Skip to main content

AI/Training

참고: 이 문서는 영문 원본의 자동 번역본입니다.

AI/Training

AI/Training은 AI 모델 구축에 집중하는 프로젝트를 묶습니다 — 데이터와 컴퓨트가 결합하여 학습된 패턴을 가진 모델을 생산하는 AI 라이프사이클의 생성 단계입니다. 인퍼런스가 트레이닝된 모델을 사용하는 행위라면, 트레이닝은 그것을 만드는 행위입니다.

DecAIHub 레지스트리에서 AI/Training은 AI/Compute나 AI/Agents보다 덜 흔합니다. 이는 작업의 난이도를 반영합니다. 유용한 모델을 트레이닝하려면 대규모 데이터셋, 상당한 컴퓨트, 특수 전문성, 그리고 엄격한 평가가 필요합니다. "AI를 트레이닝한다"고 주장하는 것은 쉽습니다. 검증 가능하고 재현 가능한 트레이닝 결과를 입증하는 것은 어렵습니다.

요약하면: AI/Training은 구조화된 학습 과정을 통해 AI 모델을 구축, 파인튜닝, 또는 개선하는 프로젝트를 다룹니다.

그것이 의미하는 것

**트레이닝**은 데이터셋을 모델 아키텍처에 투입하고, 모델이 패턴을 인식하고, 예측을 하고, 출력을 생성하도록 학습할 때까지 모델의 파라미터를 조정하는 과정입니다. 이 과정은 몇 시간에서 몇 주가 걸릴 수 있으며 상당한 계산 자원을 요구합니다.

크립토 AI에서 트레이닝 중심 프로젝트는 이 과정의 일부를 탈중앙화하려 시도합니다. 일부는 여러 참여자가 컴퓨트와 데이터를 기여하는 분산 트레이닝 네트워크를 구축합니다. 다른 프로젝트는 사전 트레이닝된 모델을 특정 작업에 맞게 커스터마이즈하는 파인튜닝 서비스를 제공합니다. 더 작은 일부는 원시 데이터를 중앙화하지 않고 여러 노드에 걸쳐 트레이닝이 일어나는 **연합 학습(federated learning)**을 다룹니다.

트레이닝을 검증 가능하게 만드는 것은 구체적인 산출물의 존재입니다: 모델이 시간에 따라 어떻게 개선되었는지 보여주는 트레이닝 로그, 문서화된 변경 사항을 가진 모델 버전, 모델이 무엇으로부터 학습했는지 명시하는 데이터셋 설명, 모델 품질을 측정하는 벤치마크 결과, 그리고 다른 사람이 검증할 수 있는 재현 가능한 실험.

AI/Training 프로젝트에서 발견되는 일반적인 AI 컴포넌트에는 분산 트레이닝 오케스트레이터, 연합 학습 프레임워크, 파인튜닝 서비스, AutoML 시스템, 트레이닝 파이프라인, 그리고 데이터에서 트레이닝을 거쳐 배포까지의 계보를 추적하는 모델 레지스트리가 포함됩니다.

트레이닝은 자원 집약적이고 원격으로 검증하기 어렵기 때문에, AI/Training 프로젝트는 특정한 검증 과제를 안고 있습니다: 유용한 트레이닝이 시뮬레이션되거나 손쉽게 복제되는 것이 아니라 탈중앙화 네트워크에서 실제로 일어났음을 어떻게 증명할 것인가.

카테고리를 비교하는 독자는 트레이닝이 배포의 상류에 있음을 기억해야 합니다. 프로젝트는 트레이닝을 잘하면서도 제품화에서 실패할 수 있으며, 반대로 강력한 제품 스토리가 모델이 설명대로 트레이닝되었다는 증거를 대체하지는 못합니다.

트레이닝이 탈중앙화하기 어려운 이유

중앙화된 연구소는 데이터, GPU, 모니터링을 한 곳에 배치할 수 있습니다. 탈중앙화 트레이닝은 서로 다른 하드웨어, 인센티브, 공개 수준을 가질 수 있는 참여자 전반에 걸쳐 신뢰, 타이밍, 내결함성을 조율해야 합니다. 그래서 많은 프로토콜은 트레이닝이 네트워크 전반에서 어떻게 실행되는지 설명할 때 원시 컴퓨트뿐만 아니라 오케스트레이션, 체크포인팅, 어테스테이션을 강조합니다.

레지스트리 관점에서, 같은 라벨이 매우 다른 깊이의 작업을 다룰 수 있습니다: 완전한 커스텀 사전 트레이닝 노력, 오픈 가중치에 대한 진지한 파인튜닝 프로그램, 또는 대부분 서드파티 API를 감싸는 얄팍한 워크플로. 카테고리는 의도를 알려주고, 카드와 증거는 깊이를 알려줍니다.

일반적인 하위 조합

DecAIHub는 복합 카테고리를 사용합니다. 아래는 AI/Training 내에서 가장 빈번한 조합입니다.

