AI 이론 객관식 60문제

• 각 문항의 정답으로 가장 적절한 것을 하나 고르시오.
• 총 60문항, 문항별 선택지는 4개입니다.

문제

1.

토픽: 회귀식과 오차항

선형회귀식 y = β₀ + β₁x + ε에서 오차항 ε의 의미로 가장 적절한 것은?

① 독립변수 x의 평균값
② 회귀식으로 설명되지 않는 무작위 변동
③ 종속변수 y의 예측값
④ 회귀계수 β₁의 학습률

정답: ②
오차항은 입력 변수만으로 설명되지 않는 요인과 무작위 변동을 나타냅니다.

2.

토픽: K-means와 계층적 군집

K-means 군집과 계층적 군집에 대한 설명으로 옳은 것은?

① K-means는 항상 덴드로그램을 생성한다.
② 계층적 군집은 반드시 초기 중심점을 임의로 선택한다.
③ 두 방법 모두 군집 수를 사전에 지정할 수 없다.
④ K-means는 일반적으로 군집 수를 먼저 정하고, 계층적 군집은 덴드로그램으로 군집 구조를 확인할 수 있다.

정답: ④
K-means는 보통 K를 미리 지정하지만, 계층적 군집은 덴드로그램을 잘라 군집 수를 선택할 수 있습니다.

3.

토픽: 비지도학습 사례

다음 중 비지도학습의 대표적인 활용 사례는?

① 구매 행동이 비슷한 고객들을 여러 집단으로 나누기
② 정답이 표시된 이메일로 스팸 분류기 학습하기
③ 주택 특성으로 가격 예측하기
④ 정답 문장으로 번역 모델 학습하기

정답: ①
정답 레이블 없이 고객의 유사성을 이용해 집단을 찾는 것은 비지도학습의 군집화 사례입니다.

4.

토픽: 재현율 계산

실제 양성 샘플이 50개이고, 모델이 그중 40개를 양성으로 맞혔다. 이 모델의 재현율은?

① 20%
② 50%
③ 80%
④ 125%

정답: ③
재현율은 TP/(TP+FN)이므로 40/50=0.8, 즉 80%입니다.

5.

토픽: 회귀 문제

다음 중 회귀 문제에 해당하는 것은?

① 사진이 개인지 고양이인지 예측
② 아파트의 예상 거래 가격 예측
③ 고객을 세 개의 집단으로 군집화
④ 리뷰가 긍정인지 부정인지 예측

정답: ②
가격처럼 연속적인 수치를 예측하는 문제는 회귀 문제입니다.

6.

토픽: 학습률과 수렴

경사하강법에서 학습률을 지나치게 크게 설정했을 때 발생하기 가장 쉬운 현상은?

① 최솟값 주변을 지나치거나 발산할 수 있다.
② 모든 기울기가 자동으로 0이 된다.
③ 모델의 파라미터 수가 감소한다.
④ 입력 데이터가 정규화된다.

정답: ①
학습률이 너무 크면 최솟값을 넘어 진동하거나 손실이 발산할 수 있습니다.

7.

토픽: 상관관계와 다중공선성

다중공선성에 대한 설명으로 가장 적절한 것은?

① 종속변수와 오차항 사이의 상관관계가 높은 현상이다.
② 모든 독립변수의 평균이 동일한 현상이다.
③ 범주형 변수를 숫자로 변환하면서 발생하는 현상이다.
④ 독립변수들 사이에 강한 선형관계가 있어 회귀계수 추정이 불안정해지는 현상이다.

정답: ④
독립변수 사이의 강한 상관관계는 각 변수의 개별 효과를 구분하기 어렵게 만들어 회귀계수를 불안정하게 합니다.

8.

토픽: 정밀도 계산

모델이 양성이라고 예측한 샘플이 40개이고, 그중 실제 양성이 30개였다. 정밀도는?

① 25%
② 40%
③ 75%
④ 133%

정답: ③
정밀도는 TP/(TP+FP)이므로 30/40=0.75, 즉 75%입니다.

9.

토픽: 분류 문제

다음 중 분류 문제에 해당하는 것은?

① 이메일이 스팸인지 정상인지 예측
② 다음 달 매출액 예측
③ 상품 간 유사도 계산
④ 고객 데이터를 자동으로 군집화

정답: ①
스팸과 정상이라는 이산적인 클래스 중 하나를 예측하므로 분류 문제입니다.

