기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # 작업별 모델 JumpStart는 가장 인기 있는 15가지 문제 유형에 대한 작업별 모델을 지원합니다. 지원되는 문제 유형 중 비전 및 NLP 관련 유형은 총 13가지입니다. 증분 훈련과 미세 조정을 지원하는 8가지 문제 유형이 있습니다. 증분 훈련 및 하이퍼파라미터 조정에 대한 자세한 내용은 [SageMaker AI 자동 모델 튜닝](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)을 참조하세요. 또한 JumpStart는 테이블 형식 데이터 모델링에 널리 사용되는 4가지 알고리즘을 지원합니다. Studio 또는 Studio Classic의 JumpStart 랜딩 페이지에서 모델을 검색하고 찾아볼 수 있습니다. 모델을 선택하면 모델 세부 정보 페이지에 모델에 대한 정보가 제공되며, 몇 단계만 거치면 모델을 훈련하고 배포할 수 있습니다. 설명 섹션에서는 모델로 수행할 수 있는 작업, 예상되는 입력 및 출력 유형, 모델의 미세 조정에 필요한 데이터 형식을 설명합니다. [SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#use-prebuilt-models-with-sagemaker-jumpstart)를 사용하여 프로그래밍 방식으로 모델을 활용할 수도 있습니다. 사용 가능한 모든 모델 목록은 [JumpStart에 사용 가능한 모델 테이블](https://sagemaker.readthedocs.io/en/v2.132.0/doc_utils/pretrainedmodels.html)을 참조하세요. 문제 유형 목록과 Jupyter notebook 예제 링크가 다음 표에 요약되어 있습니다. | 문제 유형 | 사전 훈련된 모델을 사용한 추론 지원 | 사용자 지정 데이터세트에서 훈련 가능 | 지원되는 프레임워크 | 예제 노트북 | | --- | --- | --- | --- | --- | | 이미지 분류 | 예 | 예 | PyTorch, TensorFlow | [JumpStart 소개 – 이미지 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_classification/Amazon_JumpStart_Image_Classification.ipynb) | | 객체 감지 | 예 | 예 | PyTorch, TensorFlow, MXNet | [JumpStart 소개 – 객체 감지](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_object_detection/Amazon_JumpStart_Object_Detection.ipynb) | | 의미 체계 분할 | 예 | 예 | MXNet | [JumpStart 소개 – 의미 체계 분할](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_semantic_segmentation/Amazon_JumpStart_Semantic_Segmentation.ipynb) | | 인스턴스 세분화 | 예 | 예 | MXNet | [JumpStart 소개 – 인스턴스 세분화](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_instance_segmentation/Amazon_JumpStart_Instance_Segmentation.ipynb) | | 이미지 임베딩 | 예 | 아니요 | TensorFlow, MXNet | [JumpStart 소개 – 이미지 임베딩](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_image_embedding/Amazon_JumpStart_Image_Embedding.ipynb) | | 텍스트 분류 | 예 | 예 | TensorFlow | [JumpStart 소개 – 텍스트 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_classification/Amazon_JumpStart_Text_Classification.ipynb) | | 문장 쌍 분류 | 예 | 예 | TensorFlow, Hugging Face | [JumpStart 소개 – 문장 쌍 분류](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_sentence_pair_classification/Amazon_JumpStart_Sentence_Pair_Classification.ipynb) | | 질문 응답 | 예 | 예 | PyTorch, Hugging Face | [JumpStart 소개 – 질문 답변](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_question_answering/Amazon_JumpStart_Question_Answering.ipynb) | | 