼 수 있는 데이터 오류가 아닌 것은?
<프롬프트> 데이터에서 일반적인 데이터 오류를 점검해 줘
① 이상치
② 중복 행
③ 잘못된 데이터 유형
④ 잘못된 데이터 참조값
75. 다음 중 ChatGPT를 이용한 데이터 분석 시 입력파일에 관한 설명으로 옳지 않은 것은 무엇인가?
① 스프레드시트 애플리케이션에서 열 수 없는 대용량 파일은 ChatGPT로 분석할 수 없다.
76. 다음 중 ChatGPT를 이용한 데이터 분석 프롬프트로 옳지 않은 것은?
① 날씨 데이터와 업무 성과 간의 인과 관계를 자동으로 분석해 줘
② 설문 응답 파일을 이용하여 '워라밸,' '커리어 성장,' '팀웍' 카테고리로 정리해 줘
③ 우리 팀의 슬랙 채널에서 생성된 메시지 타임스탬프를 분석해서 근무 시간에 소통 공백이 있는지 확인해 줘
④ 입력된 엑셀파일을 이용해 성과 점수 분포를 보여주는 막대 그래프를 생성해 줘
- 정답 해설 : ChatGPT는 데이터 간의 인과 관계를 자동으로 분석할 수 있는 기능이 없다. 날씨 데이터와 업무 성과 간의 관계를 확인할 수는 있지만, 이는 상관 관계 분석 수준에서 가능하며, 인과 관계를 자동으로 추론하거나 확정하지는 못한다.
77. ChatGPT를 통해 수행할 수 있는 데이터 집계 및 통합 작업에 대한 설명으로 옳지 않은 것은 무엇인가?
① ChatGPT는 데이터를 집계하여 합계, 평균, 최솟값, 최댓값 등을 계산할 수 있다.
② 여러 데이터셋을 공통 식별자를 기반으로 통합하여 분석할 수 있다.
③ 입력된 데이터의 중복된 값을 자동으로 제거하여 정확한 결과를 제공한다.
④ 표의 수치형 열을 선택하여 중앙값 및 표준 편차와 같은 통계량을 계산할 수 있다
- 정답 해설 : ChatGPT는 집계 및 통합 작업 시 데이터의 중복된 값을 자동으로 제거하는 기능을 제공하지 않는다.
78. 다음 중 ChatGPT를 통해 수행할 수 있는 통계 분석으로 옳지 않은 것은 무엇인가?
① 그룹 간 차이를 비교하는 t-검정과 ANOVA와 같은 비교 통계
② 변수 간의 인과 관계를 자동으로 확인하는 인과 분석
③ 시계열 데이터를 분석하여 추세와 계절적 변동을 파악하는 시계열 분석
④ 변수 간 관계를 평가하는 상관 분석 및 회귀 분석
- 정답 해설 : ChatGPT는 변수 간의 관계나 상관관계를 분석할 수 있는 기능(예: 상관 분석, 회귀 분석)을 제공하지만, 이러한 방법들은 인과 관계를 확정할 수 없다. 인과 관계를 확인하려면 실험적 연구 설계나 특정 통계 기법(예: 구조방정식 모형, 인과 추론을 위한 도구 변수 접근 등)이 필요하다.
79. 다음 중 구조화된 데이터를 대상으로 데이터 분석을 위한 ChatGPT 프롬프트로 적절하지 않은 것은?
① 입력파일의 DB 스키마를 기반으로 dept 테이블에서 ‘성적’, ‘학년’에서 데이터를 추출하고, ‘국어 성적’, ‘학년’ 이라는 헤더를 갖는 CSV 파일을 생성하도록 Python 코드를 작성해 줘
② 입력파일의 DB 스키마를 기반으로 weather 테이블에서 ‘온도’ 데이터에 대한 추세 그래프를 생성하도록 파이썬 코드를 작성해 줘
③ 엑셀 파일의 데이터셋에서 통계적 검정 방법을 자동으로 선택하고, 모든 분석을 수행해 줘
④ ‘월별 판매량’ 파일에 대해 통계 지표를 생성해 줘
- 정답 해설 : ChatGPT는 특정 검정 방법을 자동으로 선택하거나 모든 분석을 한 번에 수행하는 기능을 갖고 있지 않다.
