금융회사가 머신러닝 모델을 개발할 때, 레이블(정답)이 붙은 과거 고객 데이터를 사용해 신용평가 모델을 학습시키는 방식은 무엇인가?
- 군집화
- 강화학습
- 비지도학습
- 지도학습 Correct answer.
Explanation
정답 레이블이 존재하는 데이터로 입력과 출력의 관계를 학습하는 것을 지도학습이라 한다. 신용평가, 부정거래 탐지처럼 정답이 알려진 분류·회귀 문제에 주로 쓰인다.
KBI 금융 AI 리터러시 (K-ALFA) practice questions
One question at a time. Build your KBI 금융 AI 리터러시 (K-ALFA) understanding.
First 50 of 200 questions. Each one lists the choices, the correct answer, and an explanation. The checker at the top of this page saves progress in this browser when it is available.
Continue in the practice tool above to load more questions, 50 at a time.
금융권에서 널리 쓰이는 생성형 AI의 대표적 기술 구조는 무엇인가?
- 결정트리 앙상블
- 룰 기반 전문가 시스템
- 트랜스포머 기반 대규모 언어모델 Correct answer.
- 관계형 데이터베이스 정규화
Explanation
생성형 AI의 대표 구조는 자기주의(self-attention)를 활용하는 트랜스포머 기반 대규모 언어모델이다. 방대한 텍스트로 사전학습한 뒤 문서 요약, 상담 지원 등에 활용된다.
AI 모델이 학습 데이터에서는 높은 정확도를 보이지만 새로운 데이터에서는 성능이 크게 떨어지는 현상을 무엇이라 하는가?
- 차원의 저주
- 과대적합 Correct answer.
- 과소적합
- 데이터 편향
Explanation
과대적합은 모델이 학습 데이터의 잡음까지 외워버려 일반화 성능이 낮아지는 현상이다. 금융에서는 학습 기간에만 잘 맞는 신용평가 모델이 대표적 사례가 된다.
은행이 AI 챗봇으로 고객 문의를 처리할 때, 개인정보가 외부로 유출되지 않도록 가장 우선적으로 검토해야 하는 사항은 무엇인가?
- 입력 데이터의 마스킹과 외부 전송 통제 Correct answer.
- GPU 서버의 제조사
- 모델의 파라미터 개수
- 학습 데이터의 언어 비율
Explanation
생성형 AI 상담에서는 고객이 입력한 정보가 외부 모델로 전송될 수 있으므로 마스킹과 전송 통제가 우선이다. 금융 규제상 개인정보 보호 조치 없이 외부로 데이터를 보내는 것은 허용되기 어렵다.
AI가 신용대출 심사 결과를 제시할 때, 심사역이 그 근거를 이해하고 설명할 수 있도록 하는 성질을 무엇이라 하는가?
- 경량화
- 설명가능성 Correct answer.
- 재현성
- 확장성
Explanation
설명가능성은 모델이 내린 판단의 근거를 사람이 이해할 수 있게 제시하는 성질이다. 금융에서는 대출 거절 사유 설명 의무와 민원 대응을 위해 중요하게 요구된다.
다음 중 지도학습으로 해결하기에 가장 적합한 금융 과제는 무엇인가?
- 레이블 없는 문서의 토픽 자동 분류
- 고객 거래내역의 자연스러운 군집 발견
- 과거 부도 여부가 기록된 고객의 연체 가능성 예측 Correct answer.
- 보상 신호만으로 투자 전략을 학습
Explanation
부도 여부라는 정답 레이블이 있는 데이터로 미래 연체 가능성을 예측하는 것은 전형적인 지도학습 분류 문제다. 레이블이 있으므로 입력과 결과의 관계를 직접 학습할 수 있다.
금융 AI 시스템에서 '환각(hallucination)'이 의미하는 것은 무엇인가?
- 서버 과부하로 응답이 지연되는 현상
- 학습률이 너무 낮아 수렴이 느린 현상
- 사실과 다른 내용을 그럴듯하게 생성하는 현상 Correct answer.
- 모델 파라미터가 0으로 초기화되는 현상
Explanation
환각은 생성형 AI가 근거 없는 정보를 사실처럼 자연스럽게 만들어내는 현상이다. 금융 상품 설명이나 규제 안내에서 환각이 발생하면 고객 피해와 컴플라이언스 위험이 커진다.
