Day 1 - SageMaker 학습 작업: Estimator, 입력 모드, 분산 학습, Spot

📌 핵심 정리

• SageMaker Training Job은 fit() 시 떴다가 끝나면 사라지는 일회성 배치 잡이다. /opt/ml/model에 쓴 것만 S3로 자동 업로드된다.
• 입력 모드는 데이터 크기로 고른다 — 디스크에 들어가면 File, 디스크보다 크거나 시작 지연을 줄이려면 Pipe(순차 스트리밍) 또는 FastFile(스트리밍 + 임의 접근).
• 분산 전략은 모델 크기로 고른다 — 모델이 한 디바이스에 들어가면 데이터 병렬(SMDDP), OOM이 나면 모델 병렬(SMP).
• Managed Spot Training은 온디맨드 대비 최대 ~90% 절감. 중단 가능하므로 checkpoint_s3_uri 체크포인트가 정답의 짝으로 거의 항상 따라온다.
• Spot 파라미터 제약은 max_wait >= max_run. 부등호가 뒤집힌 보기는 항상 오답이다.

Training Job의 동작 모델

Week 8은 도메인 3(Modeling) 후반부 — "어떤 컴퓨트 위에서, 어떤 데이터 전달 방식으로, 얼마나 싸게 돌릴 것인가"를 다룬다. SageMaker 학습 작업의 흐름은 항상 동일하다.

1. Estimator 정의 (이미지, 인스턴스, 하이퍼파라미터, 출력 경로)
2. fit() 호출 → 학습 인스턴스 프로비저닝
3. S3에서 학습 데이터를 컨테이너로 전달 (입력 모드)
4