Reason over time-series data with OpenTSLM on Amazon SageMaker JumpStart
Quick Summary
Aionic Labs의 OpenTSLM은 시계열 측정값과 텍스트 맥락을 함께 해석하는 오픈 소스 모델군으로, Amazon SageMaker JumpStart에서 배포할 수 있으며 Nexthink는 이를 개인 IT 에이전트 Spark의 선제 지원에 적용하는 방안을 개발하고 있다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
Aionic Labs의 OpenTSLM은 시계열 측정값과 텍스트 맥락을 함께 해석하는 오픈 소스 모델군으로, Amazon SageMaker JumpStart에서 배포할 수 있으며 Nexthink는 이를 개인 IT 에이전트 Spark의 선제 지원에 적용하는 방안을 개발하고 있다.
📌 핵심 요약
- 여러 운영 지표의 긴 이력을 텍스트나 이미지로 변환해 범용 언어 모델에 입력하면 토큰 비용이 커질 수 있다. OpenTSLM은 수치 시계열을 정비 기록이나 엔지니어의 관찰과 함께 해석해 전문가가 변화의 원인을 조사하도록 돕는다.
- Nexthink와 Aionic Labs가 개발 중인 Spark 지원 흐름에서 모델은 기기 측정값과 이벤트를 바탕으로 상태 요약, 권장 조치, 예상 결과를 제시한다. 디스크 공간 부족 예시에서 Spark는 직원 동의 후 정리를 실행하고 확보된 공간과 증상 개선 여부를 확인한다.
- JumpStart가 제공하는 OpenTSLM-Flamingo는 Gemma 3 4B에 시계열 인코더와 교차 어텐션 계층을 결합했다. 전체 매개변수는 52억 4천만 개이며 bfloat16 가중치가 차지하는 GPU 메모리는 약 10.5GB다.
- OpenTSLM 실행에는 bfloat16을 지원하는 메모리 24GB 이상의 단일 GPU가 필요하며 권장 호스트 메모리는 32GB다. 기본 인스턴스는 ml.g6.2xlarge이고, 선택한 인스턴스 유형의 엔드포인트 할당량은 최소 1이어야 한다.
- 미세 조정 예제는 TimeNet으로 ARFBench 데이터를 불러와 SageMaker에서 Hugging Face 체크포인트를 학습한다. 학습 결과는 Amazon S3에 저장하고 별도 실시간 추론 엔드포인트에 배포해 평가한다.
🧩 주요 포인트
- Spark가 가능한 원인과 확인 방법을 함께 받으므로, 기기 상태를 점검하고 직원 동의를 거친 뒤 조치 효과까지 확인할 수 있다.
- 애플리케이션이 관측 구간과 입력 신호를 선택하고 모델 응답을 검증하므로, 새 체크포인트를 대표 사례로 평가한 뒤 교체할 수 있다.
- TimeNet이 학습·평가 데이터에 공통 형식과 API를 제공하므로, 작업에 맞는 데이터셋을 찾아 구성하고 모델에 적용할 수 있다.
🧠 상세 정리
1. 운영 지표의 변화를 해석하는 OpenTSLM
생산 중단을 예방하거나 차량 결함을 진단하고 데이터센터 성능 저하를 설명하려면, 여러 지표 가운데 무엇이 언제 달라졌는지 파악해야 한다. 측정값이 쌓여도 그 의미를 해석하는 데는 전문가의 시간이 들고, 수백 개 지표의 긴 이력을 Claude나 ChatGPT 같은 범용 언어 모델에 텍스트나 이미지로 전달하면 토큰 사용량과 비용이 커질 수 있다. Aionic Labs가 개발하는 OpenTSLM은 설비 센서나 수요·공급 측정값을 정비 기록, 시장 뉴스, 엔지니어의 관찰과 함께 해석하는 오픈 소스 시계열 언어 모델군이다. 전문가는 최근 측정값에서 나타난 변화에 관해 후속 질문을 하고 대응 방법을 판단할 수 있다. TimeNet은 이런 모델의 학습과 평가에 쓸 데이터셋을 찾고 구성하고 불러올 수 있도록 공통 형식과 API를 제공한다.