금융 AI 모델의 학습에 사용된 데이터가 특정 연령대에만 치우쳐 다른 연령대 고객에게 불리한 결과가 나올 때 문제되는 것은 무엇인가?
- 데이터 증강
- 과적합
- 알고리즘 편향 Correct answer.
- 연합학습
Explanation
특정 집단에 치우친 학습 데이터로 인해 결과가 불공정해지는 것을 알고리즘 편향이라 한다. 금융에서는 대출 심사 등에서 차별적 결과가 발생할 수 있어 공정성 점검이 필요하다.
은행이 AI 기반 이상거래탐지(FDS)를 도입할 때 기대할 수 있는 가장 직접적인 효과는 무엇인가?
- 실시간 거래 패턴 분석으로 의심 거래를 조기에 차단 Correct answer.
- 금리 결정 기준의 자동 변경
- 지점 창구 인력의 완전한 대체
- 대출 심사 서류의 법적 효력 발생
Explanation
FDS는 거래 패턴을 실시간으로 학습·분석해 평소와 다른 거래를 탐지하고 차단한다. 이는 사기 피해를 줄이는 직접적 효과로, 인력 대체나 금리 결정과는 다른 영역이다.
금융 AI 모델을 운영할 때 '데이터 드리프트'에 대응하는 가장 적절한 조치는 무엇인가?
- 모델을 한 번 배포한 뒤 변경하지 않는다
- 입력 분포 변화를 모니터링하고 주기적으로 재학습한다 Correct answer.
- 학습 데이터를 모두 삭제한다
- 평가 지표를 정확도 하나로 고정한다
Explanation
데이터 드리프트는 시간이 지나며 입력 데이터의 분포가 학습 시점과 달라지는 현상이다. 분포 변화를 모니터링하고 재학습하거나 임계값을 조정해야 성능 저하를 막을 수 있다.
대규모 언어모델을 은행 내부 문서 검색에 활용할 때, 모델이 학습하지 않은 사내 규정을 근거로 답하게 하려면 어떤 접근이 가장 적절한가?
- 응답 온도를 최대로 높여 다양성 확보
- 모델의 파라미터를 무작위로 재설정
- 검색 증강 생성(RAG)으로 관련 문서를 검색해 프롬프트에 제공 Correct answer.
- 프롬프트에서 질문을 제거
Explanation
RAG는 질의와 관련된 사내 문서를 검색해 모델 입력에 함께 제공함으로써 최신·내부 지식에 근거한 답변을 유도한다. 재학습 없이도 근거 문서를 제시할 수 있어 금융 내규 안내에 적합하다.
신용평가 모델의 성능을 평가할 때, 불량 고객을 정상으로 잘못 분류하는 오류를 무엇이라 하는가?
- 참양성(True Positive)
- 위음성(False Negative) Correct answer.
- 위양성(False Positive)
- 참음성(True Negative)
Explanation
실제로는 불량(양성)인데 정상(음성)으로 예측한 경우는 위음성이다. 신용평가에서는 부실 고객을 놓치는 오류이므로 비용이 크게 발생할 수 있다.
금융회사가 여러 기관의 데이터를 중앙에 모으지 않고 각 기관에서 모델을 학습한 뒤 가중치만 공유하는 방식은 무엇인가?
- 연합학습 Correct answer.
- 앙상블학습
- 전이학습
- 증류학습
Explanation
연합학습은 원본 데이터를 이동하지 않고 각 참여 기관이 로컬에서 학습한 모델 업데이트만 공유한다. 금융권에서는 고객정보 보호와 규제 준수를 위해 공동 모델 개발에 활용된다.
AI 모델의 판단 근거를 사후에 제시하는 기법으로, 특정 입력에서 각 변수의 기여도를 추정하는 것은 무엇인가?
- 하이퍼파라미터 탐색
- SHAP 값 Correct answer.
- 배치 정규화
- 교차검증
Explanation
SHAP 값은 게임이론의 섀플리 값을 활용해 각 변수가 예측 결과에 기여한 정도를 수치로 제시한다. 대출 거절 사유 설명처럼 개별 사례의 근거 제시에 쓰인다.
은행이 AI 신용평가 모델을 도입할 때 금융당국에 설명해야 할 항목으로 가장 거리가 먼 것은 무엇인가?
