AX 트랜스포메이션 (AX VIEW)

오픈소스 파운데이션 모델을 기업 내부 데이터셋으로 지도 미세조정(SFT) 하더라도, 실제 운영 환경에 배치하면 그럴싸하게 왜곡된 허위 정보를 출력하는 할루시네이션 현상이나 기업의 보안 규정을 위반하는 답변을 방출하는 리스크를 통제하기는 쉽지 않습니다. 이를 해결하기 위해 인간 피드백 기반 강화학습(RLHF)이 오랫동안 제안되었으나, 기존 PPO 방법론은 액터, 레퍼런스, 크리틱, 리워드라는 네 개의 거대한 모델을 메모리에 동시에 상주시켜야 하므로 자원 소모가 극심하고 학습 불안정성이 크다는 병목이 뚜렷했는데요. DPO와 ORPO 방법론은 이러한 고비용 아키텍처 구조를 파괴하고 단일 또는 대조 모델 풀만으로 기업 도메인 정렬과 정책 통제를 달성하는 직관적인 대안으로 주목받고 있습니다. DPO(Direct Preference Optimization)의 핵심 메커니즘은 별도의 보상 모델 생성 공정을 생략하고, 언어 모델의 정책 확률 분포 자체를 활용해 선호 답변(Accepted)과 비선호 답변(Rejected)의 스코어 차이를 직접 최적화하는 데 있습니다. 정책 모델과 참조 모델 간의 로그 확률 비율을 손실 함수에 직접 대입하여 연산 효율을 높이는 방식인데요. 시스템이 유기적으로 맞물리는 흐름은 하부 파이프라인 구조도를 통해 가시적으로 파악할 수 있습니다. 그림 1. 정렬 레이아웃: 선호 데이터 쌍을 관통하는 정책 가중치 업데이트와 손실 함수 최적화의 유기적 흐름 DPO 손실 함수는 수학적으로 다음과 같이 정의되어 정책 모델의 행동 반경을 정밀하게 제어합니다. $$L_{DPO}(\theta; \pi_{ref}) = -\mathbb{E}_{(x, y_w, y_l) \sim D} \left[ \log \sigma \left( \beta \log \frac{\pi_\theta(y_w|x)}{\pi_{ref}(y_w|x)} - \beta \log \frac{\pi_\theta(y_l|x)}{\pi_{ref}(y_l|x)...

오픈소스 거대 언어 모델(LLM)을 프로덕션 환경에 배포할 때 가장 먼저 부딪히는 문제는 모델 성능 자체가 아니라 추론 비용과 응답 지연 시간입니다. 같은 모델을 사용하더라도 프롬프트가 얼마나 반복되는지, 입력 토큰이 어디서 낭비되는지, GPU 메모리가 어떻게 쪼개지는지, 트래픽이 어느 시간대에 몰리는지에 따라 월간 인프라 비용은 크게 달라집니다. 이 글은 12개의 세부 글에서 다룬 토큰 최적화, 시맨틱 캐싱, vLLM, 양자화, QLoRA 어댑터, Speculative Decoding, TensorRT-LLM, Ray, KubeRay, KServe, Knative, NVIDIA MIG 구성을 하나의 운영 흐름으로 재정리한 실무형 로드맵입니다. 단순히 기술 이름을 나열하는 것이 아니라, 어떤 상황에서 어떤 순서로 적용해야 비용 절감 효과가 커지는지와 잘못 적용했을 때 생기는 병목까지 함께 살펴봅니다. 먼저 판단해야 할 핵심 질문 입력 토큰이 과도하게 길어지고 있는가? 불필요한 컨텍스트가 많다면 GPU 최적화보다 프롬프트 압축과 캐싱이 먼저입니다. 비슷한 질문이 반복적으로 들어오는가? 반복 질의가 많다면 시맨틱 캐싱만으로도 하부 추론 부하를 크게 낮출 수 있습니다. 모델 크기 때문에 VRAM이 부족한가? 이 경우 AWQ·GPTQ 양자화와 vLLM 메모리 관리가 우선 검토 대상입니다. 동시 요청 수가 특정 시간대에 몰리는가? Ray, KubeRay, KServe 같은 분산·오토스케일링 계층이 필요합니다. 여러 부서나 서비스가 같은 GPU를 공유해야 하는가? 운영 간섭을 줄이려면 QLoRA 어댑터 분리와 NVIDIA MIG 격리 전략을 함께 봐야 합니다. LLM 추론 비용은 어디에서 새는가 LLM 추론 비용은 단순히 GPU 한 대의 시간당 가격으로만 계산되지 않습니다. 실제 비용은 입력 토큰 ...