ML-intern, 맞춤형 AI 모델 개발 간소화 및 비용 절감

맞춤형 AI 모델 개발의 새로운 접근

2026년 10월 8일, 허깅페이스는 허깅챗(HuggingChat) 내 AI 에이전트인 ML-intern을 활용하여 사용자가 특정 목적에 맞는 소규모 AI 모델을 효율적이고 저렴하게 구축할 수 있는 방법을 공개했다. 이 방식은 기존의 대규모 모델이 요구하는 막대한 컴퓨팅 자원과 시간의 제약을 넘어, 개인이나 소규모 팀도 맞춤형 AI 솔루션을 개발할 수 있도록 지원한다.

ML-intern은 사용자가 자연어로 작성한 프롬프트를 기반으로 모델 학습, 평가, 배포 등 전반적인 머신러닝 워크플로우를 자동화한다. 이를 통해 Qwen-Image 2.1의 9B 프롬프트 리라이터 모델과 같은 대규모 모델 대신, CPU에서도 실행 가능한 0.8B 버전의 소형 모델을 단 하루 만에 개발하는 등 실제 적용 사례를 통해 그 효율성을 입증했다.

ML-intern 활용 배경 및 작동 방식

ML-intern의 개발 배경은 기존 대규모 AI 모델의 한계에서 비롯된다. 예를 들어, Qwen-Image 2.1의 공식 프롬프트 리라이터는 9B 파라미터 모델로 약 20GB의 메모리를 필요로 하며, 단일 문단을 생성하기 위해 수천 개의 토큰을 처리해야 한다. 이러한 모델은 특정 작업에 과도한 자원을 소모하며, 허브(Hub)에는 압축된 동일 모델만 존재하여 맞춤형 소형 모델에 대한 수요가 높았다.

ML-intern은 이러한 요구를 충족하기 위해 설계되었다. 사용자는 허깅챗에서 ML-intern 모드를 활성화하고 원하는 모델에 대한 설명을 프롬프트로 제공한다. ML-intern은 작업 계획을 수립하고, 예산 승인을 요청하며, 실제 작업 전에 소규모 테스트를 실행한다. 이후 허깅페이스 하드웨어를 사용하여 모델을 학습, 평가, 배포하며, 모든 과정은 투명하게 진행된다.

구체적인 프롬프트 작성 가이드

ML-intern을 효과적으로 활용하기 위한 핵심은 상세하고 명확한 프롬프트 작성에 있다. 초기 프롬프트는 약 450단어 수준이었으나, 프로젝트를 거듭하며 2,000단어에 가까운 상세한 프롬프트로 발전했다. 프롬프트는 아이디어와 목표를 한 문장으로 시작하고, 데이터셋, 기본 모델, 학습 스크립트 등 필요한 요소를 명확히 지정한다.

특히 중요한 두 가지 지시 사항이 있다. 첫째, 학습 전 기본 모델의 제로샷(zero-shot) 성능을 보고하여 학습을 통한 개선 정도를 파악하도록 요청한다. 둘째, 전체 학습을 시작하기 전에 50단계 학습 후 가중치 변경 여부를 확인하는 스모크 테스트(smoke test)를 포함하여 불필요한 비용 지출을 방지한다. 또한, 프롬프트 끝에는 예상 결과물과 함께 총 지출 비용을 USD 12로 제한하고 초과 시 승인을 요청하는 등 예산 제약을 명시하여 엄격하게 관리한다.

ML-intern으로 구축된 주요 모델 사례

ML-intern을 통해 단 며칠 만에 다양한 목적의 모델 6개가 구축되었다. 첫 번째는 '감귤 질병 진단 모델(Citrus Doctor)'로, Qwen3.5-2B 모델을 미세 조정하여 21가지 해충, 질병, 영양 결핍 및 치료법에 대한 3,017개의 주석이 달린 이미지 데이터셋으로 학습했다. 기본 모델의 정확도 14.9%에서 52.8%로 향상되었으며, 컴퓨팅 비용은 약 USD 1.90이 소요되었다.

두 번째는 '허기(Huggy) 캐릭터 생성 LoRA'로, FLUX.2 klein base 4B 모델에 84개의 캡션이 달린 그림으로 학습하여 허깅페이스 브랜드 자산의 평면 스타일 캐릭터를 생성한다. 학습 200단계에서 캐릭터가 완전히 모델에 반영되었으며, 컴퓨팅 비용은 약 USD 7.60이 들었다.

세 번째는 '카메라 앵글 LoRA(Viewpoint Orbit LoRA)'로, Qwen-Image 2.1 모델에 24,722개의 투명 이미지(Google Scanned Objects에서 1,030개 객체를 각 24개 앵글로 렌더링)를 학습시켜 객체를 특정 앵글에서 볼 수 있도록 한다. 2,000단계 학습에 약 90분이 소요되었으며, 총 컴퓨팅 비용은 약 USD 16이었다.

네 번째는 '두들-인 LoRA(Doodle-in LoRA)'로, Qwen-Image 2.1 모델에 낙서된 영역을 객체로 대체하는 기능을 추가한다. 6,042개의 학습 쌍과 160개의 테스트 세트를 직접 생성하여 학습했으며, 2,000단계 학습에 1시간 38분이 소요되었다. 총 컴퓨팅 비용은 약 USD 24.30이었다.

다섯 번째는 '포켓 리라이터(Pocket Rewriter)'로, Qwen-Image 2.1의 9B 모델을 교사 모델로 사용하여 8,797개의 이미지 요청을 재작성한 후, 1,840개의 고품질 예시를 선별하여 0.8B 및 2B 학생 모델을 학습시켰다. 0.8B 모델은 812MB GGUF 파일로 CPU에서도 실행 가능하며, 총 컴퓨팅 비용은 약 USD 16.05였다.

여섯 번째는 '애거트 프리뷰 002(Agate Preview 002)' 모델로, 260M 파라미터의 텍스트-이미지 모델을 50단계에서 4단계로 증류하여 브라우저에서 실행 가능하도록 최적화했다. 155,000개의 학습 이미지를 사용했으며, 두 번의 학습을 통해 GenEval 점수를 0.509에서 0.536으로 향상시켰다. 총 컴퓨팅 비용은 약 USD 37이 소요되었다.

개발 비용 효율성 및 활용 방안

위에서 언급된 6가지 모델을 구축하는 데 소요된 총 컴퓨팅 비용은 약 USD 103에 불과하다. 이는 ML-intern이 대규모 모델 개발에 필요한 막대한 자원과 비용을 크게 절감할 수 있음을 보여준다. 각 프로젝트는 GPU 및 CPU 작업 요금으로 보고된 비용으로, 매우 효율적인 자원 활용을 가능하게 한다.

ML-intern은 허깅챗에서 ML-intern 모드를 켜고 프롬프트를 붙여넣는 방식으로 쉽게 접근할 수 있다. 사용자는 기존에 존재하지 않는 모델에 대한 아이디어나 보유하고 있는 데이터셋을 기반으로 시작할 수 있다. 소규모 예산을 설정하고, 기본 성능 측정 및 스모크 테스트를 요청하여 점진적으로 모델을 개발하는 것이 권장된다. 이를 통해 누구나 자신만의 맞춤형 AI 모델을 저비용으로 구축하고 공유할 수 있는 기회를 얻게 된다.