- 편향성 점검 및 모니터링 계획
- 모델 개발 담당자의 개인 취미 Correct answer.
- 모델의 목적과 학습 데이터의 출처
- 검증 방법과 성능 지표
Explanation
AI 모델의 거버넌스 문서에는 목적, 데이터 출처, 검증 방법, 성능 지표, 편향성 점검과 모니터링 계획이 포함되어야 한다. 개발자의 개인 취미는 모델의 위험과 성능을 설명하는 정보가 아니다.
금융 AI가 금융소비자에게 불이익한 자동화 결정을 내릴 때, 소비자 보호를 위해 가장 적절한 장치는 무엇인가?
- 모델 버전의 무기한 고정
- 심사 기준의 자동 삭제
- 이의제기 절차와 사람에 의한 재심사 경로 마련 Correct answer.
- 결정 결과의 비공개 처리
Explanation
자동화 결정에 대해 소비자가 이의를 제기하고 사람이 재심사할 수 있는 경로가 있어야 권리 구제가 가능하다. 이는 설명 요구권과 함께 금융 AI 소비자 보호의 핵심 장치다.
생성형 AI를 활용해 투자설명서 초안을 작성할 때, 컴플라이언스 관점에서 가장 적절한 운영 방식은 무엇인가?
- 검토 기록을 남기지 않는다
- AI 초안을 사람이 검토·승인하는 절차를 둔다 Correct answer.
- 출처 표시를 모두 제거한다
- AI 출력을 검토 없이 그대로 게시한다
Explanation
생성형 AI의 출력은 사실 오류와 환각 가능성이 있으므로 사람의 검토와 승인 절차를 거쳐야 한다. 검토 기록을 남기면 책임 소재와 규제 대응이 가능해진다.
다음 중 강화학습의 구성 요소에 대한 설명으로 옳은 것은 무엇인가?
- 환경은 모델의 손실 함수를 의미한다
- 보상은 학습 과정에서 사용되지 않는다
- 에이전트가 환경에서 행동하고 보상을 받으며 정책을 개선한다 Correct answer.
- 에이전트는 레이블된 정답만으로 학습한다
Explanation
강화학습에서는 에이전트가 환경과 상호작용하며 행동에 따른 보상을 최대화하도록 정책을 개선한다. 정답 레이블 대신 보상 신호를 사용한다는 점이 지도학습과 다르다.
금융회사가 외부 클라우드의 생성형 AI API를 사용할 때, 데이터 처리 위탁과 관련해 가장 먼저 확인해야 할 사항은 무엇인가?
- 입력 데이터의 보관·학습 재사용 여부와 계약상 책임 범위 Correct answer.
- API 응답의 평균 글자 수
- 개발팀의 근무 시간
- 모델 이름의 알파벳 순서
Explanation
외부 API 사용 시 입력 데이터가 저장되거나 모델 학습에 재사용되는지, 장애나 유출 시 책임 범위가 어떻게 정해지는지 확인해야 한다. 이는 개인정보 처리 위탁과 금융 규제 준수의 출발점이다.
모델 성능 지표 중 정밀도(precision)에 대한 설명으로 옳은 것은 무엇인가?
- 양성으로 예측한 것 중 실제 양성의 비율 Correct answer.
- 전체 중 양성으로 예측한 비율
- 실제 양성 중 양성으로 예측한 비율
- 음성을 양성으로 잘못 예측한 비율
Explanation
정밀도는 모델이 양성이라고 예측한 사례 가운데 실제로 양성인 비율이다. 예측의 정확성을 보는 지표로, 재현율과 함께 불균형 데이터에서 중요하게 쓰인다.
금융권 AI 활용에서 '휴먼 인 더 루프(human in the loop)'의 의미로 가장 적절한 것은 무엇인가?
- AI가 사람의 업무를 완전히 대체하는 것
- 사람이 모델 학습을 전혀 하지 않는 것
- AI 판단에 사람이 개입해 확인·승인하는 절차 Correct answer.
- 모델을 오프라인에서만 운영하는 것
Explanation
휴먼 인 더 루프는 AI의 판단 과정에 사람이 개입해 검토하고 승인하도록 설계하는 방식이다. 고위험 금융 결정에서 오류와 편향을 통제하는 안전장치로 활용된다.
