어떤 변화가 있었나

Amazon SageMaker Python SDK v3는 스크립트 모드를 재설계하여, 모델을 훈련하고 구축하는 방식을 간소화하는 두 개의 통합 클래스인 ModelTrainer와 ModelBuilder를 도입했습니다.

이 게시물은 scikit-learn Random Forest 모델과 LoRA를 사용한 Stable Diffusion 3.5의 멀티 GPU 파인튜닝이라는 두 가지 엔드투엔드 예제를 통해 워크플로를 보여줍니다.

새로운 SourceCode 메커니즘은 로컬 코드를 런타임에 모든 컨테이너로 동기화하여 개발자들이 Docker 이미지를 다시 빌드하지 않고도 반복 작업을 할 수 있게 해줍니다.

왜 중요한가

모델 훈련 및 구축 클래스를 통합함으로써 개발자들은 이전에 별도의 API와 구성을 관리해야 했던 불편함이 줄어듭니다.

코드를 런타임에 컨테이너로 직접 동기화하면 실험의 주요 병목 현상이 제거되어 팀이 더 빠르게 변경 사항을 테스트하고 인프라 오버헤드를 줄일 수 있습니다.

멀티 GPU LoRA 파인튜닝과 같은 대규모 예제가 포함된 것은 SDK v3가 현대적이고 리소스 집약적인 워크로드에 맞춰 자리 잡고 있음을 보여줍니다.

주요 사실

SageMaker Python SDK v3는 스크립트 모드를 재설계합니다.

이 재설계는 통합된 ModelTrainer 및 ModelBuilder 클래스를 도입합니다.

SourceCode는 런타임에 로컬 코드를 모든 컨테이너로 동기화합니다.

이 게시물은 scikit-learn Random Forest와 멀티 GPU Stable Diffusion 3.5 LoRA 파인튜닝을 다룹니다.

다음에 주목할 점

이 통합 클래스들이 모든 SageMaker 훈련 워크플로의 기본 경로가 될지 여부.

런타임 코드 동기화 기능이 더 복잡하고 프로덕션급 배포 시나리오를 지원하도록 어떻게 발전할지.

출처