명명된 엔터티 인식 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 명명된 엔터티 인식](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_named_entity_recognition/Amazon_JumpStart_Named_Entity_Recognition.ipynb) | | 텍스트 요약 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 텍스트 요약](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_summarization/Amazon_JumpStart_Text_Summarization.ipynb) | | 텍스트 생성 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 텍스트 생성](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_generation/Amazon_JumpStart_Text_Generation.ipynb) | | 기계 번역 | 예 | 아니요 | Hugging Face | [JumpStart 소개 – 기계 번역](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_machine_translation/Amazon_JumpStart_Machine_Translation.ipynb) | | 텍스트 임베딩 | 예 | 아니요 | TensorFlow, MXNet | [JumpStart 소개 – 텍스트 임베딩](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/jumpstart_text_embedding/Amazon_JumpStart_Text_Embedding.ipynb) | | 테이블 형식 분류 | 예 | 예 | LightGBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner | [JumpStart 소개 – 테이블 형식 분류 – LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Classification_LightGBM_CatBoost.ipynb) [JumpStart 소개 – 테이블 형식 분류 – XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Classification_XGBoost_LinearLearner.ipynb) [JumpStart 소개 – 테이블 형식 분류 – AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Classification_AutoGluon.ipynb) [JumpStart 소개 – 테이블 형식 분류 – TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Classification_TabTransformer.ipynb) | | 테이블 형식 회귀 | 예 | 예 | LightGBM, CatBoost, XGBoost, AutoGluon-Tabular, TabTransformer, Linear Learner | [JumpStart 소개 – 테이블 형식 회귀 – LightGBM, CatBoost](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/lightgbm_catboost_tabular/Amazon_Tabular_Regression_LightGBM_CatBoost.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – XGBoost, Linear Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/xgboost_linear_learner_tabular/Amazon_Tabular_Regression_XGBoost_LinearLearner.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – AutoGluon Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/autogluon_tabular/Amazon_Tabular_Regression_AutoGluon.ipynb) [JumpStart 소개 – 테이블 형식 회귀 – TabTransformer Learner](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/tabtransformer_tabular/Amazon_Tabular_Regression_TabTransformer.ipynb) | # 모델 배포 JumpStart에서 모델을 배포하면 SageMaker AI는 모델을 호스팅하고 추론에 사용할 수 있는 엔드포인트를 배포합니다. 