금융 AI 규제에서 요구하는 '모델 리스크 관리' 체계에 포함되어야 할 요소로 가장 적절한 것은 무엇인가?
- 모델 서버의 물리적 색상 관리
- 모델 이름의 상표 등록
- 모델 목록 관리와 정기적 성능·한계 검증 Correct answer.
- 모델 개발자의 SNS 활동 점검
Explanation
모델 리스크 관리는 보유 모델의 목록을 관리하고 정기적으로 성능과 한계를 검증하며 변경 이력을 추적하는 체계다. 이를 통해 오작동과 규제 위반 위험을 통제한다.
신용카드 사기 탐지 모델에서 사기 거래가 전체의 0.1%에 불과할 때, 단순히 모든 거래를 정상으로 예측하는 모델의 정확도는 약 얼마이며 이 지표가 부적절한 이유는 무엇인가?
- 약 0.1%이며 사기만 정확히 탐지하기 때문
- 약 99.9%이며 소수 클래스를 전혀 탐지하지 못하기 때문 Correct answer.
- 약 10%이며 표본이 부족하기 때문
- 약 50%이며 클래스가 균형이기 때문
Explanation
전체의 99.9%가 정상이므로 모두 정상으로 예측하면 정확도는 약 99.9%가 된다. 그러나 사기를 하나도 잡지 못하므로 불균형 데이터에서는 정확도 대신 재현율이나 정밀도, F1 점수를 봐야 한다.
금융회사가 생성형 AI로 고객 상담 요약을 자동화할 때, 요약의 사실성과 추적 가능성을 높이는 설계로 가장 적절한 것은 무엇인가?
- 원문을 제공하지 않고 모델 기억에만 의존한다
- 요약 길이를 최대한 늘린다
- 원문 근거 문장을 함께 제시하고 요약과 대조 검증하는 단계를 둔다 Correct answer.
- 모델 온도를 최대로 높여 표현을 다양화한다
Explanation
요약의 각 항목에 원문 근거를 연결하고 대조 검증하면 환각과 누락을 줄이고 사후 추적이 가능해진다. 이는 금융 상담 기록의 정확성과 감사 대응에 직결된다.
설명가능성이 낮은 복잡한 앙상블 모델과 설명이 쉬운 단순 모델 사이에서 금융 규제 대응을 고려할 때 가장 합리적인 판단은 무엇인가?
- 단순 모델은 항상 규제 위반이므로 사용하지 않는다
- 설명 가능성은 규제와 무관하므로 고려하지 않는다
- 성능 이득과 설명·검증 부담을 함께 평가해 위험도에 맞게 선택한다 Correct answer.
- 항상 성능이 가장 높은 모델을 무조건 선택한다
Explanation
모델 선택은 예측 성능뿐 아니라 설명 가능성, 검증 가능성, 규제 요구 수준을 함께 저울질해야 한다. 고위험 결정일수록 설명과 검증 부담이 커지므로 위험도에 따른 균형 있는 선택이 필요하다.
금융 AI 시스템을 개발할 때 사용하는 데이터를 '학습 데이터'와 '테스트 데이터'로 분리하는 가장 주된 목적은 무엇인가?
- 데이터 암호화 키를 분리 관리하기 위해
- 모델이 학습하지 않은 데이터에서의 일반화 성능을 추정하기 위해 Correct answer.
- 학습 속도를 높이기 위해 데이터 양을 줄이기 위해
- 학습 데이터의 결측치를 자동 보정하기 위해
Explanation
데이터 분리의 핵심 목적은 모델이 학습에 쓰지 않은 표본에서도 성능이 유지되는지 확인하는 것이다. 학습 데이터 성능만 보면 과적합을 탐지할 수 없으므로 별도 평가용 데이터가 필요하다.
은행이 AI를 활용해 상담원의 통화 내용을 실시간으로 요약·분류하는 시스템을 도입할 때, 이 시스템의 AI 유형 분류로 가장 적절한 것은 무엇인가?
- 자연어 처리 기반의 판별·생성 모델 Correct answer.
- 군집화 기반의 고객 세분화 모델
- 강화학습 기반의 로봇 제어 모델
- 회귀 기반의 금리 예측 모델
Explanation
음성·텍스트를 이해해 요약과 분류를 수행하는 것은 자연어 처리 영역이며, 분류(판별)와 요약(생성)을 함께 활용한다. 금리 예측이나 고객 군집화는 입력과 출력의 성격이 상담 요약과 다르다.