80. 다음 중 ChatGPT를 이용한 데이터 분석에 대한 설명으로 옳지 않은 것은?
① ChatGPT에서 외부 데이터베이스에 접속하여 분석할 수 있다.
② ChatGPT는 DB 스키마 정보를 이용하여 DB 데이터를 분석할 수 있는 파이썬 코드를 작성할 수 있다.
③ 엑셀 파일을 업로드할 경우, 해당 파일의 데이터를 분석하여 적절한 차트로 시각화할 수 있다.
④ ChatGPT로 입력 데이터의 이상치, 누락된 데이터, 데이터 타입 오류 등을 점검할 수 있다.
- 정답 해설 : ChatGPT는 외부 데이터베이스에 직접 연결하여 데이터를 가져오거나 분석할 수 있는 기능이 없습니다. 대신, 사용자가 데이터베이스에서 데이터를 수동으로 추출하여 파일 형식으로 업로드하면, ChatGPT는 해당 파일을 분석할 수 있습니다.
81. 다음 설명에서 괄호안에 들어갈 용어는 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
트랜스포머 모델에 셀프 어텐션 메커니즘이 적용됨에 따라 먼 위치에 있는 단어들 간의 관계정보를 유지하기 어려운 ( ) 문제를 효과적으로 처리할 수 있게 되었다.
- 장기 의존성(Long-term dependency)
- 정답 해설 : 순환신경망(RNN)은 시퀀스를 순차적으로 처리하기 때문에, 먼 위치에 있는 단어들 간의 관계를 유지하기 어려워 장기 의존성(Long-term dependencies) 문제에 취약하다. 그러나 셀프 어텐션 메커니즘을 사용하면 입력 문장의 모든 단어가 서로의 관계를 동시에 파악할 수 있어 이러한 한계를 극복할 수 있게 되었다.
82. 이 모델은 OpenAI에서 개발한 모델로, 트랜스포머 모델의 디코더를 기반으로 한 모델이다. 이전 단어들로부터 다음 단어를 예측하는 단방향 언어 모델로, 문서 요약, 채팅 등에 활용되는 이 모델의 이름은 무엇인가?
※ 영문/한글 무관
- GPT(GPT-1, GPT-2, GPT-3, GPT-4도 답변으로 인정 가능)
- 정답 해설 : GPT는 트랜스포머 구조 중 디코더 부분을 사용해 언어를 모델링합니다. 트랜스포머 모델은 디코더와 인코더로 이루어져 있는데, GPT는 디코더만을 활용한다. 단방향(왼쪽에서 오른쪽)으로 텍스트를 예측하므로, 이전 단어를 기반으로 다음 단어를 예측하는 방식으로 작동한다. 문장 생성, 텍스트 완성 등 자연스러운 문장 구조를 생성하는 데 매우 뛰어난 성능을 보인다.
83. 다음 설명에서 빈칸에 공통적으로 들어갈 단어는 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
프롬프트 엔지니어링에서 ( )는 가상의 인물을 설정하여 언어 모델의 출력이 대상 청중의요구와 선호에 맞게 더 관련성 있고 일관되게 만드는 방법이다. ( )는 사용자 집단의 대표적특징을 반영한 인물로, 이를 활용하면 모델이 특정 맥락과 사용자 요구를 더 잘 반영한 출력을 생성할 수 있다.
- 페르소나/페르소나 기법(Persona)
- 정답 해설 : 문제의 지문은 페르소나에 대한 설명이다.
84. 다음 프롬프트에서 사용한 프롬프트 패턴은 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
You (사용자) : 제가 금융 투자 관련 질문을 할 때마다, 최종 답변을 제공하기 전에 제가 고려해야 할 중요한 요소를 명확히 하기 위해 추가 정보를 질문해 주세요.