또한 JumpStart는 모델을 배포한 후 모델에 액세스하는 데 사용할 수 있는 예제 노트북을 제공합니다. **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. **참고** Studio의 JumpStart 모델 배포에 대한 자세한 내용은 [Studio에서 모델 배포](jumpstart-foundation-models-use-studio-updated-deploy.md) 섹션을 참조하세요 ## 모델 배포 구성 모델을 선택하면 해당 모델의 탭이 열립니다. **모델 배포** 창에서 **배포 구성**을 선택하여 모델 배포를 구성합니다. ![\[The Deploy Model pane.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy.png) 모델 배포를 위한 기본 인스턴스 유형은 모델에 따라 다릅니다. 인스턴스 유형은 훈련 작업이 실행되는 하드웨어입니다. 다음 예제에서는 `ml.p2.xlarge` 인스턴스가 이 특정 BERT 모델의 기본값입니다. 또한 엔드포인트 이름을 변경하고, `key;value` 리소스 태그를 추가하고, 모델과 관련된 JumpStart 리소스의 `jumpstart-` 접두사를 활성화 또는 비활성화하고, SageMaker AI 엔드포인트에서 사용하는 모델 아티팩트를 저장하기 위한 Amazon S3 버킷을 지정할 수 있습니다. ![\[JumpStart Deploy Model pane with Deployment Configuration open to select its settings.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-config.png) **보안 설정을** 선택하여 모델의 AWS Identity and Access Management (IAM ) 역할, Amazon Virtual Private Cloud(VPC) 및 암호화 키를 지정합니다. ![\[JumpStart Deploy Model pane with Security Settings open to select its settings.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security.png) ## 모델 배포 보안 JumpStart를 사용하여 모델을 배포할 때 모델에 대한 IAM 역할, Amazon VPC, 암호화 키를 지정할 수 있습니다. 이러한 항목에 값을 지정하지 않는 경우: 기본 IAM 역할은 Studio Classic 런타임 역할이고, 기본 암호화가 사용되며, Amazon VPC는 사용되지 않습니다. ### IAM 역할 훈련 작업 및 호스팅 작업의 일부로 전달되는 IAM 역할을 선택할 수 있습니다. SageMaker AI는 이 역할을 사용하여 훈련 데이터 및 모델 아티팩트에 액세스합니다. IAM 역할을 선택하지 않는 경우 SageMaker AI는 Studio Classic 런타임 역할을 사용하여 모델을 배포합니다. IAM 역할에 대한 자세한 내용은 [AWS Identity and Access Management Amazon SageMaker AI용](security-iam.md) 섹션을 참조하세요. 전달하는 역할에는 모델에 필요한 리소스에 대한 액세스 권한이 있어야 하며 다음을 모두 포함해야 합니다. + 훈련 작업의 경우: [CreateTrainingJob API: 실행 역할 권한](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createtrainingjob-perms). + 호스팅 작업의 경우: [CreateModel API: 실행 역할 권한](https://docs.aws.amazon.com//sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-createmodel-perms). **참고** 다음 각 역할에 부여된 Amazon S3 권한의 범위를 좁힐 수 있습니다. Amazon Simple Storage Service(S3) 버킷과 JumpStart Amazon S3 버킷의 ARN을 사용하여 이 작업을 수행합니다. ``` [ { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:ListBucket" ], "Resource": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::/*" ] }, { "Effect": "Allow", "Action": [ "cloudwatch:PutMetricData", "logs:CreateLogStream", "logs:PutLogEvents", "logs:CreateLogGroup", "logs:DescribeLogStreams", "ecr:GetAuthorizationToken" ], "Resource": [ "*" ] }, { "Effect": "Allow", "Action": [ "ecr:BatchGetImage", "ecr:BatchCheckLayerAvailability", "ecr:GetDownloadUrlForLayer" ], "Resource": [ "*" ] }, ] } ``` **IAM 역할 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 IAM 역할을 선택해야 합니다. ![\[JumpStart Security Settings IAM section with Find IAM role selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findiam.png) **입력 IAM 역할** 이 옵션을 선택하는 경우 기존 IAM 역할의 ARN을 수동으로 입력해야 합니다. Studio Classic 런타임 역할 또는 Amazon VPC가 `iam:list* ` 호출을 차단하는 경우 이 옵션을 사용하여 기존 IAM 역할을 사용해야 합니다. ![\[JumpStart Security Settings IAM section with Input IAM role selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputiam.png) ### Amazon VPC 모든 JumpStart 모델은 네트워크 격리 모드에서 실행됩니다. 모델 컨테이너가 생성한 후에는 더 이상 호출할 수 없습니다. 훈련 작업 및 호스팅 작업의 일부로 전달되는 Amazon VPC를 선택할 수 있습니다. SageMaker AI는 이 Amazon VPC를 사용하여 Amazon S3 버킷에서 리소스를 푸시하고 가져옵니다. 이 Amazon VPC는 Studio Classic 인스턴스의 퍼블릭 인터넷 액세스를 제한하는 Amazon VPC와 다릅니다. Studio Classic Amazon VPC에 대한 자세한 내용은 [VPC의 Studio 노트북을 외부 리소스에 연결](studio-notebooks-and-internet-access.md) 섹션을 참조하세요. 전달한 Amazon VPC는 퍼블릭 인터넷에 액세스할 필요가 없지만 Amazon S3에 대한 액세스는 필요합니다. Amazon S3용 Amazon VPC 엔드포인트는 모델에 필요한 최소한 다음 리소스에 대한 액세스를 허용해야 합니다. ``` { "Effect": "Allow", "Action": [ "s3:GetObject", "s3:PutObject", "s3:ListMultipartUploadParts", "s3:ListBucket" ], "Resources": [ "arn:aws:s3:::jumpstart-cache-prod-/*", "arn:aws:s3:::jumpstart-cache-prod-", "arn:aws:s3:::bucket/*" ] } ``` Amazon VPC를 선택하지 않으면 Amazon VPC가 사용되지 않습니다. **VPC 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 Amazon VPC를 선택해야 합니다. Amazon VPC를 선택한 후에는 Amazon VPC의 서브넷과 보안 그룹을 선택해야 합니다. 서브넷과 보안 그룹에 대한 자세한 내용은 [VPC 및 서브넷 개요](https://docs.aws.amazon.com//vpc/latest/userguide/VPC_Subnets.html)를 참조하세요. ![\[JumpStart Security Settings VPC section with Find VPC selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findvpc.png) **입력 VPC** 이 옵션을 선택하는 경우 Amazon VPC를 구성하는 서브넷 및 보안 그룹을 수동으로 선택해야 합니다. Studio Classic 런타임 역할 또는 Amazon VPC가 `ec2:list*` 호출을 차단하는 경우 이 옵션을 사용하여 서브넷 및 보안 그룹을 선택해야 합니다. ![\[JumpStart Security Settings VPC section with Input VPC selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputvpc.png) ### 암호화 키 훈련 작업 및 호스팅 작업의 일부로 전달되는 AWS KMS 키를 선택할 수 있습니다. SageMaker AI는 이 키를 사용하여 컨테이너의 Amazon EBS 볼륨과 Amazon S3에서 호스팅 작업과 훈련 작업 출력을 위해 리패키징된 모델을 암호화합니다. AWS KMS 키에 대한 자세한 내용은 [AWS KMS 키를](https://docs.aws.amazon.com//kms/latest/developerguide/concepts.html#kms_keys) 참조하세요. 