10.

토픽: 비선형 활성화 함수

신경망에 ReLU와 같은 비선형 활성화 함수가 필요한 주된 이유는?

① 입력 데이터의 개수를 늘리기 위해
② 손실함수를 제거하기 위해
③ 모든 가중치를 동일하게 만들기 위해
④ 여러 층이 복잡한 비선형 관계를 표현할 수 있게 하기 위해

정답: ④
비선형 활성화가 없으면 여러 선형층을 쌓아도 결국 하나의 선형변환과 같습니다.

11.

토픽: RLHF 강화학습

RLHF에서 사람의 피드백을 사용하는 주요 목적은?

① 모델의 토큰 수를 강제로 줄이기 위해
② 입력 문장을 이미지로 변환하기 위해
③ 모델의 출력을 사람의 선호 및 의도와 더 잘 정렬하기 위해
④ 모델의 모든 파라미터를 정수로 변환하기 위해

정답: ③
RLHF는 사람의 선호 피드백을 이용해 모델 행동을 인간의 의도와 가치에 더 가깝게 조정합니다.

12.

토픽: RLHF 학습 절차

일반적인 RLHF 학습 절차의 순서로 가장 적절한 것은?

① 보상 모델 학습 → 사전학습 → 데이터 삭제
② 지도 미세조정 → 선호 데이터로 보상 모델 학습 → 정책 최적화
③ 정책 최적화 → 토크나이징 → 지도 미세조정
④ 양자화 → 지식 증류 → 보상 모델 제거

정답: ②
대표적인 RLHF 과정은 지도 미세조정, 선호 기반 보상 모델 학습, 정책 최적화 순서입니다.

13.

토픽: 경사하강법 갱신 방향

현재 파라미터가 θ이고 손실함수의 기울기가 ∇L(θ)일 때, 학습률이 η인 경사하강법의 갱신식은?

① θ ← ηθ + ∇L(θ)
② θ ← θ + η∇L(θ)
③ θ ← ∇L(θ) - ηθ
④ θ ← θ - η∇L(θ)

정답: ④
손실을 줄이기 위해 현재 파라미터에서 기울기 방향의 반대로 학습률만큼 이동합니다.

14.

토픽: 원-핫 인코딩의 한계

단어를 원-핫 벡터로 표현할 때의 대표적인 한계는?

① 모든 단어가 같은 벡터로 표현된다.
② 벡터가 희소하고 단어 사이의 의미적 유사성을 표현하지 못한다.
③ 순서 정보가 항상 자동으로 포함된다.
④ 학습 없이도 문맥에 따라 벡터가 달라진다.

정답: ②
원-핫 벡터는 차원이 크고 대부분 0이며, 서로 다른 단어 사이의 의미적 거리를 표현하지 못합니다.

15.

토픽: RNN 순환 구조

RNN의 순환 구조에 대한 설명으로 옳은 것은?

① 각 시점은 이전 시점과 완전히 독립적으로 처리된다.
② 출력층의 가중치는 매 시점 무작위로 초기화된다.
③ 이전 시점의 은닉 상태를 현재 시점 계산에 사용한다.
④ 입력 시퀀스의 길이는 항상 1이어야 한다.

정답: ③
RNN은 이전 시점의 은닉 상태를 현재 입력과 함께 사용해 순서 정보를 전달합니다.

16.

토픽: 1×1 Convolution 연산량

크기가 H×W×C_in인 입력에 C_out개의 1×1 필터를 적용할 때, 편향과 덧셈을 제외한 곱셈 횟수는?

① H × W × C_in × C_out
② H × W × C_out
③ C_in × C_out
④ H × W × C_in

정답: ①
각 공간 위치마다 C_in개 입력과 C_out개 필터 사이의 곱셈이 수행됩니다.

17.

토픽: CNN·FC 파라미터 계산

편향을 포함할 때 Conv2D와 완전연결층의 파라미터 수 공식으로 옳은 것은?

① Conv2D: H×W×C_in, FC: 입력 수+출력 수
② Conv2D: K×K×C_out, FC: 입력 수×배치 크기
③ Conv2D: K×K×C_in×C_out+C_out, FC: 입력 수×출력 수+출력 수
④ Conv2D와 FC 모두 입력 이미지의 높이와 너비에만 비례한다.