ChatGPT : 알겠습니다! 투자 관련 질문을 하실 때마다, 답변 전에 고려해야 할 추가 요소를 명확히 하기 위한 질문을 드리겠습니다. You (사용자) : 장기적으로 투자하기 좋은 해외 주식이 있을까요?
ChatGPT : 좋습니다, 요구 사항을 명확히 하기 위해 몇 가지 질문을 드리겠습니다: 예상 투자 기간은 얼마나 되나요? 특정 산업 또는 회사에 관심이 있으신가요? 목표로 하는 투자 수익률 또는 위험 허용 범위가 있나요? 주식 외에 다른 투자 옵션도 고려하고 계신가요? 이렇게 추가 정보를 요청한 후, 답변을 제공해 드리겠습니다.
- 인지 검증자 패턴(Cognitive Verifier Pattern)
- 정답 해설 : 프롬프트에 먼저 질문의 세부 사항을 명확히 하기 위해 추가적인 정보를 요청하고 있으므로, 인지 검증자 패턴에 해당한다.
85. 아래 프롬프트 작성 시 활용한 프롬프트 패턴은 무엇인가?
※영문/한글 무관, 영문은 풀네임으로 기재
<프롬프트> 미국: 달러($), 유럽연합: 유로(€), 일본: 엔(￥) 한국: ?
- 퓨샷패턴(Few-shot 패턴/Few-shot Pattern)
[프롬프트엔지니어 1급 샘플문제 B형]
2. 다음 중 BERT의 문맥적 임베딩(Contextual Embedding)의 주요 특징에 대한 설명으로 적절한 것은?
③ BERT의 모든 층을 거친 최종 벡터는 입력된 모든 단어 정보를 고려한 문맥적 임베딩이다.
3. 다음 중 트랜스포머 모델의 기본 구조에 해당하지 않는 것은?
② 순환신경망(RNN)
4. 다음 중 GPT (Generative Pre-trained Transformer) 모델의 특징이 아닌 것은?
① 대규모 데이터로 사전 학습된다.
② 자기회귀적(autoregressive) 언어 모델이다.
③ 양방향 컨텍스트를 고려한다.
④ 다양한 생성 작업에 적용 가능하다.
- 정답 해설 : 양방향 컨텍스트를 고려하지 않으며, 양방향 컨텍스트를 고려하는 모델은 BERT이다.
9. 다음 중 자연어 처리에서 "토큰화(tokenization)"의 목적이 아닌 것은?
① 텍스트의 의미를 완전히 이해하는 것
② 단어나 부분 단어 단위로 텍스트를 분리하는 것
③ 텍스트를 작은 단위로 나누는 것
④ 모델이 처리할 수 있는 입력 형태로 변환하는 것
- 정답 해설 : 토큰화는 텍스트를 모델이 처리할 수 있는 단위로 나누는 과정이지만, 그 자체로 텍스트의 의미를 완전히 이해하기 위한 목적은 아니다.
11. 다음 중 BERT 모델의 파인튜닝(fine-tuning) 과정에 해당하지 않는 것은?
① 적정한 비율로 가중치를 조정한다.
② 사전 학습된 가중치를 초기 값으로 사용한다.
③ 모델의 모든 파라미터를 처음부터 다시 학습시킨다.
④ 특정 작업에 맞는 새로운 출력 레이어를 추가한다.
- 정답 해설 : BERT의 파인튜닝 과정은 사전 학습된 가중치를 활용하여 효율적으로 특정 작업에 적응시키는 것이며 모든 파라미터를 처음부터 다시 학습시키는 것은 파인 튜닝의 이점을 활용하지 못하는 방식이다.
12. 프롬프트 엔지니어링에서 '프롬프트 압축'(Prompt Compression) 기법의 주요 목적으로 가장 적절하지 않은 것은?