금융회사가 AI 모델을 '추론(inference)' 단계에서 운영할 때 발생하는 비용으로 가장 직접적인 것은 무엇인가?
- 입력 데이터를 모델에 통과시켜 출력을 산출하는 연산 자원 비용 Correct answer.
- 학습 데이터 라벨을 재검수하는 인건비
- 모델 가중치를 최초로 초기화하는 난수 생성 비용
- 모델 아키텍처를 설계하는 연구 개발비
Explanation
추론은 학습된 모델에 입력을 넣어 예측값을 얻는 과정으로, 서빙 인프라의 연산·메모리 자원이 지속적으로 소모된다. 라벨 재검수나 아키텍처 설계는 학습·개발 단계의 활동이다.
금융 AI 거버넌스에서 '모델 카드(model card)'를 작성하는 주된 목적은 무엇인가?
- 고객의 신용점수를 실시간으로 갱신하기 위해
- 모델 학습에 필요한 GPU를 자동 할당하기 위해
- 모델의 소스 코드를 난독화해 외부 유출을 막기 위해
- 모델의 용도·학습 데이터·성능·한계를 문서화해 이해관계자가 위험을 파악하도록 돕기 위해 Correct answer.
Explanation
모델 카드는 모델의 의도된 사용 목적, 학습 데이터 출처, 평가 지표, 알려진 한계를 정리한 문서로 투명성과 책임성 확보에 쓰인다. 코드 보호나 자원 할당, 실시간 점수 갱신은 모델 카드의 기능이 아니다.
보험사가 청구 서류의 이미지에서 손상 부위를 인식해 자동 심사 보조에 활용하려 한다. 이 과제에 가장 적합한 AI 기술 분야는 무엇인가?
- 강화학습 기반 포트폴리오 최적화
- 시계열 수요 예측
- 그래프 기반 사기 네트워크 탐지
- 컴퓨터 비전 기반 이미지 인식 Correct answer.
Explanation
이미지에서 객체나 손상 부위를 식별하는 것은 컴퓨터 비전의 대표적 과제다. 시계열 예측, 강화학습 최적화, 그래프 분석은 입력 데이터의 형태와 목적이 이미지 인식과 다르다.
금융 AI가 규칙 기반 전문가 시스템에서 기계학습 기반 모델로 전환되면서 생긴 가장 큰 변화는 무엇인가?
- 모델의 판단 근거가 항상 사람이 읽을 수 있는 규칙으로 자동 출력된다
- 사람이 규칙을 명시하기보다 데이터에서 패턴을 학습해 판단 기준을 도출한다 Correct answer.
- 모델의 운영 비용이 항상 0에 가깝게 줄어든다
- 모델이 학습 데이터 없이도 금융 거래를 정확히 분류한다
Explanation
전문가 시스템은 사람이 if-then 규칙을 직접 작성하지만, 기계학습은 데이터로부터 패턴과 가중치를 학습한다. 이 전환은 유연성을 높이는 대신 설명가능성 확보 부담을 키운다.
은행이 여러 지점의 대출 심사 결과를 예측하는 모델을 만들 때, 목표 변수인 '연체 여부'가 과거 심사 결과에 의해 이미 걸러진 고객에게만 관측되는 문제를 무엇이라 하는가?
- 차원의 저주(curse of dimensionality)
- 과소적합(underfitting)
- 경사 소실(vanishing gradient)
- 선택 편향(selection bias) Correct answer.
Explanation
과거 심사에서 승인된 고객만 결과가 관측되면 표본이 대표성을 잃어 선택 편향이 발생한다. 이 경우 모델은 실제 모집단이 아닌 승인된 부분집단의 패턴을 학습하게 된다.
금융사가 사내 문서 기반 질의응답 시스템을 구축할 때, 검색된 문서 구절을 프롬프트에 함께 넣어 답변의 근거로 삼는 방식을 가리키는 용어는 무엇인가?
- 배치 정규화(batch normalization)
- 전이 학습(transfer learning)
- 지식 증류(knowledge distillation)
- 검색 증강 생성(RAG) Correct answer.
