Quiz — Module 08: Quick Reference Card

← Module 08 본문으로 돌아가기

---

Q1. (Remember)

AI Engineering 의 4축은?

정답 / 해설

1. Prompt — 입력 설계.
2. RAG — 외부 지식 결합.
3. Agent — 도구 + 메모리 + 다단계 loop.
4. Eval — 정량/정성 평가 + 운영 모니터링.

Q2. (Apply)

면접 30초 응답: "RAG 가 fine-tune 보다 좋은 이유?"

정답 / 해설

• 갱신 비용 ↓ (인덱스만 다시 만들면 됨).
• 출처 인용 가능 → 규제/IP 도메인에서 유리.
• 소량 데이터로 즉시 효과.
• Fine-tune 은 형식·스타일 내재화에 더 유리하지만, 지식 갱신은 부적합. 둘은 대체가 아니라 보완.

Q3. (Apply)

자기 시스템에 빠진 보안/품질 계층을 빠르게 식별하는 체크리스트는?

정답 / 해설

• Prompt template + version 관리?
• RAG retrieval 평가셋(MRR/Recall) 측정 중?
• Agent loop 에 max-step / max-token / cost guard?
• Hallucination/Faithfulness 정기 측정?
• IP / PII 마스킹 파이프라인?
• Observability (요청/비용/실패 dashboard)?

Q4. (Evaluate)

RAG 시스템의 품질이 안 좋다는 보고가 들어왔다. 어디부터 보아야 하는가?

정답 / 해설

1. Retrieval 품질 지표 (Recall@k, MRR) — 거의 모든 RAG 문제는 retrieval 에서 시작한다.
2. Chunking 정책 — chunk 가 너무 길거나 짧지 않은가?
3. Embedding 모델 — 도메인 적합성 (코드 vs 일반 텍스트).
4. Hybrid 검색 — 약어/식별자/짧은 query 가 dense 만으로 안 잡히는가?
5. Re-ranker 적용 여부.
6. 마지막으로 Prompt 와 모델 변경.

Q5. (Evaluate)

이 코스 다음에 학습해야 할 4영역은?

정답 / 해설

1. LangChain / LangGraph — RAG + Agent 표준 프레임워크.
2. LoRA / PEFT fine-tune — 도메인 모델 적응.
3. RAGAS / TruLens — 자동 평가 파이프라인.
4. Multi-Agent System — 복잡한 워크플로 (planner / executor / critic) 분업.