하위 조합 의미
AI/Training | Infra 트레이닝 인프라 — 대규모로 모델 트레이닝을 오케스트레이션하기 위한 플랫폼과 도구.
AI/Compute | AI/Training 결합된 컴퓨트와 트레이닝 — GPU 자원을 공급하면서 트레이닝 워크로드에 특화된 프로젝트(예: Bittensor).
AI/Data | AI/Training | Infra 전체 파이프라인 프로젝트 — 데이터 소싱, 모델 트레이닝, 인프라를 단일 프로토콜에 결합.
AI/Training | AI/Inference 모델 구축과 프로덕션 서빙 모두를 다루는 프로젝트.

프로젝트 카드에서 무엇을 봐야 하는가

DecAIHub에서 AI/Training 카드를 읽을 때, 다음에 주의하세요:

  • AI 컴포넌트 — 카드가 구체적인 AI 컴포넌트(분산 트레이닝, 연합 학습, 파인튜닝, AutoML, 트레이닝 컴포넌트)를 나열하는가, 아니면 모호한 "우리는 AI를 트레이닝한다"는 주장만 있는가?
  • 트레이닝 산출물 — 트레이닝 로그, 모델 버전 이력, 데이터셋 문서, 또는 공개된 벤치마크 결과 같은 Tier-1 산출물이 있는가?
  • 모델 품질 — 프로젝트가 생산하는 모델에 대한 벤치마크나 품질 지표를 보여주는가? 그 결과를 알려진 베이스라인과 비교할 수 있는가?
  • AI reality 점수(ai_score) — 프로젝트가 검증 가능한 트레이닝 결과를 입증하는가, 아니면 모델을 트레이닝한다고 주장만 하는가? AI reality를 참고하세요.
  • Onchain necessity(onchain_score) — 블록체인이 트레이닝 조율, 인센티브 분배, 또는 모델 검증에서 역할을 하는가, 아니면 토큰 발행에 국한되는가?

이 카테고리만으로 증명되지 않는 것

AI/Training으로 라벨링된 프로젝트는 포지셔닝과 이용 가능한 산출물에 기반하여 트레이닝 중심으로 분류되었습니다. 라벨만으로는 다음을 확인하지 못합니다:

  • 트레이닝된 모델이 유용하거나, 정확하거나, 확립된 대안과 경쟁력이 있는지;
  • 모델이 공개적으로 사용 가능한 가중치의 사소한 파인튜닝이 아니라 독점적인지;
  • 트레이닝 과정이 단일 클러스터에서 실행되는 것이 아니라 진정으로 탈중앙화되었는지;
  • 트레이닝 데이터셋이 고품질이고, 윤리적으로 소싱되었고, 적절히 문서화되었는지;
  • 트레이닝 과정이 작동하는 데 토큰이 필요한지.

항상 프로젝트 카드의 전체 DecAI Fit 점수와 증거 블록을 확인하세요.

혼동하지 마세요

  • AI/Compute — 원시 계산 자원을 제공합니다. 트레이닝은 컴퓨트를 요구하지만 하드웨어를 공급하는 것이 아니라 모델 구축에 초점을 맞춘 별개의 활동입니다. AI/Compute를 참고하세요.
  • AI/Inference — 트레이닝된 모델을 프로덕션에서 실행합니다. 인퍼런스는 트레이닝이 완료된 후에 일어나는 것입니다. AI/Inference를 참고하세요.
  • AI/Data — 데이터를 수집하고 준비합니다. 트레이닝은 데이터를 소비하지만 카테고리는 서로 다른 관심사를 다룹니다(모델 구축 vs 데이터셋 공급). AI/Data를 참고하세요.
  • API를 통한 파인튜닝 — 최소한의 데이터로 서드파티 모델을 파인튜닝하기 위해 API를 호출하는 것은 의미 있는 트레이닝을 구성하지 않을 수 있습니다. 그 구분은 커스터마이징의 깊이와 프로젝트가 모델 품질 개선을 입증하는지에 달려 있습니다.

자주 묻는 질문

AI/Training은 카드에서 AI/Compute와 어떻게 다른가요?

AI/Compute는 많은 워크로드를 위한 하드웨어나 컴퓨트 용량 공급을 강조합니다. AI/Training은 학습 루프, 데이터셋, 평가를 통한 모델 구축 또는 조정을 강조합니다. 프로젝트는 둘 다 할 수 있으며, 복합 라벨이 그 중첩을 설명합니다.

연합 학습은 항상 데이터가 사용자 기기를 떠나지 않는다는 의미인가요?

반드시 그렇지는 않습니다. 연합 설정은 다양합니다: 일부는 원시 데이터를 로컬에 유지하고 그래디언트나 업데이트만 공유하며, 다른 일부는 하이브리드 신뢰 모델을 사용합니다. 레지스트리 카테고리는 접근법을 신호합니다. 프라이버시와 데이터 처리 주장은 문서와 증거에 비추어 확인되어야 합니다.

프로젝트가 벤치마크 수치를 공개하면, 그것으로 충분한가요?

벤치마크는 도움이 되지만, 재현 가능한 조건(데이터 분할, 모델 버전, 트레이닝 예산)과 연결되어야 합니다. 무엇이 강력한 뒷받침으로 인정되는지는 벤치마크와 품질 지표와 Tier-1 증거를 참고하세요.

외부 참고 자료

함께 보기

No comments to display

Back to top