Explanation
RAG는 외부 지식 저장소에서 관련 문서를 검색해 생성 모델의 입력에 결합함으로써 최신·사내 정보에 근거한 답변을 유도한다. 전이 학습과 지식 증류는 모델 학습 방식, 배치 정규화는 학습 안정화 기법이다.
금융 AI 서비스에서 모델의 출력이 확률적 샘플링으로 생성될 때, 동일 질문에 매번 다른 답변이 나오는 특성을 무엇이라 하는가?
- 모델 압축(model compression)
- 과대적합(overfitting)
- 비결정성(non-determinism) Correct answer.
- 데이터 편향(data bias)
Explanation
확률적 샘플링이나 무작위 초기화 등으로 같은 입력에도 출력이 달라지는 성질을 비결정성이라 한다. 이는 재현성과 감사 대응을 어렵게 하므로 금융 서비스에서는 출력 통제가 필요하다.
금융회사가 자체 서버에서 소형 언어모델을 운영하는 '온프레미스 LLM' 방식이 외부 API 사용 대비 갖는 가장 큰 장점은 무엇인가?
- 모델의 최신 버전이 항상 자동으로 즉시 반영된다
- 고객 데이터가 외부 사업자 서버로 전송되지 않아 통제권을 유지할 수 있다 Correct answer.
- 초기 인프라 투자 없이 바로 도입할 수 있다
- 모델 성능이 외부 최신 대형 모델보다 항상 우수하다
Explanation
온프레미스 운영은 데이터가 사내 경계를 벗어나지 않아 개인정보·기밀 통제에 유리하다. 대신 하드웨어 투자와 유지보수 부담이 크고 최신 모델 업데이트는 수동으로 해야 한다.
금융 AI 모델을 개발할 때 '합성 데이터(synthetic data)'를 활용하는 가장 타당한 이유는 무엇인가?
- 합성 데이터를 쓰면 모델 검증 절차가 필요 없어진다
- 실제 개인정보 사용을 줄이면서 희소한 이상 거래 사례를 보강할 수 있다 Correct answer.
- 합성 데이터는 규제 대상이 아니므로 무제한으로 배포할 수 있다
- 합성 데이터는 항상 실제 데이터와 통계적으로 완전히 동일하다
Explanation
합성 데이터는 실제 개인정보 노출을 줄이고 희귀 사례를 보강하는 데 유용하다. 다만 실제 분포와의 차이로 성능 왜곡이 생길 수 있어 실제 데이터로 검증해야 한다.
금융사가 AI 챗봇에 고객 응대를 맡길 때, 모델이 학습하지 않은 사내 상품 약관 내용을 정확히 답하도록 설계하는 접근으로 가장 적절한 것은 무엇인가?
- 모델의 온도(temperature)를 최대치로 높여 다양한 표현을 생성하게 한다
- 고객 질문을 모두 동일한 안내 문구로 치환해 응답한다
- 약관 원문을 검색해 근거 구절과 함께 답변하도록 검색 연동 구조를 구성한다 Correct answer.
- 모델 파라미터 수를 줄여 응답 속도만 높인다
Explanation
모델 가중치에 없는 사내 약관 정보는 검색을 통해 근거를 제공해야 정확성과 추적성을 확보할 수 있다. 온도 조절이나 모델 축소는 새로운 지식을 주입하는 수단이 아니다.
금융 AI 모델의 출력을 실시간 의사결정에 쓰기 전에 '그림자 모드(shadow mode)'로 운영하는 방식의 핵심 특징은 무엇인가?
- 모델의 모든 예측을 폐기하고 로그를 남기지 않는다
- 모델을 실제 업무에 즉시 적용해 고객 결과를 직접 바꾼다
- 모델 예측을 실제 업무 처리에는 반영하지 않고 기존 절차와 병행해 성능을 비교한다 Correct answer.
- 모델 학습을 중단하고 가중치를 고정한다
Explanation
그림자 모드는 신모델의 출력을 실제 의사결정에 반영하지 않고 기존 시스템과 비교 평가하는 방식이다. 이를 통해 운영 환경에서의 성능과 위험을 사전에 확인할 수 있다.
금융회사가 생성형 AI로 투자 정보를 요약해 고객에게 제공할 때, 모델이 그럴듯하지만 틀린 수치를 제시하는 위험을 줄이는 통제로 가장 적절한 것은 무엇인가?
