Foundry 모델링 시작하기

모델링 전에 Foundry 프로젝트와 데이터셋, Code Repositories, Python 변환, 온톨로지와 함수의 역할을 파악합니다. 데이터와 코드 및 모델을 관리할 프로젝트를 정하고 해결할 문제와 평가 기준을 먼저 정의합니다.

모델을 만드는 경로

Foundry 데이터로 학습하려면 대화형 Jupyter Code Workspace, 코드 저장소 또는 코드 없는 Model Studio를 선택합니다. 외부에서 학습한 가중치 파일을 모델로 등록하거나 컨테이너를 가져오거나 외부 호스팅 API를 연결할 수도 있습니다.

도구 선택에서 반복 개발, 재현 가능한 파이프라인과 배포 관리의 차이를 확인합니다. 모델 리소스는 산출물과 어댑터를, 모델링 목표는 업무 문제와 후보 버전의 관리 관계를 설명합니다.

추론과 소비

Python 변환은 모델을 입력으로 받아 배치 추론을 수행합니다. Pipeline Builder의 trained model 노드는 코드 없는 배치 및 지원되는 스트리밍 추론에 사용합니다. Modeling Objective의 배치 배포는 정해진 입력과 출력 데이터셋을 유지하면서 릴리스한 모델을 운영합니다.

대화형 또는 낮은 지연의 요청은 온라인 추론 배포(Live deployment)의 REST 엔드포인트로 제공합니다. 이를 모델 함수로 등록하면 Workshop과 다른 함수에서 호출하고 예측을 업무 로직에 연결할 수 있습니다.

학습 중 매개변수와 지표는 실험, 학습 후 특정 모델 버전의 검증 결과는 평가로 기록합니다.

지도 학습 실습에서 데이터와 모델을 만드는 순서, 평가 설정과 배치 및 온라인 배포를 따라갈 수 있습니다.