AWS, 세이지메이커 트레이닝 세션 출시
최근 30일 조회수 — 좋아요 —핵심 요약
개발자가 학습 루프를 직접 설계하면 AWS가 GPU 할당과 분산 실행, 장애 복구를 관리한다.
AWS가 GPU 인프라를 직접 운영하지 않고도 개발자가 학습 절차를 설계할 수 있는 세이지메이커 AI(SageMaker AI) ‘트레이닝 세션(Training Sessions)’을 정식 출시했다. 개발자는 파이썬으로 사용자 정의 학습 루프와 손실 함수, 보상 신호를 작성하고, 세이지메이커 AI는 GPU 할당과 분산 실행, 장애 복구, 체크포인트 저장을 맡는다.1
기존 모델 맞춤화는 통제력과 운영 편의성 사이에서 선택해야 했다. 완전 관리형 서비스는 기반 모델과 데이터, 하이퍼파라미터만 지정하면 되지만 사전에 마련된 학습 방식에서 벗어나기 어렵다. 반대로 지도 미세조정(SFT)의 사용자 정의 손실 함수나 선호도 최적화, 강화학습(RL) 보상 함수를 직접 구현하려면 GPU 클러스터와 학습 프레임워크까지 관리해야 했다. 트레이닝 세션은 알고리즘 대신 컴퓨팅 계층을 감추는 방식으로 이 경계를 조정했다.2
개발자는 로컬 파이썬 프로세스에서 forward_backward(), optim_step(), sample() 같은 연산을 API로 호출해 학습 순서를 구성한다. 호출 대상은 상태를 유지하는 세션이어서 기반 모델과 저순위 적응(LoRA) 어댑터가 단계마다 다시 적재되지 않고 GPU에 남는다. 작업 전체를 미리 기술하는 설정 파일이나 클러스터 생성 절차도 필요 없다. 세이지메이커 AI는 런타임 구성, 그래디언트 동기화, 테넌트 격리와 보안까지 처리한다.2
지원 범위는 SFT뿐 아니라 직접 선호도 최적화(DPO), 검증 가능한 보상을 활용한 강화학습(RLVR), AI 피드백 기반 강화학습(RLAIF), 멀티턴 RL을 아우른다. LoRA와 전체 미세조정 중 업데이트 범위를 고르고 여러 기법을 이어서 적용할 수도 있다. 특히 여러 차례 도구를 호출한 뒤에야 성패를 평가할 수 있는 에이전트 학습에서, 추론·채점·모델 업데이트를 잇는 자체 루프를 만들 수 있다는 점이 핵심이다.1
다만 AWS가 없앤 것은 인프라 운영 부담이지 학습 설계 자체의 난도는 아니다. 데이터와 RL 환경, 에이전트, 알고리즘은 여전히 개발자가 책임진다. AWS는 이를 돕기 위해 SFT와 RL 예제를 담은 트레이닝 세션 쿡북을 함께 공개했다.2
Footnotes
읽기 목록은 이 브라우저에 저장됩니다.
출처
- Write your own training loop — without managing GPUs — with Amazon SageMaker training session APIs | Amazon Web Services — AWS Machine Learning Blog
- Announcing new ways to customize models with SageMaker AI, without managing GPUs | Amazon Web Services — AWS Machine Learning Blog
이 글은 위 출처를 근거로 자동 생성된 뒤 발행됐습니다. 원문을 함께 확인해 주세요.