기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 증분 변환 워크플로우
<a name="machine-learning-overview-evolving-data-incremental"></a>

**데이터 내보내기 및 구성**에서 **모델 변환**까지 1\$13단계를 다시 실행하여 모델 아티팩트를 업데이트할 수도 있지만, Neptune ML은 새 데이터를 사용하여 배치 ML 예측을 업데이트하는 더 간단한 방법을 지원합니다. 하나는 [증분 모델 워크플로우](#machine-learning-overview-incremental)를 사용하는 것이고, 다른 하나는 [웜 스타트를 통한 모델 재훈련](#machine-learning-overview-model-retraining)을 사용하는 것입니다.

## 증분 모델 워크플로우
<a name="machine-learning-overview-incremental"></a>

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.

1. **데이터 내보내기 및 구성**   –     이 단계는 기본 워크플로우와 동일합니다.

1. **증분 데이터 전처리**   –     이 단계는 기본 워크플로우의 데이터 전처리 단계와 비슷하지만, 이전에 사용한 것과 동일한 처리 구성을 사용하며, 이는 훈련된 특정 모델에 해당합니다.

1. **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 SageMaker AI 처리 작업을 시작하여 업데이트된 모델 아티팩트를 생성하는 계산을 수행합니다.

1. **Amazon SageMaker AI 추론 엔드포인트 업데이트** – 필요에 따라 기존 추론 엔드포인트가 있는 경우, 이 단계에서는 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
<a name="machine-learning-overview-model-retraining"></a>

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.

1. **데이터 내보내기 및 구성**   –     이 단계는 기본 워크플로우와 동일합니다.

1. **증분 데이터 전처리**   –     이 단계는 증분 모델 추론 워크플로우와 동일합니다. 새 그래프 데이터는 이전에 모델 훈련에 사용했던 것과 동일한 처리 방법으로 처리해야 합니다.

1. **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.

1. **Amazon SageMaker AI 추론 엔드포인트 업데이트** – 이 단계는 증분 모델 추론 워크플로우와 동일합니다.