AWS, GPU 관리 없이 맞춤형 AI 학습하는 새 기능 공개

무엇이 나왔나요

AWS가 22일(현지시간) 머신러닝 플랫폼 Amazon SageMaker AI의 새 기능 Training Sessions를 정식 출시했어요. 개발자가 학습 절차와 평가 기준을 코드로 직접 정의하면서, GPU 운영, 분산 학습, 오류 복구, 학습 상태 저장 같은 인프라는 서비스에 맡기는 방식이에요. 기업 업무에 특화된 AI 에이전트 개발을 쉽게 하려는 거예요.

왜 필요한가요

기업용 에이전트는 좋은 모델만으로 부족하고, 사내 절차를 따르고 알맞은 도구를 고르며 작업 성공 여부를 판단할 줄 알아야 해요. 기존 SageMaker AI도 미세조정과 강화학습을 지원했지만 GPU 종류, 학습 환경, 분산 설정을 직접 잡아야 했어요. 지난해 12월 서버리스 맞춤화를 도입했지만 세밀한 제어엔 한계가 있었대요. 이번 기능은 서버리스의 편의와 개발자의 제어권을 합쳤어요.

어떻게 쓰나요

• 답 생성부터 평가, 모델 업데이트까지 직접 구성하고, 순서를 바꾸거나 자체 보상 기준을 넣고, 여러 단계를 조합할 수 있어요.
• AWS가 든 예는 GRPO예요. 한 질문에 여러 답을 만들고, 개발자가 쓴 평가 함수가 점수를 매기면 상대 점수로 모델을 업데이트하는 걸 반복해요.
• 학습 중간에 결과를 보고 절차를 고칠 수 있고, 모델이 GPU 메모리에 있는 동안 별도 추론 엔드포인트 없이 RL 실험을 해요.
• LoRA부터 전체 미세조정까지 쓸 수 있지만, 모델별 지원 조합은 문서를 확인해야 해요.

초기 사례

• ImagineSoftware: 강화학습으로 의료 청구 거절 건 분류 모델을 만들었어요.
• Karini AI: Amazon Neptune 지식 그래프와 여러 단계로 상호작용하는 에이전트를 위해 GPT-OSS-20B를 맞춤화했어요.

기사는 이 사례만으로 정확도나 비용 효과가 입증된 건 아니고, AWS가 구체적 수치를 공개하지 않았다고 짚어요.

요금과 지원 범위

GPU 예약 시간이 아니라 처리한 토큰 기준으로 입력 처리, 답 생성, 학습에 각각 요금이 붙어요. 개발자 평가 코드가 도는 동안엔 과금이 멈춰요. 별도 컴퓨팅·스토리지·평가·서비스 운영 비용은 따로예요. 지원 모델엔 GPT-OSS-20B, Gemma-4-31B-it, Qwen3.6-27B, Qwen3.8-27B 등이 있고, SageMaker Studio나 Python SDK로 써요. 데이터와 체크포인트는 고객이 고른 리전의 S3에 저장하고, 고객 데이터나 맞춤 가중치를 다른 모델 학습에 쓰지 않는대요.