모델 연결과 개발
Foundry의 모델은 머신러닝, 예측, 최적화와 업무 로직을 추론에 사용할 수 있게 묶은 리소스입니다. 플랫폼에서 학습하거나 외부에서 만든 라이브러리, 파일, 컨테이너 또는 API를 통합하여 데이터 파이프라인, 온톨로지와 업무 앱에서 사용합니다.
scikit-learn, TensorFlow, OR-tools나 사용자 정의 라이브러리로 개발할 수 있고 외부 노트북, 데이터 과학 도구와 컨테이너 레지스트리의 모델도 연결할 수 있습니다. 통합 후 추론, 배포, 거버넌스와 운영 관리에 사용하며 데이터, 코드, 환경과 모델 버전을 계보 및 감사 기록으로 관리합니다.
모델과 운영 문제
모델 리소스는 저장된 산출물과 플랫폼이 읽고 실행할 어댑터를 결합합니다. Modeling Objectives는 특정 업무 문제의 후보 모델을 평가, 검토, 릴리스하고 배포하는 관리 단위입니다. 시뮬레이션과 최적화 문제에도 사용할 수 있습니다.
운영 입력, 결과와 사용자의 판단을 모델 개발 과정으로 연결하면 성능을 관측하고 개선할 자료를 축적할 수 있습니다. 온톨로지에 모델을 연결하면 업무 대상과 예측을 함께 다루고 모델 함수로 앱 및 사용자 정의 로직에서 호출합니다.
시작과 도구 선택
시작하기와 모델링 도구 선택에서 생성, 배치, 스트리밍과 온라인 추론 경로를 구분합니다. 코드 없이 학습하려면 Model Studio를 사용합니다. 학습 중 기록은 실험, 특정 버전의 시험 결과는 평가로 관리합니다.
주택 가격을 예측하는 지도 학습 실습은 프로젝트 준비부터 학습, 공통 평가와 운영 배포까지 이어집니다.
개발과 배포 설정
- 모델 산출물, 어댑터와 온톨로지 연결
- 학습 실험 기록, MLflow와 시각화
- 모델 버전 평가와 내장 평가기
- 모델 함수의 게시와 버전 관리
- GPU 학습 및 추론
- Marketplace 제품에 모델과 배포 포함
모델링 목표 운영
Modeling Objective 생성과 관리에서 모델 제출, 메타데이터, 검토 및 릴리스 과정을 구성합니다. 목표 검사는 승인 상태와 토론을 관리하지만 모든 검사 승인이 릴리스 생성의 필수 차단 조건은 아니므로 역할과 운영 절차를 함께 정해야 합니다.
온라인 및 배치 배포
- 직접 모델 배포와 목표 배포의 차이
- 전역 브랜치의 배포 구성 및 함수 승인
- Modeling Objective 온라인 배포
- Modeling Objective 배치 배포
- 온라인 추론 HTTP API
- 목표 온라인 배포의 환경과 한도
- 추론 이력 데이터셋과 기록 권한
- 목표 온라인 배포의 연산 사용량
- 온톨로지 객체와 모델 추론의 연결
목표의 평가 파이프라인
Modeling Objective의 자동 평가는 평가 데이터와 라이브러리 및 부분집합을 구성하여 여러 제출물을 비교합니다. 기본 평가기, 사용자 정의 라이브러리와 대시보드를 사용하고, 기존 목표의 MetricSet 호환 경로가 필요한 경우 모델 버전 및 데이터 트랜잭션 연결을 유지합니다.
이전 모델 체계에서 전환
foundry_ml 이전 개요는 2025년 10월 31일부터 사용할 수 없는 데이터셋 기반 모델의 대체 및 소비 리소스 이전을 설명합니다. 저장소와 추론 코드를 바꾸는 절차, 확보한 가중치를 재사용할 조건과 Upgrade Assistant의 AIP 호출 및 캐시 동작을 구분합니다.