SageMaker SDK, 훈련 및 추론 워크플로 개선
AWS는 오늘 SageMaker Python SDK에서 새로 도입된 ModelTrainer 클래스와 향상된 ModelBuilder 클래스를 발표했습니다. 이러한 업데이트는 훈련 워크플로를 효율화하고 추론 배포를 간소화합니다.
ModelTrainer 클래스를 통해 고객은 Amazon SageMaker에서 분산 훈련 전략을 손쉽게 설정 및 사용자 지정할 수 있습니다. 새롭게 출시된 이 기능은 모델 훈련 시간을 단축하고, 리소스 사용률을 최적화하며, 효율적인 병렬 처리를 통해 비용을 절감합니다. 고객은 사용자 지정 진입점 및 컨테이너를 로컬 환경에서 SageMaker로 원활하게 전환할 수 있으므로 인프라 관리가 필요 없습니다. ModelTrainer는 파라미터를 몇 가지 핵심 변수로 줄이고 직관적인 SageMaker 서비스 상호 작용을 위한 사용자 친화적인 클래스를 제공함으로써 구성 작업을 간소화합니다. 아울러 향상된 ModelBuilder 클래스를 통해 이제 HuggingFace 모델을 손쉽게 배포하고, 로컬 환경에서 SageMaker로 개발 환경을 전환하고, 사전 및 사후 처리 스크립트를 사용하여 추론을 사용자 지정할 수 있습니다. 중요한 것은 이제 고객이 ModelTrainer 클래스에서 훈련된 모델 아티팩트를 ModelBuilder 클래스로 간단하게 전달할 수 있다는 점입니다. 따라서 SageMaker에서 훈련에서 추론으로 원활하게 전환할 수 있습니다.
ModelTrainer 클래스에 대한 자세한 내용은 여기, ModelBuilder의 향상된 기능은 여기에서 자세히 알아보고, ModelTrainer 및 ModelBuilder 샘플 노트북을 사용하여 시작할 수 있습니다.