메인 콘텐츠로 건너뛰기
Serverless RL을 사용하면 여러 턴의 에이전트 작업을 수행할 때 새로운 동작을 학습하고 신뢰성, 속도, 비용 효율을 개선하는 LLM을 포스트 트레이닝할 수 있습니다. Serverless RL은 현재 공개 프리뷰로 제공되고 있습니다. W&B는 환경 설정의 전체 유연성은 유지하면서 트레이닝 인프라(on CoreWeave)를 프로비저닝해 드립니다. 즉시 액세스할 수 있는 관리형 트레이닝 클러스터는 수십 개의 GPU까지 탄력적으로 자동 확장됩니다. Serverless RL은 RL 워크플로를 추론 단계와 트레이닝 단계로 분리하고, 이를 여러 작업에 멀티플렉싱해 GPU 사용량을 높이고 트레이닝 시간과 비용을 줄입니다. Serverless RL은 다음과 같은 작업에 적합합니다:
  • 음성 에이전트
  • 딥 리서치 어시스턴트
  • 온프레미스 모델
  • 콘텐츠 마케팅 분석 에이전트
Serverless RL은 에이전트의 특정 작업에 맞게 모델을 특화하기 위해 저랭크 어댑터(LoRA)를 트레이닝합니다. 이를 통해 실제 작업 수행 과정에서 얻은 경험으로 원래 모델의 기능을 확장합니다. W&B는 트레이닝한 LoRA를 계정에 아티팩트로 자동 저장합니다. 백업을 위해 로컬이나 타사에 저장할 수도 있습니다. Serverless Inference는 Serverless RL을 통해 트레이닝한 모델도 자동으로 호스팅합니다. 시작하려면 ART 퀵스타트 또는 Google Colab notebook을 참조하세요.

​
왜 Serverless RL인가요?

강화 학습(RL)은 강력한 트레이닝 기법 모음으로, 직접 소유하거나 임대한 GPU를 사용하는 경우를 포함해 다양한 트레이닝 환경에서 활용할 수 있습니다. Serverless RL은 RL 사후학습(Post-training)에서 다음과 같은 이점을 제공합니다.
  • 더 낮은 트레이닝 비용: Serverless RL은 여러 사용자에게 공유 인프라를 다중화해 활용하고, 각 작업마다 설정 과정을 반복하지 않으며, 실제로 트레이닝하지 않을 때는 GPU 비용을 0까지 낮춰 트레이닝 비용을 크게 절감합니다.
  • 더 빠른 트레이닝 시간: Serverless RL은 추론 요청을 여러 GPU에 분산하고 필요할 때 즉시 트레이닝 인프라를 프로비저닝하여 트레이닝 작업을 더 빠르게 실행하고 반복 주기를 단축할 수 있게 합니다.
  • 자동 배포: Serverless RL은 트레이닝한 모든 체크포인트를 자동으로 배포하므로 호스팅 인프라를 수동으로 설정할 필요가 없습니다. 로컬, 스테이징, 프로덕션 환경에서 트레이닝된 모델에 즉시 액세스해 테스트할 수 있습니다.

​
Serverless RL이 W&B 서비스를 사용하는 방법

Serverless RL은 다음과 같은 W&B 컴포넌트를 함께 사용해 작동합니다:
  • Inference: 모델을 실행합니다
  • Models: LoRA 어댑터의 트레이닝 중 성능 메트릭을 추적합니다
  • Artifacts: LoRA 어댑터를 저장하고 버전을 관리합니다
  • Weave (선택): 트레이닝 루프의 각 단계에서 모델이 어떻게 응답하는지 관찰할 수 있습니다
Serverless RL은 현재 공개 프리뷰입니다. 프리뷰 기간 동안 W&B는 Inference 사용량과 아티팩트 저장에 대해서만 요금을 청구합니다. W&B는 프리뷰 기간 동안 어댑터 트레이닝에 대해서는 요금을 청구하지 않습니다.

​
Serverless SFT

강화 학습 외에도 Serverless SFT를 사용해 엄선된 데이터셋으로 모델을 미세 조정할 수 있습니다. 증류, 출력 스타일과 형식 학습, 또는 RL을 적용하기 전 모델 워밍업에 SFT를 사용하세요.