머신러닝 프로젝트의 80%는 사실 "모델을 처음부터 만들 필요가 없는" 문제다. 영수증에서 금액을 뽑고, 음성을 텍스트로 바꾸고, 이미지에서 부적절한 콘텐츠를 거르고, 텍스트의 감정을 분석하는 일은 이미 잘 풀린 문제다. 직접 데이터를 모아 모델을 학습시키는 건 시간·비용·전문성 측면에서 낭비다. AWS의 Managed AI(사전 학습형 AI) 서비스는 이 "이미 풀린 문제"를 API 한 번으로 쓰게 해준다. SAP-C02 시험에서 이 영역은 깊은 이론보다 "이 시나리오에는 어느 서비스를 골라야 하나"를 즉답하는 매핑 능력으로 출제된다. 다만 함정이 있다 — Macie vs Comprehend PII, Kendra vs OpenSearch처럼 비슷해 보이는 서비스의 경계를 정확히 알아야 한다.
오늘은 서비스를 나열하는 대신, 이들이 어떤 카테고리 논리로 갈라지는지, 동기·비동기·배치 호출 패턴이 왜 다른지, 그리고 시험에서 헷갈리는 경계들을 분해한다.
직접 OCR 모델을 만든다고 상상해보자. 수만 장의 문서를 레이블링하고, CNN 아키텍처를 설계하고, GPU로 며칠 학습하고, 정확도를 튜닝하고, 서빙 인프라를 구축해야 한다. 수개월과 수십만 달러가 든다. 그런데 그 결과물이 AWS Textract보다 나을 가능성은 거의 없다 — Textract는 수억 장의 문서로 학습됐고 AWS가 계속 개선한다