전달하는 키는 전달한 IAM 역할을 신뢰해야 합니다. IAM 역할을 지정하지 않으면 AWS KMS 키가 Studio Classic 런타임 역할을 신뢰해야 합니다. AWS KMS 키를 선택하지 않으면 SageMaker AI는 Amazon EBS 볼륨 및 Amazon S3 아티팩트의 데이터에 대한 기본 암호화를 제공합니다. **암호화 키 찾기** 이 옵션을 선택하는 경우 드롭다운 목록에서 기존 AWS KMS 키를 선택해야 합니다. ![\[JumpStart Security Settings encryption section with Find encryption keys selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-findencryption.png) **입력 암호화 키** 이 옵션을 선택하는 경우 AWS KMS 키를 수동으로 입력해야 합니다. Studio Classic 실행 역할 또는 Amazon VPC가 `kms:list* `호출을 차단하는 경우이 옵션을 사용하여 기존 AWS KMS 키를 선택해야 합니다. ![\[JumpStart Security Settings encryption section with Input encryption keys selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-deploy-security-inputencryption.png) ## JumpStart 모델의 기본값을 구성합니다. JumpStart 모델 배포 및 훈련을 위해 IAM 역할, VPC 및 KMS 키와 같은 파라미터의 기본값을 미리 채우도록 구성할 수 있습니다. 기본값을 구성한 후 Studio Classic UI는 지정된 보안 설정 및 태그를 JumpStart 모델에 자동으로 제공하여 배포 및 훈련 워크플로를 단순화합니다. 관리자와 최종 사용자는 구성 파일에 지정된 기본값을 YAML 형식으로 초기화할 수 있습니다. 기본적으로 SageMaker Python SDK는 두 개의 구성 파일을 사용하는데, 하나는 관리자용이고 다른 하나는 사용자용입니다. 관리자는 관리자 구성 파일을 사용하여 기본값 세트를 정의할 수 있습니다. 최종 사용자는 관리자 구성 파일에 설정된 값을 재정의하고 최종 사용자 구성 파일을 사용하여 추가 기본값을 설정할 수 있습니다. (자세한 정보는 [기본 구성 파일 위치](https://sagemaker.readthedocs.io/en/stable/overview.html#default-configuration-file-location)를 참조하세요. 다음 코드 샘플은 Amazon SageMaker Studio Classic에서 SageMaker Python SDK를 사용할 때 구성 파일의 기본 위치를 나열합니다. ``` # Location of the admin config file /etc/xdg/sagemaker/config.yaml # Location of the user config file /root/.config/sagemaker/config.yaml ``` 사용자 구성 파일에 지정된 값은 관리자 구성 파일에 설정된 값보다 우선합니다. 구성 파일은 Amazon SageMaker AI 도메인 내의 각 사용자 프로필마다 고유합니다. 사용자 프로필의 Studio Classic 애플리케이션은 사용자 프로필과 직접 연결됩니다. 자세한 내용은 [도메인 프로필 관리](domain-user-profile.md) 섹션을 참조하세요. 관리자는 `JupyterServer` 수명 주기 구성을 통해 JumpStart 모델 훈련 및 배포를 위한 구성 기본값을 선택적으로 설정할 수 있습니다. 자세한 내용은 [수명 주기 구성 생성 및 Amazon SageMaker Studio Classic과 연결](studio-lcc-create.md) 섹션을 참조하세요. ### 기본값 구성 YAML 파일 구성 파일은 SageMaker Python SDK [구성 파일 구조](https://sagemaker.readthedocs.io/en/stable/overview.html#configuration-file-structure)를 준수해야 합니다. `TrainingJob`, `Model` 및 `EndpointConfig` 구성의 특정 필드는 JumpStart 모델 훈련 및 배포 기본값에 적용된다는 점에 유의하세요. ``` SchemaVersion: '1.0' SageMaker: TrainingJob: OutputDataConfig: KmsKeyId: example-key-id ResourceConfig: # Training configuration - Volume encryption key VolumeKmsKeyId: example-key-id # Training configuration form - IAM role RoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Training configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Training configuration - Subnets Subnets: - subnet-1 - subnet-2 # Training configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value Model: EnableNetworkIsolation: true # Deployment configuration - IAM role ExecutionRoleArn: arn:aws:iam::123456789012:role/SageMakerExecutionRole VpcConfig: # Deployment configuration - Security groups SecurityGroupIds: - sg-1 - sg-2 # Deployment configuration - Subnets Subnets: - subnet-1 - subnet-2 EndpointConfig: AsyncInferenceConfig: OutputConfig: KmsKeyId: example-key-id DataCaptureConfig: # Deployment configuration - Volume encryption key KmsKeyId: example-key-id KmsKeyId: example-key-id # Deployment configuration - Custom resource tags Tags: - Key: Example-key Value: Example-value ``` # 모델 미세 조정 미세 조정을 사용하면 처음부터 훈련하지 않고도 새 데이터세트를 기반으로 사전 훈련된 모델을 훈련시킬 수 있습니다. 전이 학습이라고도 하는 이 프로세스를 통해 더 작은 데이터세트를 사용하고 훈련 시간을 단축하여 정확한 모델을 생성할 수 있습니다. 카드에 **미세 조정 가능한** 속성이 **예**로 설정된 경우 모델을 미세 조정할 수 있습니다. ![\[JumpStart fine-tunable Image Classification - TensorFlow model\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-finetune-model.png) **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. **참고** Studio의 JumpStart 모델 미세 조정에 대한 자세한 내용은 [Studio에서 모델 미세 조정](jumpstart-foundation-models-use-studio-updated-fine-tune.md) 섹션을 참조하세요 ## 데이터 소스 미세 조정 모델을 미세 조정할 때 기본 데이터세트를 사용하거나 Amazon S3 버킷에 있는 자체 데이터를 선택할 수 있습니다. 사용 가능한 버킷을 찾아보려면 **S3 버킷 찾기**를 선택하세요. 이러한 버킷은 Studio Classic 계정을 설정하는 데 사용되는 권한에 따라 제한됩니다. **Amazon S3 버킷 위치 입력**을 선택하여 Amazon S3 URI를 지정할 수도 있습니다. ![\[JumpStart data source settings with default dataset selected.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/jumpstart/jumpstart-dataset.png) **작은 정보** 버킷의 데이터 형식을 지정하는 방법을 알아보려면 **자세히 알아보기**를 선택하세요. 모델의 설명 섹션에는 입력 및 출력에 대한 세부 정보가 있습니다.  텍스트 모델의 경우: + 버킷에는 data.csv 파일이 있어야 합니다. + 첫 번째 열은 클래스 레이블의 고유한 정수여야 합니다. 예: `1`, `2`, `3`, `4`, `n` + 두 번째 열은 문자열이어야 합니다. + 두 번째 열에는 모델의 유형 및 언어와 일치하는 해당 텍스트가 있어야 합니다.  비전 모델의 경우: + 버킷에는 클래스 수만큼 많은 하위 디렉터리가 있어야 합니다. + 각 하위 디렉터리에는 해당 클래스에 속하는 이미지가 .jpg 형식으로 포함되어야 합니다. **참고** SageMaker AI는 리전 간 요청을 허용하지 않으므로 Amazon S3 버킷은 SageMaker Studio Classic을 실행하는 AWS 리전 동일한에 있어야 합니다. ## 배포 구성 미세 조정 p3 패밀리는 딥 러닝 트레이닝을 위한 가장 빠른 패밀리로 권장되며, 모델을 미세 조정하는 데 권장됩니다. 다음 차트는 각 인스턴스 유형의 GPU 수를 보여줍니다. p2 및 g4 인스턴스 유형을 포함하여 다른 옵션을 선택할 수도 있습니다. | 인스턴스 유형 | GPU | | --- | --- | | p3.2xlarge | 1 | | p3.8xlarge | 4 | | p3.16xlarge | 8 | | p3dn.24xlarge | 8 | ## 하이퍼파라미터 모델을 미세 조정하는 데 사용되는 훈련 작업의 하이퍼파라미터를 사용자 지정할 수 있습니다. 미세 조정 가능한 각 모델에 사용할 수 있는 하이퍼파라미터는 모델에 따라 다릅니다. 