정답: ③
합성곱층은 커널 크기와 입출력 채널 수로, FC층은 입출력 뉴런 수로 파라미터가 결정됩니다.

18.

토픽: 문장 임베딩과 코사인 유사도

두 문장 임베딩 벡터의 코사인 유사도에 대한 설명으로 옳은 것은?

① 두 벡터의 내적을 각 벡터의 크기 곱으로 나누어 방향의 유사성을 측정한다.
② 두 벡터의 차원을 더해 문장의 길이를 측정한다.
③ 벡터의 각 원소를 원-핫 값으로 변경한다.
④ 두 문장에 공통으로 등장하는 단어 개수만 계산한다.

정답: ①
코사인 유사도는 정규화된 내적으로 두 벡터가 향하는 방향의 유사성을 측정합니다.

19.

토픽: 텍스트 파운데이션 모델

텍스트 파운데이션 모델의 특징으로 가장 적절한 것은?

① 하나의 작은 표 데이터셋에서만 학습된다.
② 대규모 텍스트로 사전학습한 뒤 다양한 언어 작업에 적용하거나 조정할 수 있다.
③ 반드시 정답 클래스가 두 개인 문제에만 사용된다.
④ 외부 데이터 없이 실시간 최신 사실을 항상 정확히 안다.

정답: ②
파운데이션 모델은 대규모 데이터로 일반 능력을 사전학습하고 여러 하위 작업에 적용합니다.

20.

토픽: LLM Agent의 특성

일반적인 LLM Agent의 특성으로 가장 적절한 것은?

① 항상 한 번의 모델 호출만 수행한다.
② 외부 환경의 관찰 없이 고정된 문장만 출력한다.
③ 도구의 결과와 관계없이 미리 정해진 답만 반환한다.
④ 목표를 바탕으로 추론하고 도구를 사용하며 결과를 관찰해 다음 행동을 결정할 수 있다.

정답: ④
Agent는 단순 응답 생성뿐 아니라 목표에 따라 계획하고 행동하며 도구 결과를 다음 판단에 반영합니다.

21.

토픽: 지시 학습 데이터

지시 학습 데이터의 일반적인 구성은?

① 사용자의 지시와 그 지시에 적합한 응답의 쌍
② 이미지 픽셀과 무작위 숫자의 쌍
③ 입력 없이 손실값만 저장한 데이터
④ 모델 가중치와 학습률만 나열한 데이터

정답: ①
지시 학습 데이터는 일반적으로 수행할 지시와 그에 맞는 모범 응답으로 구성됩니다.

22.

토픽: 1×1 Convolution의 특징

1×1 Convolution의 특징으로 옳은 것은?

① 공간 크기를 반드시 절반으로 줄인다.
② 하나의 채널에만 적용할 수 있다.
③ 위치별 채널 정보를 결합하고 출력 채널 수를 조절할 수 있다.
④ 입력의 높이와 너비 전체를 한 번에 합성한다.

정답: ③
1×1 Convolution은 각 위치에서 채널을 결합하고 출력 채널 수를 늘리거나 줄일 수 있습니다.

23.

토픽: Zero-shot CoT

Zero-shot Chain-of-Thought 프롬프팅에 해당하는 것은?

① 여러 개의 풀이 예시와 정답을 제공한다.
② 모델의 가중치를 수학 문제 데이터로 학습한다.
③ 정답만 한 단어로 출력하도록 제한한다.
④ 풀이 예시 없이 “단계별로 생각해 보세요”와 같은 추론 지시를 추가한다.

정답: ④
Zero-shot CoT는 풀이 예시 없이 단계적 추론을 유도하는 문구를 추가하는 방식입니다.

24.

토픽: AI와 AI Agent

일반적인 AI 모델과 AI Agent의 차이를 가장 잘 설명한 것은?

① AI Agent는 학습된 모델을 사용할 수 없다.
② AI Agent는 모델의 추론에 목표 관리, 도구 사용, 환경과의 상호작용을 결합할 수 있다.
③ 일반 AI 모델은 반드시 로봇에서만 실행된다.
④ AI Agent는 입력을 받을 수 없다.

정답: ②
Agent는 AI 모델에 목표 관리, 도구 사용, 메모리 또는 환경 상호작용을 결합한 시스템입니다.