① 토큰 사용 효율성 증대
② 응답 생성 속도 향상
③ 모델의 파라미터 수 감소
④ 프롬프트의 의미론적 밀도 증가
- 정답 해설 : 프롬프트 압축은 주로 토큰 사용의 효율성을 높이고, 이를 통해 응답 생성 속도를 향상시키며, 프롬프트의 의미론적 밀도를 증가시키는 것을 목표로 한다. 모델의 파라미터 수를 감소시키는 것은 프롬프트 압축의 직접적인 목적이 아니며 모델 최적화 과정의 일부다.
13. 다음 중 프롬프트 엔지니어링에서 '프롬프트 템플릿 언어'(Prompt Template Language)의 주요 기능으로 가장 적절하지 않은 것은?
① 변수 치환
② 사용했던 프롬프트들의 버전 관리
③ 조건부 로직 구현
④ 다양한 입력 값 대응 가능
14. 프롬프트 엔지니어링에서 컨텍스트 제한(Context Limitation)이 발생하는 주요 이유로 가장 적절하지 않은 것은?
① 모델의 입력 토큰 수 제한
② 주어진 프롬프트에서 관련성이 낮은 정보 제공
③ 모델이 과거 대화 내용을 보존하지 않음
④ 모델의 훈련 데이터 부족
- 정답 해설 : 컨텍스트 제한은 주로 토큰 수의 제한과 관련 있으며 과거 대화내용을 보존하는 메커니즘이 없기 때문에 발생할 수 있다. 훈련 데이터 부족은 컨텍스트 제한과 관련성이 적다.
15. 계층적 접근 방식(Hierarchical Approach)을 사용하여 토큰 제한을 극복할 때 가장 중요한 고려 사항은?
② 문서를 계층적으로 나누어 처리하지만, 각 계층 간의 문맥 일관성을 유지하는 것이 중요하다.
20. 프롬프트 패턴 중 플립 패턴(Flipped Interaction Pattern)을 사용하기에 가장 적절한 경우는?
① 사용자가 문제의 복잡한 해결 과정을 스스로 탐구할 수 있도록 유도할 때
- 정답 해설 : 플립 패턴은 사용자가 복잡한 문제를 스스로 탐구할 수 있도록 돕는 역할을 한다.
21. 다음 중 반복적 프롬프트 사용을 위한 도구의 주요 기능에 해당하지 않는 것은?
① 프롬프트 실행 결과 자동 저장
② 프롬프트 템플릿 자동 생성
③ 변수 기반으로 유연한 프롬프트 생성
④ 모델의 하드웨어 성능 최적화
24. ReAct 프롬프팅의 주요 기능 중 하나로, 모델이 주어진 상황에서 행동 계획을 유지하고 조정할 수 있도록 하는 핵심 개념은?
② 추론과 작업별 행동의 교차 생성
26. CoT 연계 기법 중 "자기일관성 프롬프팅(Self-Consistency Prompting)"의 주요 목적은?
① 모델이 주어진 문제를 여러 단계로 나누어 해결하도록 유도하는 것
② 여러 답변에서 가장 일관된 답변을 선택해 정확성을 높이는 것
27. Cognitive Verifier 프롬프트 패턴을 사용할 때 검증이 필요하지 않은 경우는?
② 단순한 정보의 전달을 시도할 때
- 정답 해설 : Cognitive Verifier 패턴은 모델의 응답이 논리적으로 타당한지 검토하는 과정이기 때문에 단순한 정보 제공의 경우 검증이 필요하지 않을 수 있다.
28. 다음 중 Meta Language Creation 패턴을 적용할 때 가장 적절하지 않은 접근 방식은?
① 도메인 특화 언어(DSL)를 설계한다.
② 언어의 문법과 구문을 명확히 정의한다.
③ 메타 언어와 자연어 사이의 변환 규칙을 수립한다.
④ 기존의 프로그래밍 언어 패턴을 그대로 활용한다.