사용 가능한 각 하이퍼파라미터에 대한 자세한 내용은 [Amazon SageMaker 기본 제공 알고리즘 또는 사전 훈련된 모델 사용](algos.md)에서 선택한 모델의 하이퍼파라미터 설명서를 참조하세요. 예를 들어 미세 조정 가능한 이미지 분류 – TensorFlow 하이퍼파라미터에 자세한 내용은 [이미지 분류 - 텐서플로우 하이퍼파라미터](IC-TF-Hyperparameter.md) 섹션을 참조하세요. 하이퍼파라미터를 변경하지 않고 텍스트 모델에 기본 데이터세트를 사용하면 결과적으로 거의 동일한 모델을 얻을 수 있습니다. 비전 모델의 경우 기본 데이터세트는 사전 훈련된 모델을 훈련시키는 데 사용되는 데이터세트와 다르므로 결과적으로 모델이 달라집니다. 모델 간에 일반적으로 사용되는 하이퍼파라미터는 다음과 같습니다. + **에포크** – 한 에포크는 전체 데이터세트를 한 번 순환하는 것입니다. 여러 간격으로 하나의 배치가 완성되고, 여러 배치가 모여 결국 한 에포크를 완성하게 됩니다. 모델의 정확도가 허용 가능한 수준에 도달하거나 오류율이 허용 수준 아래로 떨어질 때까지 여러 에포크가 실행됩니다. + **학습률** – 에포크 간에 값을 변경해야 하는 양. 모델이 세분화됨에 따라 내부 가중치를 조정하고 오류율을 점검하여 모델이 개선되는지 확인합니다. 일반적인 학습률은 0.1 또는 0.01인데, 0.01은 훨씬 작은 조정으로 인해 훈련이 수렴되는 데 오랜 시간이 걸릴 수 있는 반면, 0.1은 훨씬 커서 훈련이 오버슈팅될 수 있습니다. 이는 모델 훈련을 위해 조정할 수 있는 기본 하이퍼파라미터 중 하나입니다. 텍스트 모델의 경우 학습률이 훨씬 낮을수록(BERT의 경우 5e–5) 모델이 더 정확할 수 있습니다. + **배치 크기** – 각 간격마다 선택하여 훈련을 위해 GPU로 보낼 데이터세트의 레코드 수입니다. 이미지 예제에서는 GPU당 32개의 이미지를 전송할 수 있으므로 배치 크기는 32가 됩니다. GPU가 두 개 이상인 인스턴스 유형을 선택하면 배치를 GPU 수로 나눕니다. 권장 배치 크기는 사용 중인 데이터와 모델에 따라 달라집니다. 예를 들어, 이미지 데이터를 최적화하는 방법은 언어 데이터를 처리하는 방법과 다릅니다. 배포 구성 섹션의 인스턴스 유형 차트에서 인스턴스 유형별 GPU 수를 확인할 수 있습니다. 표준 권장 배치 크기(예: 비전 모델의 경우 32)로 시작하세요. 그런 다음 이 값에 선택한 인스턴스 유형의 GPU 수를 곱합니다. 예를 들어 `p3.8xlarge`를 사용하는 경우 배치 크기가 GPU 수에 맞게 조정되므로 32(배치 크기)에 4(GPU 수)를 곱해 총 128개가 됩니다. BERT와 같은 텍스트 모델의 경우 64의 배치 크기로 시작한 다음 필요에 따라 줄입니다. ## 훈련 출력 미세 조정 프로세스가 완료되면 JumpStart는 상위 모델, 훈련 작업 이름, 훈련 작업 ARN, 훈련 시간, 출력 경로 등 모델에 대한 정보를 제공합니다. 출력 경로는 Amazon S3 버킷에서 새 모델을 찾을 수 있는 위치입니다. 폴더 구조는 사용자가 제공한 모델 이름을 사용하며 모델 파일은 `/output` 하위 폴더에 있으며 항상 이름이 `model.tar.gz`로 지정됩니다.  예시: `s3://bucket/model-name/output/model.tar.gz` ## 모델 훈련을 위한 기본값 구성 JumpStart 모델 배포 및 훈련을 위해 IAM 역할, VPC 및 KMS 키와 같은 파라미터의 기본값을 미리 채우도록 구성할 수 있습니다. 자세한 정보는 [JumpStart 모델의 기본값을 구성합니다.](jumpstart-deploy.md#jumpstart-config-defaults)을 참조하세요. # 모델 공유 **중요** 2023년 11월 30일부터 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 지정되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요. Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다. 다음 절차에 따라 **시작된 JumpStart 자산** 페이지에서 직접 Studio Classic UI를 통해 JumpStart 모델을 공유할 수 있습니다. 1. Amazon SageMaker Studio Classic을 열고 왼쪽 탐색 창의 **JumpStart** 섹션에서 **시작된 JumpStart 자산**을 선택합니다. 1. **훈련 작업** 탭을 선택하여 모델 훈련 작업 목록을 확인합니다. 1. **훈련 작업** 목록에서 공유하려는 훈련 작업을 선택합니다. 그러면 훈련 작업 세부 정보 페이지가 열립니다. 두 개 이상의 훈련 작업을 한 번에 공유할 수는 없습니다. 1. 훈련 작업 헤더에서 **공유**를 선택하고 **Canvas에 공유**를 선택합니다. 조직과 모델 공유에 대한 자세한 내용은 [공유 모델 및 노트북](jumpstart-content-sharing.md) 섹션을 참조하세요.