- 모델 응답 길이를 늘려 더 많은 정보를 담게 한다
- 모델의 창의성을 높이는 프롬프트를 사용한다
- 수치·날짜 등 핵심 필드를 원본 데이터와 자동 대조하는 검증 단계를 둔다 Correct answer.
- 고객에게 AI가 생성한 답변임을 알리지 않는다
Explanation
생성형 모델의 수치 오류는 원본 데이터와의 자동 대조로 탐지·차단할 수 있다. 창의성 강조나 응답 확장은 사실 오류 위험을 키울 수 있고, 고지 생략은 소비자 보호에 어긋난다.
금융 AI 프로젝트에서 '파일럿에서 본 성능'과 '전사 배포 후 성능'이 달라지는 원인으로 가장 타당한 것은 무엇인가?
- 모델의 가중치가 배포 시 자동으로 무작위 재설정되기 때문이다
- 배포 후에는 평가 지표를 측정할 수 없기 때문이다
- 파일럿에서는 항상 데이터를 사용하지 않기 때문이다
- 배포 후 입력 분포가 파일럿 표본과 달라지고 사용자 행동도 변화하기 때문이다 Correct answer.
Explanation
파일럿은 제한된 표본과 환경에서 이뤄지므로, 전사 배포 시 입력 분포와 사용자 행동이 달라져 성능 격차가 생길 수 있다. 따라서 배포 후 모니터링과 재평가가 필요하다.
생성형 AI가 다음 토큰을 고를 때 확률 분포에서 가장 높은 확률의 토큰만 항상 선택하는 디코딩 방식을 무엇이라 하는가?
- 빔 서치(beam search)
- 그리디 디코딩(greedy decoding) Correct answer.
- 톱-p 샘플링(top-p sampling)
- 온도 스케일링(temperature scaling)
Explanation
그리디 디코딩은 매 시점 확률이 가장 높은 토큰 하나를 결정적으로 선택하는 방식이다. 빔 서치는 여러 후보 시퀀스를 동시에 유지하며 탐색하고, 톱-p와 온도 조절은 확률 분포를 변형해 무작위성을 부여한다.
신경망 학습에서 과적합(overfitting)이 발생했을 때 나타나는 전형적인 징후로 가장 적절한 것은?
- 훈련 손실이 검증 손실보다 항상 높게 유지된다
- 학습률이 자동으로 0에 수렴한다
- 훈련 손실과 검증 손실이 함께 계속 감소한다
- 훈련 손실은 계속 감소하지만 검증 손실은 다시 증가한다 Correct answer.
Explanation
과적합은 모델이 훈련 데이터의 잡음까지 외워 일반화를 잃는 상태로, 훈련 손실은 낮아지는데 검증 손실이 상승하는 분기 현상으로 관찰된다. 두 손실이 함께 감소하면 오히려 정상적인 학습 신호다.
LLM이 사실과 다른 내용을 그럴듯하게 생성하는 현상을 가리키는 용어는?
- 프롬프트 인젝션(prompt injection)
- 캐타스트로픽 포겟팅(catastrophic forgetting)
- 환각(hallucination) Correct answer.
- 데이터 드리프트(data drift)
Explanation
환각은 모델이 근거 없는 정보를 확신에 찬 어조로 만들어내는 현상이다. 이는 확률적 다음 토큰 예측이라는 생성 원리에서 비롯되며, 사실 검증 계층이 없으면 쉽게 발생한다.
지도학습과 비지도학습의 차이를 가장 정확하게 설명한 것은?
- 지도학습은 신경망만 사용하고 비지도학습은 통계 기법만 사용한다
- 지도학습은 회귀만 수행하고 비지도학습은 분류만 수행한다
- 지도학습은 훈련 데이터가 필요 없고 비지도학습은 대규모 데이터가 필요하다
- 지도학습은 정답 레이블이 있는 데이터를 사용하고 비지도학습은 레이블 없이 구조를 찾는다 Correct answer.
Explanation
구분의 핵심은 레이블 유무다. 지도학습은 입력과 정답 쌍으로 목표 함수를 학습하고, 비지도학습은 레이블 없이 군집이나 차원 구조를 발견한다.
트랜스포머의 셀프 어텐션(self-attention)이 하는 일을 가장 잘 설명한 것은?