- 정답 해설 : Meta Language Creation 패턴은 특정 도메인이나 작업에 최적화된 새로운 언어나 표현 방식을 만드는 것이기 때문에 기존 프로그래밍 언어를 활용하는 것은 이 패턴의 목적에는 적절하지 않은 방식이다.
31. 다음 중 Semantic Filter 패턴을 적용할 때 적절하지 않은 접근 방식은?
① 필터링 기준을 명확하고 구체적으로 정의한다.
② 콘텐츠에 필터링 규칙을 가능한 동일하게 정의한다.
③ 컨텍스트에 따라 필터링 강도를 조절한다.
④ 필터링 결과에 대한 설명이나 근거를 제공한다
- 정답 해설 : Semantic Filter 패턴은 의미론적 맥락을 고려하여 적절한 필터링을 수행하는 것이며 콘텐츠에 동일한 필터링 규칙을 적용하는 것은 각 콘텐츠의 특성과 맥락을 고려하지 않는 접근 방식이므로 적절하지 않다.
34. 다음 중 ReAct 프롬프팅의 주요 구성 요소가 아닌 것은?
① Thought (사고)
② Action (행동)
③ Observation (관찰)
④ Response (응답)
35. 다음 중 Few-shot 프롬프팅 방식이 적합하지 않은 상황은?
① 새로운 도메인에 대해 빠르게 학습시키고자 할 때
② 몇 가지 예시를 제공하여 패턴을 학습시키려 할 때
③ 모델이 사전에 학습한 정보 없이 작업을 처리해야 할 때
④ 특정 작업에 대한 규칙을 유추하도록 유도할 때
- 정답 해설 : Few-shot 프롬프트는 사전 학습된 모델에게 예시를 제공하여 패턴을 학습시키는 방식이다. 사전 학습된 정보가 없는 상태에서 작업을 처리하려면 Zero-shot 방식이 더 적합하다.
38. 다음 중 빈칸에 들어갈 단어는?
프롬프팅(Prompting)과 RAG는 모두 사전 학습된 모델을 사용한다. 그러나 RAG는 프롬프팅과 달리 (___________)을/를 추가하여 더 정확한 정보를 제공할 수 있다.
② 외부 지식 소스
40. 다음 중 Chain of Thought 프롬프트가 효과적이지 않은 상황은?
① 복잡한 수학 문제를 단계별로 해결할 때
② 다단계 추론이 필요한 논리 문제를 해결할 때
③ 제시된 문장이 논리적인 옳고 그름을 판단해야 할 때
④ 설명 가능한 추론 과정을 요구하는 문제를 해결할 때
41. 파인 튜닝 시 자주 사용되는 transfer learning의 개념을 설명할 때, 다음 중 가장 적절한 것은?
② 기존 모델의 일부는 유지하고, 작업에 맞춰 나머지를 학습시키는 방식이다.
44. 다음 중 LLM에 대한 적대적 공격(Adversarial Attack)의 목적은?
② 입력 데이터를 조작하여 예측 결과를 왜곡하기 위해
45. 다음 중 LLM의 모델 도용 공격이 위험한 이유로 적절한 것은?
③ 공격자가 모델을 리버스 엔지니어링할 수 있음
46. 다음 중 객체 탐지(Object Detection) 모델의 성능 평가 지표로 가장 적절하지 않은 것은?
③ 혼란도(Perplexity)
50. 다음 중 거대 언어모델 기반 솔루션에서 데이터 저장소의 확장성이 중요한 이유로 올바른 것은?
② 데이터 변동량에 따라 동적 저장 공간을 제공하기 위해
53. 다음 중 거대 언어모델 기반 서비스 플랫폼의 파인 튜닝 방법론으로 가장 적절하지 않은 것은?
② 모델의 레이어를 전체 동결(freeze)하고 학습을 진행한다.
- 정답 해설 : 파인튜닝의 목적은 특정 태스크나 도메인에 맞게 조정하는 것인데, 모델의 레이어를 전체 동결하면모델의 파라미터가 업데이트되지 않아 학습이 이루어지지 않게 된다. 파인튜닝 시에는 일부 레이어를 동결하거나 모든 레이어를 미세하게 조정하는 방식을 사용한다
56. 다음 중 거대 언어모델 기반 서비스 플랫폼의 파인 튜닝 방법론으로 적절하지 않은 것은?
