Day 4 - JumpStart·사전학습 모델·전이학습 + 학습 비용 최적화

📌 핵심 정리

• JumpStart는 사전학습 모델 허브다. 쓰는 법은 두 갈래 — 그대로 deploy하거나, 내 데이터로 fit → deploy(미세조정).
• 전이학습은 대규모로 학습된 모델의 일반 특징을 물려받아 적은 데이터·짧은 시간·낮은 비용으로 높은 성능을 낸다.
• "라벨 데이터가 적은데 정확한 분류기가 필요하다" → 답은 밑바닥 학습이 아니라 전이학습(미세조정).
• 학습 비용은 두 축으로 갈라 본다 — 단가 낮추기(Spot+체크포인트, 적절한 인스턴스, 입력 모드/RecordIO)와 작업량 줄이기(전이학습, 조기 종료).
• 가장 강력한 두 수단인 Spot과 전이학습은 축이 달라 함께 적용할 수 있다.

JumpStart: 사전학습 모델 허브

이미지 분류기나 텍스트 생성 모델을 매번 밑바닥부터 학습하는 건 데이터·시간·비용 모두 막대하다. JumpStart는 수백 개의 사전학습 모델과 솔루션 템플릿을 모아둔 허브로, 이미지 분류, 객체 탐지, 텍스트 분류, 요약, 텍스트 생성(LLM 포함) 등 검증된 모델을 몇 줄로 배포하거나 내 데이터로 미세조정(fine-tune)할 수 있다.

from sagemaker.jumpstart.model import JumpStartModel