- 역전파 없이 출력층만 학습해 파라미터를 갱신한다
- 입력 토큰을 고정 길이 벡터로 압축해 순차적으로 전달한다
- 시퀀스 내 각 위치가 다른 위치들과의 관련도를 계산해 정보를 가중 합산한다 Correct answer.
- 합성곱 필터를 슬라이딩하며 지역 패턴을 추출한다
Explanation
셀프 어텐션은 쿼리·키·밸류를 이용해 각 토큰이 다른 토큰에 부여할 가중치를 계산하고 그 가중합으로 문맥 표현을 만든다. 이 덕분에 장거리 의존성을 병렬로 포착할 수 있다.
모델의 파라미터 수가 늘어날 때 일반적으로 나타나는 경향으로 가장 적절한 것은?
- 과적합 위험은 사라지고 추론 속도만 느려진다
- 파라미터 수는 일반화 성능과 무관하게 항상 일정하다
- 표현 능력과 학습 비용이 모두 감소한다
- 표현 능력은 커지지만 학습 비용과 과적합 위험도 함께 증가한다 Correct answer.
Explanation
파라미터가 많아지면 복잡한 패턴을 담을 용량은 늘지만 계산량과 메모리 사용이 커지고, 데이터가 부족하면 과적합 위험이 높아진다. 스케일링 법칙은 데이터와 연산이 함께 늘어날 때 성능이 향상됨을 보여준다.
파인튜닝(fine-tuning)과 프롬프트 엔지니어링의 차이로 가장 정확한 것은?
- 둘 다 모델 가중치를 반드시 갱신한다
- 둘 다 학습 데이터 없이 입력 문구만 조정한다
- 파인튜닝은 가중치를 바꾸지 않고 프롬프트 엔지니어링은 가중치를 갱신한다
- 파인튜닝은 모델 가중치를 추가 학습으로 갱신하고 프롬프트 엔지니어링은 가중치를 바꾸지 않는다 Correct answer.
Explanation
파인튜닝은 사전학습 모델의 가중치 일부 또는 전체를 목표 데이터로 추가 학습하는 방식이다. 프롬프트 엔지니어링은 가중치를 그대로 두고 입력 설계만으로 출력을 유도한다.
모델 평가에서 훈련에 쓰지 않은 데이터로 성능을 측정하는 주된 이유는?
- 파라미터 수를 줄이기 위해
- 새로운 데이터에 대한 일반화 성능을 추정하기 위해 Correct answer.
- 손실 함수를 단순화하기 위해
- 훈련 속도를 높이기 위해
Explanation
훈련 데이터 성능은 암기 효과 때문에 일반화를 과대평가한다. 별도의 검증·테스트 데이터로 측정해야 보지 못한 입력에 대한 실제 성능을 추정할 수 있다.
온도(temperature) 하이퍼파라미터를 1보다 크게 설정했을 때 생성 모델의 출력 변화로 가장 적절한 것은?
- 토큰 사전(vocabulary) 크기가 증가한다
- 확률 분포가 평탄해져 다양성이 높고 덜 예측 가능한 토큰이 선택된다 Correct answer.
- 모델 가중치가 재학습되어 지식이 갱신된다
- 확률 분포가 뾰족해져 거의 항상 최빈 토큰만 선택된다
Explanation
온도는 로짓을 나누는 값으로, 1보다 크면 분포가 평탄해져 낮은 확률 토큰의 선택 가능성이 커진다. 결과적으로 출력의 다양성과 창의성은 늘고 일관성은 줄어든다.
사전학습된 대규모 언어모델에 사내 문서를 근거로 답하게 하려 할 때, 검색 증강 생성(RAG)의 핵심 동작은?
- 문서를 학습 데이터로 넣어 모델을 처음부터 재학습한다
- 질의와 관련된 문서를 검색해 프롬프트에 함께 넣어 응답 생성을 유도한다 Correct answer.
- 출력 토큰 수를 무제한으로 늘려 문서를 암기시킨다
- 모델의 모든 가중치를 문서로 재초기화한다
Explanation
RAG는 외부 지식베이스에서 관련 문서를 검색해 컨텍스트로 제공함으로써 모델 가중치 변경 없이 최신·사내 정보를 반영한다. 이는 환각을 줄이고 출처 근거를 제시하는 데 유리하다.