25.

토픽: Quantization의 특징

Quantization의 일반적인 특징은?

① 학습 데이터의 행 개수를 늘리는 기술이다.
② 모델의 층을 무조건 두 배로 늘린다.
③ 가중치나 활성값의 표현 비트 수를 줄여 메모리와 연산 비용을 낮출 수 있다.
④ 모든 경우에 모델 정확도를 향상시킨다.

정답: ③
Quantization은 낮은 정밀도로 값을 표현해 효율을 높이지만 정확도가 일부 저하될 수 있습니다.

26.

토픽: 프롬프트 디자인

효과적인 프롬프트 디자인 방법으로 가장 적절한 것은?

① 요구사항을 의도적으로 모호하게 작성한다.
② 서로 충돌하는 지시를 가능한 많이 추가한다.
③ 출력 형식을 모델이 임의로 선택하게만 한다.
④ 역할, 수행할 작업, 제약조건, 출력 형식을 명확히 작성한다.

정답: ④
명확한 역할·작업·조건·출력 형식은 모델이 원하는 결과를 일관되게 생성하도록 돕습니다.

27.

토픽: Knowledge Distillation

Knowledge Distillation의 핵심 아이디어는?

① 학습 데이터를 전부 삭제해 과적합을 방지한다.
② 작은 학생 모델이 큰 교사 모델의 출력 분포나 지식을 모방하도록 학습한다.
③ 모델의 모든 실수 가중치를 문자열로 변환한다.
④ 여러 학생 모델을 하나의 더 큰 교사 모델로 합친다.

정답: ②
지식 증류는 큰 교사의 예측 분포와 지식을 작은 학생 모델이 모방하도록 학습합니다.

28.

토픽: 멀티모달 비디오 생성

텍스트 조건 멀티모달 비디오 생성에서 이미지 생성보다 추가로 중요하게 다뤄야 할 요소는?

① 데이터프레임의 열 이름
② 프레임 사이의 시간적 일관성과 움직임
③ 회귀계수의 유의확률
④ 군집 중심의 초기 위치만

정답: ②
비디오는 프레임별 품질뿐 아니라 객체와 움직임이 시간에 따라 자연스럽게 이어져야 합니다.

29.

토픽: CBOW와 Skip-gram

CBOW와 Skip-gram의 관계를 올바르게 설명한 것은?

① 두 방법 모두 중심 단어로 문서 전체의 레이블만 예측한다.
② CBOW는 이미지 전용이고 Skip-gram은 음성 전용이다.
③ CBOW는 단어 순서를 정렬하고 Skip-gram은 문장을 번역한다.
④ CBOW는 주변 단어로 중심 단어를 예측하고, Skip-gram은 중심 단어로 주변 단어를 예측한다.

정답: ④
CBOW와 Skip-gram은 입력과 예측 대상의 방향이 서로 반대입니다.

30.

토픽: RNN 기울기 소실

기본 RNN에서 긴 시퀀스를 학습할 때 기울기 소실이 발생하는 주된 이유는?

① 입력 토큰이 항상 원-핫 벡터이기 때문이다.
② 출력 클래스가 두 개 이상이기 때문이다.
③ 역전파 과정에서 작은 미분값이 여러 시점에 걸쳐 반복해서 곱해질 수 있기 때문이다.
④ 손실함수를 사용하지 않기 때문이다.

정답: ③
긴 역전파 경로에서 1보다 작은 미분값이 반복 곱해지면 초기 시점의 기울기가 매우 작아집니다.

31.

토픽: LSTM 상태 구조

일반적인 LSTM이 시점마다 관리하는 두 상태는?

① 은닉 상태 h_t와 셀 상태 c_t
② 평균 μ와 표준편차 σ
③ 쿼리 Q와 키 K만
④ 정밀도와 재현율

정답: ①
LSTM은 단기 출력 역할의 은닉 상태와 장기 정보 전달 역할의 셀 상태를 함께 관리합니다.

32.

토픽: 사전학습과 파인튜닝

사전학습과 파인튜닝의 관계로 옳은 것은?

① 파인튜닝 후에만 사전학습을 시작할 수 있다.
② 대규모 데이터로 일반 능력을 사전학습한 뒤 특정 작업이나 도메인 데이터로 파인튜닝할 수 있다.
③ 사전학습과 파인튜닝은 항상 동일한 데이터만 사용한다.
④ 파인튜닝에서는 모델 파라미터를 절대 변경하지 않는다.