2. Nexthink의 선제 IT 지원과 Spark의 역할
Nexthink와 Aionic Labs는 직원이 도움을 요청하기 전에 기기에서 나타나는 문제를 알아차리고 대응할 수 있도록 개인 IT 에이전트 Spark에 시계열 언어 모델을 접목하고 있다. 모델은 CPU 활동, 메모리 사용량, 가용 디스크 공간, 애플리케이션 안정성, 연결 상태를 나타내는 수치에 발생 시각이 기록된 이벤트와 기기 구성, 소프트웨어 버전을 함께 고려한다. 상태 요약은 관측 구간에 나타난 신호의 변화가 직원이 겪는 증상과 어떻게 연결되는지 설명한다. 권장 조치는 가능한 원인을 확인할 점검과 직원에게 제안할 대응을 제시하고, 예상 결과는 어떤 개선을 기대하며 Spark가 그 결과를 어떻게 확인할지 설명한다. 이 흐름은 높은 자원 사용량에 따른 속도 저하, 반복되는 앱 멈춤이나 종료, 파일 동기화 실패 등을 조사하는 데 쓰일 수 있다.
3. 디스크 공간 부족 예시에서 직원이 확인하는 것
글은 디스크 여유 공간이 계속 줄면서 디스크 대기열이 길어지고 앱 멈춤이 잦아지는 상황을 예로 들어 Spark의 지원 과정을 설명한다. 모델은 이 신호들을 직원이 체감할 수 있는 컴퓨터 속도 저하나 파일 저장의 어려움과 연결하고, Spark는 실제 남은 공간과 IT 부서가 승인한 정리 방식으로 삭제할 수 있는 임시 파일이 있는지 확인한다. 정리가 적절하다고 판단하면 Spark는 삭제하려는 항목을 직원에게 보여주고 동의를 구한다. 직원이 동의하면 정리를 실행한 뒤 가용 공간을 다시 측정하고 체감한 문제가 나아졌는지도 묻는다. 문제가 계속되면 앞서 확인한 내용을 IT 지원팀에 전달하겠다고 제안한다. 이 사례는 모델의 추정에서 출발해 기기 측정값과 직원의 경험으로 조치 결과를 확인하는 과정을 보여주는 예시다.
4. AWS 환경에 모델을 배포하는 구조
Amazon SageMaker JumpStart는 사전 학습된 기반 모델을 찾아 비교·평가하고 자체 AWS 환경의 SageMaker AI 추론 엔드포인트에 배포할 수 있는 모델 허브다. OpenTSLM 배포에는 GPU 가속을 지원하는 AWS Deep Learning Containers가 제공돼 사용자가 추론용 컨테이너 이미지를 직접 만들 필요가 없다. 관리형 엔드포인트는 요청량과 지연 시간 요건에 따라 컴퓨팅 자원을 조정할 수 있고, 애플리케이션은 표준 API와 SDK를 통해 실시간 추론을 호출할 수 있다. 운영자는 Amazon CloudWatch에서 처리량, 지연 시간, 자원 사용률을 살피고, Amazon VPC 배포와 IAM 접근 제어 및 네트워크 격리 옵션을 이용할 수 있다. 글은 이 배포 방식을 서버리스 API로 기반 모델 추론을 제공하는 Amazon Bedrock과 상호 보완적인 선택지로 설명한다.
5. OpenTSLM-Flamingo의 모델 구조와 응답 검증
JumpStart에 등록된 OpenTSLM-Flamingo는 Gemma 3 4B 언어 모델에 시계열 인코더와 교차 어텐션 계층을 결합한 모델이다. 인코더가 수치 시계열을 변환하면 언어 모델은 교차 어텐션을 통해 그 정보를 참조하면서 함께 받은 텍스트 맥락을 해석한다. 전체 매개변수는 52억 4천만 개이고, bfloat16으로 저장한 가중치 자체가 GPU 메모리 약 10.5GB를 차지한다. 애플리케이션은 어느 기간을 관찰하고 어떤 신호를 포함할지 결정한 다음, 준비한 시계열과 텍스트를 엔드포인트로 보내 응답을 받는다. 응답을 전문가에게 보여주거나 다음 업무에 사용하기 전에 그 내용을 검증할 수 있으며, 모델을 조정한 경우에도 새 체크포인트를 대표 사례로 평가한 뒤 애플리케이션이 사용할 버전을 바꿀 수 있다.
