ClearML Enterprise v3.28 출시: 사용량 측정, 정책 강화 및 스마트 관리 제어 기능 도입

섹션별 상세

새로운 이벤트 미터링 서비스는 관리자가 커스텀 추적 이벤트를 정의하고 비용을 할당하여 컴퓨팅 자원 소비 현황을 정밀하게 파악할 수 있게 한다. 이를 통해 부서별 비용 정산이나 예산 수립이 용이해지며, 리소스 정책 변경이 실제 소비에 미치는 영향을 데이터 기반으로 평가할 수 있다.

ClearML 관리자 분석 페이지의 이벤트 미터링 대시보드 스크린샷 — Screenshot컴퓨팅, 스토리지, 사용자 수 등 주요 지표의 사용량 추이와 예상 비용을 시각화하여 보여준다. 관리자가 리소스 정책 변경에 따른 소비 변화를 데이터로 검증하고 예산을 관리하는 실제 인터페이스를 확인할 수 있다.

리소스 정책 관리 기능이 강화되어 관리자는 정책 페이지에서 활성 작업을 직접 확인하고 실시간 활동과 정책 정의를 대조할 수 있다. 또한 기존 정책을 삭제하고 다시 만들 필요 없이 다른 사용자 그룹으로 재할당할 수 있어 운영 오버헤드가 크게 줄어들었다.

중앙 집중식 앱 게이트웨이 토큰 관리 페이지가 추가되어 원격 세션 및 애플리케이션 액세스에 사용되는 토큰을 한곳에서 검토하고 취소할 수 있다. 이는 분산된 액세스 포인트에 대한 거버넌스를 개선하고 보안 관리의 편의성을 높이는 데 기여한다.

하이퍼 데이터셋 및 데이터 UI가 개선되어 데이터셋 생성 시 프로젝트를 지정하거나 생성 후 프로젝트 간 이동이 가능해졌다. 데이터셋 버전의 기본 명명 규칙을 커스터마이징하고, 작업 복제 시 데이터 뷰나 Python 요구사항을 초기화하는 옵션을 제공하여 실험의 일관성을 유지하기 쉬워졌다.

UI 전반에 걸쳐 생산성 향상을 위한 개선이 이루어졌다. 작업 비교 뷰에 색상 표시기가 추가되고, 큐 데이터 로딩 속도가 향상되었으며, 작업 실행 탭의 저장소 URL이 클릭 가능한 하이퍼링크로 변경되어 접근성이 개선되었다.

용어 해설

머신러닝 운영(MLOps): — 머신러닝 모델의 개발, 배포, 운영 과정을 통합하여 자동화하고 관리하는 체계이다. 모델의 전체 생명 주기를 효율적으로 관리함으로써 비즈니스 가치를 빠르게 창출하고 모델의 품질을 안정적으로 유지하는 데 핵심적인 역할을 한다.
비용 정산(Chargeback): — 공유 인프라를 사용하는 여러 부서나 팀에 실제 자원 사용량에 비례하여 비용을 청구하는 내부 회계 방식이다. AI 자원 소비의 투명성을 높이고 각 팀이 예산을 책임감 있게 사용하도록 유도하여 낭비를 방지하는 데 중요하다.
리소스 정책(Resource Policy): — 특정 사용자나 팀이 사용할 수 있는 컴퓨팅 자원의 할당량과 우선순위를 정의한 규칙이다. 한정된 GPU나 CPU 자원을 여러 워크로드 사이에서 공정하고 효율적으로 분배하여 시스템 병목 현상을 방지하고 거버넌스를 강화하는 도구이다.
하이퍼 데이터셋(Hyper-Dataset): — ClearML에서 제공하는 데이터 관리 개념으로, 데이터의 메타데이터와 버전을 체계적으로 관리하는 구조이다. 대규모 실험에서 데이터의 계보를 추적하고 재현성을 보장하며, 프로젝트 간 데이터 이동 및 조직화를 용이하게 한다.
애플리케이션 게이트웨이(App Gateway): — 외부 네트워크에서 내부망의 AI 애플리케이션이나 서비스에 안전하게 접근할 수 있도록 중계하는 보안 계층이다. 토큰 기반 인증을 통해 비인가 접근을 차단하고, 분산된 액세스 포인트에 대한 중앙 집중식 관리와 감사를 가능하게 한다.

기술

ClearML Enterprise
Python
App Gateway

활용 사례

멀티 테넌트 AI 플랫폼 관리
AI 프로젝트 비용 정산
데이터셋 버전 관리 및 거버넌스