정답: ②
사전학습으로 일반 표현을 얻고 파인튜닝으로 특정 작업이나 도메인에 맞게 조정합니다.

33.

토픽: Max Pooling

Max Pooling의 동작으로 옳은 것은?

① 각 영역의 모든 값을 이어 붙인다.
② 각 영역의 평균과 분산을 동시에 출력한다.
③ 각 지역 영역에서 가장 큰 값을 선택해 공간 크기를 줄일 수 있다.
④ 입력 채널 수를 반드시 두 배로 만든다.

정답: ③
Max Pooling은 각 지역에서 최댓값을 선택해 중요한 반응을 유지하면서 공간 크기를 줄입니다.

34.

토픽: CNN 수용영역

CNN의 수용영역(Receptive Field)에 대한 설명으로 옳은 것은?

① 특정 출력 값에 영향을 줄 수 있는 입력 영역이며, 층이 깊어질수록 일반적으로 커진다.
② 모델이 한 번에 저장할 수 있는 파일 개수다.
③ 학습 데이터의 클래스 개수와 항상 같다.
④ 활성화 함수가 출력할 수 있는 값의 범위만 의미한다.

정답: ①
수용영역은 한 출력 뉴런에 영향을 주는 입력 범위이며 합성곱층을 거듭할수록 보통 커집니다.

35.

토픽: Feature Map 메모리

배치 크기 B, 채널 C, 높이 H, 너비 W인 float32 Feature Map의 메모리 크기를 근사하는 식은?

① B+C+H+W 바이트
② H×W 바이트
③ B×C 바이트
④ B×C×H×W×4 바이트

정답: ④
float32 원소 하나는 4바이트이므로 전체 원소 수에 4를 곱합니다.

36.

토픽: 파운데이션 모델 서비스 개발

파운데이션 모델 기반 서비스를 개발할 때 가장 적절한 접근은?

① 모델 크기만 키우고 평가와 모니터링은 생략한다.
② 서비스 요구사항에 맞춰 모델·프롬프트·검색 또는 파인튜닝 방식을 선택하고 평가와 운영 모니터링을 수행한다.
③ 모든 사용자 입력을 학습 데이터에 즉시 추가한다.
④ 데이터 보안과 비용을 고려하지 않는다.

정답: ②
서비스 개발에는 정확도뿐 아니라 요구사항, 비용, 보안, 평가 및 배포 후 모니터링이 필요합니다.

37.

토픽: VLM 학습 절차

일반적인 Vision-Language Model 학습 구성으로 가장 적절한 것은?

① 텍스트 없이 이미지의 파일 크기만 예측한다.
② 시각 인코더의 표현을 연결 모듈로 언어 모델에 정렬하고 이미지-텍스트 데이터로 학습한다.
③ 언어 모델을 제거하고 K-means만 사용한다.
④ 모든 이미지를 원-핫 벡터 하나로 표현한다.

정답: ②
VLM은 시각 특징을 언어 모델이 사용할 수 있는 표현으로 정렬해 이미지와 텍스트를 함께 처리합니다.

38.

토픽: 문서 이해 VLM

문서 이해 VLM에서 특히 중요한 정보는?

① 문서의 파일 생성 시각만
② 이미지의 평균 색상만
③ 문서 페이지 수만
④ 텍스트 내용과 표·도형·문단의 공간적 레이아웃 정보

정답: ④
문서 이해에는 글자 내용뿐 아니라 표, 문단, 도형의 위치와 구조도 중요합니다.

39.

토픽: Small VLM

Small VLM의 장점으로 가장 적절한 것은?

① 상대적으로 적은 파라미터와 연산량으로 온디바이스 또는 저지연 환경에 적용하기 쉽다.
② 큰 VLM보다 항상 모든 작업에서 정확하다.
③ 이미지 입력을 처리하지 않는다.
④ 모델 배포 시 메모리를 전혀 사용하지 않는다.

정답: ①
Small VLM은 비교적 작은 모델 크기와 연산량으로 제한된 장치와 저지연 서비스에 적합합니다.

40.

토픽: RAG

RAG의 기본 동작 순서로 옳은 것은?

