Antigravity Agent
34 lines
2.4 KiB
Markdown
34 lines
2.4 KiB
Markdown
---
|
|
id: [[P-Reinforce|P-Reinforce]]-AUTO-BAIN-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.96
|
|
tags: [auto-reinforced, batch-inference, ai-[[Optimization|Optimization]], throughput, cost-[[Efficiency|Efficiency]], data-[[Processing|Processing]]]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Batch-Inference|Batch-Inference]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "지능의 공동 구매: 매 요청마다 AI를 즉각 깨우는 대신, 대량의 데이터를 한데 모아 한꺼번에 추론함으로써 서버 자원의 낭비를 줄이고 처리 속도(Throughput)를 극대화하는 물류적 최적화."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
배치 추론(Batch-Inference)은 실시간 응답이 필수적이지 않은 환경에서 대규모의 데이터를 주기적으로 한 번에 처리하는 AI 구동 방식입니다.
|
|
|
|
1. **실시간 추론(Online Inference)과의 차이**:
|
|
* **Online**: 1건의 요청에 1번 응답 (Low latency 중요, 자원 소모 비효율적).
|
|
* **Batch**: 1,000건의 요청을 모아 1번에 처리 (High throughput 중요, 자원 및 비용 효율적).
|
|
2. **이점**:
|
|
* **GPU Utilization**: GPU는 한 번에 많은 데이터를 병렬로 처리할 때 가성비가 가장 높음.
|
|
* **Cost Efficiency**: 요청이 적은 시간대에 몰아서 처리하여 클라우드 비용 절감.
|
|
3. **적용 사례**:
|
|
* 주간 개인화 추천 메일 생성, 전날의 사기 거래 일괄 탐지, 대규모 문서 아카이브 번역.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 무조건 '실시간'이 최고라는 정책이 강했으나, 현대의 거대 모델 운영 정책은 막대한 추론 비용 절감을 위해 비핵심 태스크를 배치로 돌리는 '하이브리드 추론 정책'을 채택함(RL Update).
|
|
- **정책 변화(RL Update)**: 대규모 에이전트 워크플로우 정책에서, 에이전트가 생성한 중간 결과물들을 배치로 모아 리랭킹(Re-ranking)하거나 요약하는 '간헐적 배치 처리 정책'이 시스템 무결성 확보의 핵심 가이드라인이 됨.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Optimization|Optimization]], [[Technical-Architecture|Technical-Architecture]], [[Availability-and-Persistence|Availability-and-Persistence]], Workflow-InteGrity, [[Scalability|Scalability]]
|
|
- **Modern Tech/Tools**: Apache Airflow, NVIDIA Triton Inference Server, Ray.
|
|
---
|