SageMaker와 ML 수명주기

개요

자료와 목표에 맞는 모델 맞춤화 및 학습·배포·관측 흐름을 선택한다.

먼저 ML 수명주기와 설명 가능성, 맞춤화 방식과 위험의 핵심 개념을 확인하세요.

세부 학습 목표

• 전통 ML·기반 모델을 자료·설명·운영 제약으로 선택한다.
• 사전학습·지속 사전학습·SFT·증류·RLHF의 데이터와 목적을 구별한다.
• 모델 수명주기의 평가·배포·관측을 연결한다.

핵심 개요

SageMaker AI는 데이터 준비·모델 학습·평가·배포를 다루는 ML 작업 흐름에 사용됩니다. 기반 모델 API를 호출하는 일과 자체 모델을 학습·운영하는 일의 책임을 구분합니다.

작업과 모델·자료 버전을 연결하고 학습·평가 분리, 실행 역할, 저장 위치, 엔드포인트 비용을 함께 관리합니다. 학습 성공과 운영 품질은 서로 다른 검사입니다.

필요한 용어

• 학습 작업: 자료·알고리즘·자원·설정을 묶어 모델을 만드는 실행
• 엔드포인트: 요청을 받아 모델 추론 결과를 제공하는 접점

작동 과정

1. 자료와 전처리·분할을 준비합니다.
2. 실행 역할·자원·학습·평가 결과를 버전으로 묶습니다.
3. 필요한 추론 방식으로 배포하고 운영 품질·비용을 관찰합니다.

모델을 처음 만들기와 행동을 조정하기

• 사전학습은 넓은 자료로 기본 패턴을 학습하고, 지속 사전학습은 이미 학습한 모델에 도메인 자료 등을 추가 학습하는 흐름입니다. Instruction tuning/SFT는 지시·바람직한 답 예시로 행동을 조정합니다.

  증류는 교사 모델의 출력·신호를 학생 모델에 옮기는 방법이고, RLHF는 사람이 제공한 선호 등을 활용해 보상·정책을 조정하는 접근입니다. 최신 문서 한 건을 연결하는 RAG와 모두 같은 작업은 아닙니다.

• 가상 예: 월별 표의 매출 수치 예측에는 전통 회귀·트리 기준선을, 자유로운 문의의 요약에는 기반 모델을 비교합니다. 설명 요구·학습 자료·유지 비용으로 선택하며 새 기술을 썼다는 이유로 우위라고 하지 않습니다.

• SageMaker AI를 통한 학습·배포에서는 데이터·코드·전처리·모델·환경·평가 버전을 연결합니다. 운영 분포 변화는 재평가 신호이며, 정답 확보 없이 드리프트만으로 재학습을 자동 승인하지 않습니다. AIF-C01은 이런 역할·선택을 설명하는 수준을 중심으로 공부합니다.

• 전이학습은 이미 학습한 표현·가중치를 새 작업의 출발점으로 활용하는 넓은 접근입니다. 도메인 적응은 특정 분야의 입력·용어·분포에 맞추는 목적입니다. 전체 재학습과 동의어가 아니며 지식 연결만 바꿀지 행동을 학습할지 먼저 정합니다.

AWS AIF-C01 공식 영역 1  · AWS AIF-C01 공식 영역 3  · AWS: SageMaker AI 

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

학습은 성공했지만 평가 자료 전처리 순서가 배포 코드와 다릅니다.

판단·결과

같은 변환 계약으로 평가·서빙을 맞추기 전에는 배포 품질을 신뢰하기 어렵습니다.

이렇게 판단한 이유

가중치만 같은 상태로는 동일한 입력 의미와 예측 결과가 보장되지 않습니다.

흔한 실패와 복구

학습 작업 완료를 전체 서비스 완료로 표시하지 않습니다. 배포·권한·실제 요청·운영 관측을 따로 확인합니다.

확인 문제

참고 자료

1. AWS: SageMaker AI  — 데이터·학습·모델 배포의 수명주기.
2. scikit-learn: Common pitfalls  — 분할 전후 전처리와 데이터 누출.
3. AWS AIF-C01 공식 영역 1  — 공식 세부 목표와 판단 수준.
4. AWS AIF-C01 공식 영역 3  — 공식 세부 목표와 판단 수준.

자료 확인: 2026-10-25. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

매일 규정이 바뀌는 요약 앱과, 검토된 지시·답 예시가 충분하지만 출력 형식을 자주 어기는 앱이 있습니다. 방법·데이터·평가·운영을 비교하세요.