① 답변 생성 → 문서 삭제 → 질문 임베딩
② 모델 파인튜닝 → 군집화 → 이미지 생성
③ 질문과 관련된 문서 검색 → 검색 결과를 문맥으로 제공 → 답변 생성
④ 양자화 → 보상 모델 학습 → 답변 생성

정답: ③
RAG는 질문과 관련된 외부 자료를 검색한 뒤 이를 문맥으로 제공해 답변을 생성합니다.

41.

토픽: LLM-as-Judge 평가 편향

LLM-as-Judge에서 발생할 수 있는 평가 편향의 예는?

① 모든 입력 문장의 토큰 수가 동일해지는 현상
② 평가 모델의 파라미터가 자동으로 삭제되는 현상
③ 평가할 답변이 무조건 JSON으로 바뀌는 현상
④ 답변의 제시 순서나 평가 모델 자신이 생성한 답변을 선호해 점수가 달라지는 현상

정답: ④
LLM 평가자는 위치 편향, 길이 편향, 자기 선호 등으로 같은 품질의 답변에도 다른 점수를 줄 수 있습니다.

42.

토픽: 단일 태스크 파인튜닝

단일 태스크 파인튜닝의 특징으로 가장 적절한 것은?

① 하나의 입력만 사용하고 학습을 수행하지 않는다.
② 모든 도메인에서 반드시 일반 성능이 향상된다.
③ 특정 작업에는 전문화될 수 있지만 다른 작업의 일반 능력이 저하될 수 있다.
④ 모델 파라미터 대신 데이터 파일명만 변경한다.

정답: ③
한 작업에 집중한 파인튜닝은 전문성을 높일 수 있지만 다른 작업의 일반 능력을 손상시킬 수 있습니다.

43.

토픽: 선형회귀 계수 해석

다중선형회귀에서 다른 독립변수들을 고정했을 때 계수 β₁의 일반적인 해석은?

① x₁이 1단위 증가할 때 예측되는 y의 평균 변화량
② y가 1단위 증가할 때 데이터 개수의 변화량
③ 오차항이 항상 0이 되는 확률
④ 모든 독립변수 사이의 상관계수

정답: ①
다른 변수를 고정하면 β₁은 x₁이 1 증가할 때 예측값이 평균적으로 얼마나 변하는지 나타냅니다.

44.

토픽: Tool Learning

Tool Learning의 목적으로 가장 적절한 것은?

① 모델이 상황에 맞는 외부 도구를 선택하고 인자를 구성하며 결과를 활용하도록 학습하는 것
② 모델의 모든 출력을 이미지로 저장하는 것
③ 학습률을 자동으로 0으로 만드는 것
④ 문서의 모든 단어를 같은 임베딩으로 만드는 것

정답: ①
Tool Learning은 도구 선택, 인자 생성, 호출 결과 활용 능력을 모델에 학습시키는 것입니다.

45.

토픽: 다중 에이전트 시스템

다중 에이전트 시스템에 대한 설명으로 옳은 것은?

① 모든 에이전트가 통신 없이 같은 답만 반복한다.
② 서로 다른 역할이나 능력을 가진 에이전트들이 협력하거나 조정하여 작업을 수행할 수 있다.
③ 반드시 하나의 도구만 사용할 수 있다.
④ 단일 모델 호출보다 항상 비용이 낮다.

정답: ②
다중 에이전트 시스템은 역할이 다른 에이전트들이 정보를 교환하고 협력해 복잡한 작업을 수행합니다.

46.

토픽: 파인튜닝과 Instruction-tuning

일반적인 파인튜닝과 Instruction-tuning의 차이를 가장 적절하게 설명한 것은?

① Instruction-tuning은 지시-응답 형식의 다양한 데이터로 지시 수행 능력을 강화하는 파인튜닝 방식이다.
② 파인튜닝은 모델 가중치를 절대 변경하지 않는다.
③ Instruction-tuning은 이미지 데이터에만 적용된다.
④ 두 방법 모두 반드시 강화학습만 사용한다.

정답: ①
Instruction-tuning은 다양한 지시와 응답 데이터로 모델의 지시 이해 및 수행 능력을 높입니다.

47.

토픽: RLHF 학습 파이프라인

RLHF 파이프라인의 올바른 순서는?