④ 모델의 출력 레이어만을 한정적으로 새로운 태스크에 맞게 변경한다.
57. 다음 중 LangChain의 주요 구성 요소가 아닌 것은?
④ Transformers
58. LLM 애플리케이션을 위한 데이터 프레임워크인 LlamaIndex의 주요 기능이 아닌 것은?
① 대규모 텍스트 데이터의 효율적인 인덱싱
② 질의에 대한 관련 컨텍스트 검색
③ 다양한 데이터 소스 통합
④ 실시간 웹 크롤링
59. 다음 중 LangChain 프레임워크를 활용한 프롬프트 체이닝(Prompt Chaining)에서 적절하지 않은 구성은?
③ 실시간 프롬프트 템플릿 동적 생성
60. 전략 수립 프로세스인 시나리오 플래닝의 시나리오 생성 단계에 생성형 AI의 활용 방법으로 가장 적절한 것은?
① 내부 및 외부 데이터를 분석하여 키팩터 파악
61. 다음 중 서버리스 아키텍처를 활용한 LLM 서비스 구축 시 비용 최적화 방안으로 적절하지 않은 것은?
② 상시 프로비저닝된 인스턴스 유지
62. 다음 중 거대 언어모델 서비스의 서버리스 아키텍처 설계에서 적절하지 않은 구성은?
④ 단일 Function에서의 연속적 추론 처리
63. 다음 중 거대 언어모델 서비스의 비용 최적화를 위한 클라우드 아키텍처 구성에서 고려하지 않는 요소는?
③ 전체 모델 가중치의 실시간 다중 리전 복제
64. 다음 중 LLM 서비스의 데이터 프라이버시 보호를 위한 방안으로 가장 적절하지 않은 것은?
② 프라이버시를 위해 모든 데이터를 항상 최고 수준으로 암호화하여 저장
71. 다음 중 LLM 기반의 생성형 AI가 기존 RPA의 한계를 넘어서는 데 기여하는 가장 중요한 이유는?
① 사용자가 명령어를 배우지 않고도 자연어로 원하는 작업을 요청할 수 있기 때문이다.
- 정답 해설 : LLM 기반 생성형 AI는 자연어 이해 능력을 통해 사용자가 명령어를 따로 학습하지 않아도 쉽게 사용할 수 있도록 하여 RPA의 사용성을 확장한다.
72. 다음 중 ChatGPT를 활용한 EDA 단계에서 다변량 분석을 시각화하는 주요 목적은?
① 변수 간의 관계를 직관적으로 파악하기 위함
73. 다음 중 ADA(Advanced Data Analysis) 기능을 활용한 ChatGPT의 주요 장점으로 가장 적절한 것은?
② 파이썬 코드를 실행하고 스스로 디버깅한다.
74. 다음 중 구조화된 데이터를 ChatGPT에게 전달할 때 가장 적절하지 않은 프롬프트 엔지니어링 기법은?
③ 데이터 스키마의 동적 변경
75. 다음 중 LlamaIndex에서 데이터 노드와 문서의 주요 차이점은?
② 노드는 문서의 메타데이터와 상호 연결된 데이터를 나타내며, 문서는 데이터의 원시 형태를 의미한다.
76. 다음 중 ChatGPT를 활용한 데이터 전처리 과정에서 발생할 가능성이 가장 낮은 것은?
④ 시스템 메모리 할당 조정
77. 다음 중 ChatGPT와 인간의 협업 구조에서 잘못된 예는?
① ChatGPT가 실시간 시장 데이터를 분석하여 거래 전략을 제안
78. 다음 중 ChatGPT를 사용한 문서 질의 기능에 해당하지 않는 것은?
