26 lines
1.2 KiB
Markdown
26 lines
1.2 KiB
Markdown
# Phase: 선택적 Adaptation
|
|
|
|
## 상태
|
|
|
|
[스케치]
|
|
|
|
## 목표
|
|
|
|
RAG 운영에서 검증된 일부 데이터만 재현 가능한 훈련 dataset으로 승격하고, 필요할 때 LoRA/QLoRA를 실행할 수 있는 선택적 adaptation 경로를 제공한다. RARA의 기본 용도는 RAG이며 tuning은 품질·비용상 이점이 검증된 경우에만 사용한다.
|
|
|
|
## Milestone 흐름
|
|
|
|
Phase를 가로지르는 실제 다음 작업 선택은 [전역 마일스톤 실행 순서](../../priority-queue.md)를 우선한다.
|
|
|
|
- [스케치] 훈련 Dataset 정제
|
|
- 경로: [훈련 Dataset 정제](milestones/training-dataset-curation.md)
|
|
- 요약: 선별 feedback을 provenance가 있는 train·validation·holdout dataset으로 만든다.
|
|
- [스케치] LoRA와 QLoRA 실행
|
|
- 경로: [LoRA와 QLoRA 실행](milestones/lora-qlora-execution.md)
|
|
- 요약: Python executor 기반 adaptation, 평가와 model artifact 승격 경계를 설계한다.
|
|
|
|
## Phase 경계
|
|
|
|
- 실시간 자기 학습과 production 모델의 직접 갱신을 지원하지 않는다.
|
|
- 훈련 dataset은 평가용 dataset과 분리하고 source와 teacher provenance를 보존한다.
|
|
- 특정 ML 프레임워크와 GPU 환경을 제어 플레인 핵심 상태 모델에 하드코딩하지 않는다.
|