Day 4 퀴즈: 응용 아키텍처

응용 아키텍처 (추천, 사기탐지, LLM+KG)

Day 4 퀴즈: 응용 아키텍처

KG 생명주기 & 엔터프라이즈 활용 > 응용 아키텍처 (추천, 사기탐지, LLM+KG)

학습 목표

응용 아키텍처와 LLM+KG 시너지를 이해했는지 확인

8문제

Q1. KG 기반 추천이 전통적 CF보다 우수한 점이 아닌 것은?

A. Cold Start 문제 해결B. 추천 이유 설명 가능 (Explainability)C. 실시간 처리 속도가 항상 더 빠름D. Filter Bubble 해소에 유리

Q2. Meta-Path 추천에서 'User-Item-User-Item' 경로가 의미하는 것은?

A. 같은 장르의 영화 추천B. 같은 영화를 본 사용자가 본 다른 영화 추천C. 같은 배우가 출연한 영화 추천D. 친구가 좋아한 영화 추천

Q3. 그래프 기반 사기탐지에서 순환 거래를 찾는 Cypher 패턴은?

A. MATCH (a)-[:TRANSFERRED]->(b) WHERE a.amount > 1000000B. MATCH path = (a)-[:TRANSFERRED*3..7]->(a)C. MATCH (a)-[:TRANSFERRED*]->(b) WHERE a <> bD. MATCH (a) WHERE a.suspicious = true

Q4. Community Detection 알고리즘(Louvain)이 사기탐지에서 하는 역할은?

A. 가장 많은 거래를 한 계좌 식별B. 밀접하게 연결된 사기 조직 클러스터 식별C. 거래 금액 이상치 탐지D. 계좌 개설 날짜 분석

Q5. KG가 LLM을 보강하는 'Grounding'의 의미는?

A. LLM의 학습 데이터를 교체하는 것B. LLM 응답에 KG 데이터를 사실 근거로 제공하는 것C. LLM을 KG 데이터로 파인튜닝하는 것D. KG를 LLM의 메모리로 사용하는 것

Q6. LLM이 KG 구축을 지원하는 방식이 아닌 것은?

A. 텍스트에서 엔티티/관계 자동 추출 (Construction)B. 누락된 관계 예측 (Completion)C. 텍스트 멘션을 KG 엔티티에 매핑 (Entity Linking)D. 그래프 데이터베이스 성능 최적화

Q7. Temporal KG의 핵심 기능은?

A. 실시간 쿼리 처리B. 시간에 따른 엔티티/관계 변화 추적C. 시계열 데이터 저장D. 타임존 변환

Q8. GraphRAG 파이프라인에서 KG 검색과 벡터 검색의 결합이 필요한 이유는?

A. 벡터 검색이 항상 더 정확해서B. KG는 구조적 관계를, 벡터는 의미적 유사성을 보완하므로C. KG 검색 비용을 줄이기 위해D. LLM이 벡터만 이해할 수 있어서

이전 다음