기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
증분 변환 워크플로우
데이터 내보내기 및 구성에서 모델 변환까지 1~3단계를 다시 실행하여 모델 아티팩트를 업데이트할 수도 있지만, Neptune ML은 새 데이터를 사용하여 배치 ML 예측을 업데이트하는 더 간단한 방법을 지원합니다. 하나는 증분 모델 워크플로우를 사용하는 것이고, 다른 하나는 웜 스타트를 통한 모델 재훈련을 사용하는 것입니다.
증분 모델 워크플로우
이 워크플로우에서는 ML 모델을 재훈련하지 않고도 ML 예측을 업데이트할 수 있습니다.
참고
그래프 데이터가 새 노드 및/또는 엣지로 업데이트된 경우에만 이 작업을 수행할 수 있습니다. 노드가 제거되면 현재 작동하지 않습니다.
데이터 내보내기 및 구성 – 이 단계는 기본 워크플로우와 동일합니다.
증분 데이터 전처리 – 이 단계는 기본 워크플로우의 데이터 전처리 단계와 비슷하지만, 이전에 사용한 것과 동일한 처리 구성을 사용하며, 이는 훈련된 특정 모델에 해당합니다.
모델 변환 – 이 모델-변환 단계는 모델 훈련 단계 대신 기본 워크플로우에서 훈련된 모델과 증분 데이터 전처리 단계의 결과를 가져와 추론에 사용할 새 모델 아티팩트를 생성합니다. 모델 변환 단계는 업데이트된 모델 아티팩트를 생성하는 계산을 수행하기 위한 SageMaker 처리 작업을 시작합니다.
Amazon SageMaker 추론 엔드포인트 업데이트 - 선택적으로 기존 추론 엔드포인트가 있는 경우 이 단계는 모델 변환 단계에서 생성된 새 모델 아티팩트로 엔드포인트를 업데이트합니다. 또는 새 모델 아티팩트를 사용하여 새 추론 엔드포인트를 생성할 수도 있습니다.
웜 스타트를 통한 모델 재훈련
이 워크플로우를 사용하면 증분 그래프 데이터를 통해 예측을 수행할 수 있도록 새 ML 모델을 훈련 및 배포할 수 있지만, 기본 워크플로우로 생성한 기존 모델에서 시작할 수 있습니다.
데이터 내보내기 및 구성 – 이 단계는 기본 워크플로우와 동일합니다.
증분 데이터 전처리 – 이 단계는 증분 모델 추론 워크플로우와 동일합니다. 새 그래프 데이터는 이전에 모델 훈련에 사용했던 것과 동일한 처리 방법으로 처리해야 합니다.
웜 스타트를 통한 모델 훈련 – 모델 훈련은 기본 워크플로우에서 발생하는 것과 비슷하지만, 이전 모델 훈련 작업의 정보를 활용하여 모델 하이퍼파라미터 검색 속도를 높일 수 있습니다.
Amazon SageMaker 추론 엔드포인트 업데이트 - 이 단계는 증분 모델 추론 워크플로와 동일합니다.
