모델링 도구 선택
특성 준비, 학습, 추론과 운영 배포는 다른 요구를 가집니다. 필요한 상호작용, 버전 고정과 검토 절차에 따라 도구를 선택합니다. AI FDE의 Machine learning 모드에서 특성 준비부터 학습, 평가와 배포를 안내받을 수도 있습니다.
특성 준비와 학습
| 작업과 도구 | 적합한 사용 |
|---|---|
| Pipeline Builder | 대규모 화면 기반 데이터 변환. |
| Code Workspaces | JupyterLab 같은 익숙한 환경의 대화형 분석 및 코드 변환. |
| Python Transforms | Code Repositories에서 PySpark 파이프라인 작성. |
| Model Studio | 코드 없이 학습기, 입력과 매개변수를 선택하는 모델 학습. |
코드 모델은 palantir_models의 어댑터로 게시하고 소비합니다. 이전 foundry_ml과 데이터셋 기반 모델은 2025년 10월 31일 종료되어 사용할 수 없으며 남은 업무는 새 라이브러리로 이전해야 합니다.
Jupyter Code Workspaces는 빠른 대화형 반복에, Code Repositories는 CI/CD 및 재현 가능한 모델 파이프라인에 적합합니다. 학습 지표와 하이퍼파라미터는 실험, 학습 후 모델 버전의 시험 결과는 평가로 기록합니다.
배치 추론
| 경로 | 동작과 조건 |
|---|---|
| Pipeline Builder trained model | 코드 없이 캔버스에서 추론합니다. Spark 실행기 옆의 격리 sidecar로 모델을 실행하고 빌드마다 사용 가능한 최신 모델 버전을 사용합니다. 지원 모델과 실행 모드를 확인해야 합니다. |
| Python transforms | 직접 배치 추론과 특정 모델 버전 고정을 지원합니다. 경량 변환과 모델 sidecar 사용이 권장됩니다. |
| Modeling Objective 배치 배포 | 릴리스 및 평가 관리가 필요할 때 사용합니다. 다중 출력, 외부 모델, 모델 sidecar와 Marketplace 배포를 지원하지 않습니다. |
| Jupyter 예약 작업 | Code Workspaces에서 학습 또는 추론을 예약합니다. 같은 노트북이 만든 모델의 추론만 지원하며 다른 곳에서 만든 모델 조정에는 Python Transforms를 사용합니다. |
스트리밍
Pipeline Builder에서 파티션 키와 윈도로 스트림 레코드를 묶어 추론할 수 있습니다. 모델은 Flink task manager마다 격리 sidecar로 실행됩니다. 실행 중인 파이프라인은 이미 불러온 모델 버전을 유지하므로 최신 버전을 반영하려면 재시작 또는 재배포해야 합니다.
온라인 배포와 함수
직접 모델 배포는 자동 업그레이드가 가능한 빠른 반복 및 배포 경로입니다. Modeling Objective 온라인 배포는 후보 평가, 검토와 릴리스 관리가 필요한 운영 모델에 적합하지만 Marketplace 배포는 지원하지 않습니다. 두 방식 모두 REST API 소비에 사용할 수 있습니다.
직접 함수 게시는 온라인 모델을 코드 없이 온톨로지 함수로 제공합니다. TypeScript v1/v2 또는 Python 함수에서 이를 가져오면 API 자료형 검사를 적용하면서 예측을 추가 처리하거나 온톨로지 편집 같은 업무 로직에 연결할 수 있습니다.