③ 문서 내 그래프 생성
79. 다음 중 ChatGPT의 데이터 처리 파이프라인에서 가장 적절하지 않은 설명은?
① Zero-shot learning을 통한 데이터 분류
② Few-shot learning을 통한 컨텍스트 학습
③ Chain-of-Thought를 통한 추론 과정 구현
④ Relational Database 연동 및 업데이트
- 정답 해설 : ChatGPT는 직접적인 데이터베이스 연동이나 업데이트가 불가능하며, 학습된 데이터 내에서만 작동한다.
81. 다음은 모델이 대화의 마지막에 특정 문구나 작업을 반복하여 질문 히스토리를 상기시킬 수 있도록 하는 방법이다. 예시와 같이 사용자가 요청한 “이 답변은 최신 정보가 아닐 수 있습니다.”라는 문구가 각 답변에추가되도록 사용한 프롬프팅은 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
질문 : 머신러닝의 주요 개념에 대해 간단히 설명해줘.
답변 : 머신러닝은 데이터를 기반으로 스스로 학습하여 예측 모델을 만드는 AI 기술입니다. 이 답변은 최신 정보가 아닐 수 있습니다.
질문 : 머신러닝과 AI의 차이점은 무엇인가요?
답변 : AI는 인간의 지능을 모방하려는 넓은 개념이며, 머신러닝은 그중 데이터 학습에 초점을 맞춘 하위 기술입니다. 이 답변은 최신 정보가 아닐 수 있습니다.
- 꼬리 생성 패턴(Tail Generation Pattern)
82. 다음 문장이 설명하는 학습 방법은 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
· 이 학습 방법은 지도 학습, 비지도 학습, 자기지도 학습과 같은 데이터 학습 방법의 한 종류이며 행동심리학에서 영감을 얻었다. · 이 학습 방법은 어떤 환경에서 정의된 에이전트가 현재의 상태를 인식하여 선택 가능한 행동들 중 보상을최대화하는 행동 또는 행동 순서를 선택하는 방법을 말한다.
· 구글 딥마인드(Google DeepMind)의 알파고 (AlphaGo)가 해당 학습 방법의 대표적인 예시이다.
- 강화 학습(Reinforcement Learning)
83. 이미지 인식과 처리 작업에서 많이 사용되는 딥러닝 알고리즘 중 하나로, 공간적인 구조 정보를 유지하면서 이미지와 같은 2차원 데이터에서 유용한 패턴을 찾아내는 데 특화된 신경망의 이름은 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
- 합성곱 신경망(Convolutional Neural Network)
84. 다음 문장이 설명하는 프롬프트 패턴은 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
· 하나의 문제에 대한 추론과정 자체를 단계적으로 자세히 설명하도록 유도한다.
· 중간 단계의 사고 과정을 명시적으로 표현하는 특징이 있다
· 대규모 언어 모델이 종종 표면적인 정보나 패턴 매칭에 의존해 답변을 생성하는 경우를 방지하기 위해제안된 프롬프트 패턴이다.
- 생각의 사슬(Chain of Thought)
85. 다음 설명에서 빈칸에 공통적으로 들어갈 단어는 무엇인가?
※ 영문/한글 무관, 영문은 풀네임으로 기재
· [ ] 프롬프팅은 'Thought(추론) → Action(행동) → Observation(관찰)'의 순환적 구조를 가진다.
· 이 방법은 'Think before you act', ‘Let’s solve this step by step 이라는 인간의 문제 해결 과정을 모방한다
· [ ]프롬프팅은 기존의 Chain-of-Thought 프롬프팅 패턴이 가지는 검증방식의 한계(최종 결과로만 정확성 확인 가능)를 벗어나 각 단계별 Observation(관찰)을 통한 중간 검증이 가능하다.
· 외부 검색, API 호출 등의 적극적인 도구 활용이 가능하다.
- ReAct 프롬프팅(ReAct Prompting)
'프롬프트엔지니어 1급' 카테고리의 다른 글
| 1급 가이드북 정리 (0) | 2026.06.23 |
|---|