사전 훈련된 기계 학습 모델의 효과적인 조합을 위한 공유 모델 허브 분석

커렐 아로겨, 고인영

http://doi.org/10.5626/JOK.2025.52.1.42

최근, 딥 뉴럴 네트워크(DNN) 모델이 소프트웨어 시스템의 주요 구성 요소로 자리 잡고 있다. 이러한 DNN의 설계와 훈련은 도메인 전문 지식, DNN 프레임워크에 대한 숙련도, 상당한 컴퓨팅 자원 및 대규모 훈련 데이터를 요구하므로 간단하지 않은 과정이다. 개발자들은 전통적인 소프트웨어 공학의 철학에 따라 모델 허브에서 사전 훈련된 모델(PTM)을 재사용하곤 한다. 그러나 개발자의 특정 요구사항과 일치하는 PTM이 없을 때에는 어려움이 발생한다. 본 논문에서는 PTM 조합의 개념을 탐구하고, 여러 PTM을 결합하여 애플리케이션 요구 사항을 미세 조정이나 새 DNN 개발 없이 충족할 수 있는지를 조사한다. 사례 연구를 통해 PTM 조합의 현재 도전과제와 모델 허브의 한계를 도출하고, PTM 조합과 웹 서비스 구성 간의 유사성을 바탕으로 성공적인 조합을 위한 필수 기술과 해결책을 논의한다.