6. 추론에 필요한 자원과 시간대별 데이터 학습
배포에는 Amazon SageMaker AI 도메인과 지원 리전에서 모델 및 엔드포인트를 만들 수 있는 실행 역할이 필요하며, 글은 운영 환경에서 필요한 권한만 부여하도록 권한다. 추론에는 bfloat16을 지원하고 메모리가 24GB 이상인 단일 GPU가 필요하며 권장 호스트 메모리는 32GB다. 기본 ml.g6.2xlarge는 24GB NVIDIA L4 GPU 한 개와 32GB 호스트 메모리를 갖추고 있으며, 선택한 인스턴스 유형의 엔드포인트 할당량은 최소 1이어야 한다. 미세 조정 예제에서는 노트북이 TimeNet을 통해 ARFBench 데이터를 불러오는 SageMaker 학습 작업을 제출하고, 이 작업이 Hugging Face의 사전 학습 OpenTSLM 체크포인트를 조정한다. 학습은 관리형 ml.g7e.2xlarge에서 실행되므로 해당 학습 작업의 할당량을 확인해야 하며, 작업을 제출하는 노트북 자체에는 GPU가 필요하지 않다. 학습 결과물은 Amazon S3에 저장한 뒤 별도 실시간 추론 엔드포인트에 배포해 평가한다.
7. Studio에서의 배포와 준비 시간
SageMaker Studio의 JumpStart 모델 목록에서 OpenTSLM을 검색하면 OpenTSLM-Flamingo Gemma 3 4B 모델 페이지에서 모델 ID, 라이선스, 요청 및 응답 형식을 확인할 수 있다. 배포 시에는 Gemma 이용 약관을 검토하고 최종 사용자 라이선스 계약에 동의한 뒤 기본 인스턴스인 ml.g6.2xlarge 또는 다른 지원 인스턴스를 선택한다. 글의 작성진이 시험한 환경에서는 엔드포인트가 요청을 받을 수 있는 InService 상태에 이르기까지 약 6분이 걸렸다. 배포된 엔드포인트 이름은 추론 요청을 보내거나 나중에 배포 자원을 정리할 때 사용한다. 글은 Studio 화면을 이용하는 방법과 함께 SageMaker Python SDK v3의 ModelBuilder를 이용하는 방법도 소개하며, 이 경로로 배포할 때도 같은 Gemma 이용 약관에 동의해야 한다.
🧾 핵심 주장 / 시사점
- Spark의 디스크 예시는 서로 다른 두 가지 결과를 확인한다. 확보된 공간은 기기에서 측정하고, 파일 저장이나 속도 문제가 나아졌는지는 직원에게 묻는다.
- 약 10.5GB는 OpenTSLM-Flamingo 가중치의 메모리 점유량이다. 실제 배포 용량을 정할 때 적용할 수치는 글이 제시한 단일 GPU 메모리 최소 24GB다.
- 대표 사례에서 모델 응답을 검증하는 역할을 애플리케이션에 두면, TimeNet으로 불러온 데이터로 모델을 조정한 뒤 실제 업무에 사용할 체크포인트를 선택할 수 있다.
✅ 액션 아이템
- Spark의 디스크 공간 부족 사례에서는 기기 상태와 직원 동의를 확인하고, 정리 후 가용 공간과 증상 개선 여부를 함께 점검한다.
- OpenTSLM 배포 전 bfloat16 지원 여부, GPU 메모리 24GB 이상, 권장 호스트 메모리 32GB와 선택한 인스턴스 유형의 엔드포인트 할당량을 확인한다.
- TimeNet으로 불러온 ARFBench 데이터로 미세 조정한 체크포인트를 별도 실시간 추론 엔드포인트에서 대표 사례로 평가한 뒤 교체 여부를 판단한다.
❓ 열린 질문
- Spark가 디스크 정리 후 가용 공간 증가를 확인했을 때 직원이 겪던 증상도 개선됐는지는 어떻게 확인할 수 있는가?
- OpenTSLM-Flamingo의 가중치가 차지하는 약 10.5GB와 실제 실행에 필요한 GPU 메모리 24GB 이상은 배포 자원을 선택할 때 각각 무엇을 뜻하는가?
- ARFBench로 미세 조정한 체크포인트를 별도 실시간 추론 엔드포인트에서 평가할 때 어떤 대표 사례로 교체 여부를 판단할 수 있는가?