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

Week 8은 도메인 3(Modeling)의 후반부 — 모델을 "어떻게 학습시키고, 어떻게 튜닝하고, 어떻게 일반화시키는가"를 다룬다. 오늘은 학습의 실행 기반인 SageMaker Training Job을 파고든다. 알고리즘을 골랐다면(Week 6), 다음 질문은 "이 학습을 어떤 컴퓨트 위에서, 어떤 데이터 전달 방식으로, 얼마나 싸게 돌릴 것인가"다. 시험은 Estimator 설정, 입력 모드(File/Pipe/FastFile), 분산 학습 전략, Spot 학습 비용 절감을 단서로 출제한다.

Training Job의 동작 모델

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. /opt/ml/input/data/<channel> 에 데이터, /opt/ml/model 에 산출물 기록
5. 학습 종료 → /opt/ml/model 을 S3(output_path)로 자동 업로드(tar.gz)
6. 인스턴스 종료 (과금 중단)

핵심은 인스턴스는 작업 동안만 살아 있고, 모델 산출물은 /opt/ml/model에 쓴 것만 S3로 올라간다는 점이다. 학습 컨테이너의 표준 경로를 외워두면 함정형 문제(체크포인트 경로, 산출물 경로)에 강해진다.