① 선호 데이터 수집 → 모델 삭제 → 임베딩 검색
② 정책 최적화 → 사전학습 데이터 생성 → 토크나이저 제거
③ 지도 미세조정 → 응답 선호 데이터 수집 → 보상 모델 학습 → 보상을 이용한 정책 최적화
④ 양자화 → 가지치기 → 군집화 → 회귀분석

정답: ③
RLHF는 지도 미세조정 후 사람의 선호를 학습한 보상 모델을 이용해 정책을 최적화합니다.

48.

토픽: Few-shot CoT

Few-shot Chain-of-Thought 프롬프트의 특징은?

① 아무런 예시나 추론 지시를 제공하지 않는다.
② 정답 레이블만 여러 개 나열한다.
③ 모델 파라미터를 몇 개의 샘플로 업데이트한다.
④ 중간 추론 과정이 포함된 여러 입출력 예시를 프롬프트에 제공한다.

정답: ④
Few-shot CoT는 답뿐 아니라 단계별 풀이 과정이 포함된 여러 예시로 추론 패턴을 보여줍니다.

49.

토픽: 배포 환경별 경량화 전략

배포 환경에 따른 모델 경량화 전략으로 가장 적절한 것은?

① 엣지 환경에서는 메모리·전력·지연시간을 고려해 양자화나 증류를 적용하고, 서버 환경에서는 처리량과 정확도 요구를 함께 고려한다.
② 모든 환경에서 가장 큰 모델을 그대로 사용한다.
③ 모바일 환경에서는 반드시 float64만 사용한다.
④ 클라우드에서는 모델 크기와 비용을 고려할 필요가 없다.

정답: ①
경량화 방법은 장치의 메모리, 전력, 지연시간과 서버의 처리량·정확도 조건에 맞게 선택해야 합니다.

50.

토픽: 저비트 Quantization

저비트 Quantization에 대한 설명으로 옳은 것은?

① 모든 가중치를 삭제해 모델을 압축한다.
② FP32 값을 INT8 또는 INT4처럼 더 적은 비트로 근사해 저장하고 연산한다.
③ 입력 데이터의 해상도만 줄이는 방법이다.
④ 출력 클래스 수를 절반으로 만드는 방법이다.

정답: ②
저비트 양자화는 실수 값을 INT8·INT4 등의 제한된 정수 범위로 근사합니다.

51.

토픽: Teacher–Student 지식 증류

Teacher–Student 지식 증류에 대한 설명으로 옳은 것은?

① 학생 모델이 교사 모델보다 반드시 더 커야 한다.
② 교사 모델의 가중치를 학생 모델에 단순 복사하는 것만 가능하다.
③ 정답 레이블은 사용할 수 없고 교사 출력만 사용해야 한다.
④ 학생 모델이 정답과 함께 교사 모델의 soft target을 학습하도록 구성할 수 있다.

정답: ④
Soft target에는 최종 정답 외에도 클래스 사이의 관계에 관한 교사 모델의 정보가 담깁니다.

52.

토픽: 모델 경량화 Trade-off

모델 경량화의 대표적인 Trade-off는?

① 모델이 작아질수록 학습 데이터가 자동으로 증가한다.
② 지연시간을 줄이면 메모리 사용량은 반드시 증가한다.
③ 메모리·속도·전력 효율을 개선하는 대신 정확도가 일부 저하될 수 있다.
④ 양자화 비트 수를 낮추면 항상 정확도가 향상된다.

정답: ③
경량화는 속도와 자원 효율을 개선하지만 정보 손실로 정확도가 낮아질 수 있습니다.

53.

토픽: OOD와 Adaptive Sensing

OOD와 Adaptive Sensing에 대한 설명으로 가장 적절한 것은?

① OOD는 학습 데이터와 동일한 분포만 의미한다.
② Adaptive Sensing은 항상 모든 센서를 최대 빈도로 작동시킨다.
③ OOD는 학습 분포 밖의 입력이며, Adaptive Sensing은 상황에 따라 센서나 측정 방식을 조정할 수 있다.
④ 두 개념 모두 모델 파라미터 개수만 측정한다.

정답: ③
OOD는 학습 분포 밖의 입력이고 Adaptive Sensing은 환경에 맞춰 관측 자원을 조정하는 방식입니다.

54.

토픽: AI 스케일링과 Physical AI

AI Scaling과 Physical AI를 올바르게 설명한 것은?

① AI Scaling은 모델 파라미터를 항상 줄이는 것이고 Physical AI는 텍스트만 처리한다.
② AI Scaling은 데이터·연산·모델 규모 확대에 따른 성능 변화를 다루며, Physical AI는 물리 환경을 인식하고 행동하는 AI와 관련된다.
③ AI Scaling은 회귀 문제에만 적용된다.
④ Physical AI는 센서와 액추에이터를 사용할 수 없다.

정답: ②
AI Scaling은 규모 증가에 따른 성능을, Physical AI는 현실 환경에서 인식하고 행동하는 지능을 다룹니다.

55.

토픽: CNN Inductive Bias

CNN의 대표적인 Inductive Bias는?

① 지역적 연결과 가중치 공유를 통해 공간적 지역성 및 이동에 대한 등변성을 활용한다.
② 모든 픽셀 위치마다 완전히 다른 네트워크 구조를 사용한다.
③ 입력 순서를 무시하기 위해 위치 정보를 모두 삭제한다.
④ 이미지의 모든 위치를 처음부터 완전연결층으로만 처리해야 한다.

정답: ①
CNN은 가까운 픽셀의 연관성과 위치 전반에 동일한 필터를 적용하는 가정을 구조에 반영합니다.

56.

토픽: ViT Positional Embedding

ViT에서 Positional Embedding을 사용하는 주된 이유는?

① 패치의 색상을 흑백으로 바꾸기 위해
② 이미지 크기를 항상 1×1로 만들기 위해
③ 모든 패치 임베딩을 동일하게 만들기 위해
④ Self-Attention만으로는 알기 어려운 패치의 위치와 순서 정보를 제공하기 위해

정답: ④
Self-Attention은 자체적으로 순서를 구별하지 못하므로 위치 임베딩으로 패치의 공간 정보를 제공합니다.

57.

토픽: AI Agent 동작

일반적인 AI Agent의 동작 순서로 가장 적절한 것은?

① 모델 삭제 → 데이터 삭제 → 종료
② 학습률 계산 → 군집화 → 양자화
③ 답변 생성 → 사용자 목표 무시 → 반복
④ 목표와 환경 관찰 → 계획 또는 행동 선택 → 도구 실행 → 결과 관찰 및 다음 행동 결정

정답: ④
Agent는 관찰과 행동 결과를 반복적으로 반영해 목표를 향해 다음 결정을 내립니다.

58.

토픽: Distribution Shift

Distribution Shift에 대한 설명으로 옳은 것은?

① 학습 데이터와 실제 배포 데이터의 분포가 달라지는 현상이다.
② 신경망의 모든 가중치가 동일해지는 현상이다.
③ 모델의 출력 차원이 입력 차원보다 작아지는 현상이다.
④ 학습률을 매번 일정하게 사용하는 현상이다.

정답: ①
학습 환경과 배포 환경의 데이터 분포가 달라지면 학습 당시 성능이 유지되지 않을 수 있습니다.

59.

토픽: AI Agent의 Tool 활용

AI Agent가 외부 Tool을 사용하는 과정으로 가장 적절한 것은?

① 도구 결과를 확인하지 않고 무조건 최종 답변을 생성한다.
② 모든 질문에서 존재하는 모든 도구를 동시에 호출한다.
③ 도구의 설명을 바탕으로 적절한 도구와 인자를 선택하고, 반환 결과를 다음 추론에 활용한다.
④ 도구 호출 전에 사용자의 목표를 삭제한다.

정답: ③
Agent는 도구 설명에 따라 호출 대상을 고르고 인자를 구성한 뒤 반환값을 후속 추론에 사용합니다.

60.

토픽: 도메인 특화 AI

도메인 특화 AI에 대한 설명으로 가장 적절한 것은?

① 모든 분야에 동일한 데이터와 평가 기준만 적용한다.
② 특정 산업이나 업무의 데이터·용어·요구사항에 맞게 모델이나 시스템을 최적화한다.
③ 범용 모델보다 항상 파라미터 수가 많아야 한다.
④ 외부 지식이나 도메인 전문가의 평가를 사용할 수 없다.

정답: ②
도메인 특화 AI는 해당 분야의 데이터, 용어, 업무 절차와 평가 기준에 맞춰 최적화됩니다.