연구팀에 필요한
분석 환경을 배정합니다.

병원 내부 GPU·저장소와 승인된 외부 GPU·협력기관 클러스터를 각각의 실행 환경으로 연결합니다. 기관별 클러스터와 네트워크 경계를 유지하며, 프로젝트 정책에 따라 작업을 실행할 위치를 정합니다.

여러 GPU를 사용하는 분산 학습은 해당 실행 환경의 연산·통신 조건에 맞춰 구성합니다. 외부 환경 연계와 데이터 이동 범위는 기관의 승인·접근 정책에 따라 설계합니다.

작업 규모와 장비의 지원 범위에 맞춰 제공 방식을 선택합니다. 전용 배정, 하드웨어 분할, 컨테이너 공유, 시간 공유는 적용 계층과 조건이 다르며 환경에 따라 조합할 수 있습니다.

전용 GPU

GPU 장치 전체를 작업에 배정합니다.

MIG 분할

지원 GPU를 하드웨어 인스턴스로 분할합니다. 장비가 지원하는 프로파일에 따라 제공 단위를 정합니다.

컨테이너 GPU 공유

여러 연구 작업이 GPU를 공유하며, 컨테이너별 GPU 메모리와 연산 사용 한도를 설정합니다. 소프트웨어 방식의 사용량 제어이며 물리적 분할이나 일정한 처리 성능을 보장하는 방식은 아닙니다.

시간 공유

여러 작업이 GPU 실행 시간을 나눠 사용합니다. 메모리·장애 격리는 별도 구성에 따라 달라집니다.

VM용 vGPU는 가상 머신에 GPU를 제공하는 별도 선택 구성입니다. 컨테이너 GPU 공유와 구분하며 장비·가상화 환경·라이선스 조건에 맞춰 적용합니다.

인증·권한 게이트웨이에서 기관 로그인, 사용자·팀별 프로젝트 권한과 데이터 접근 범위를 연결합니다. 연구자는 배정된 작업 공간에서 사용할 데이터와 분석 환경을 선택합니다.

Kubernetes 기반 운영 계층은 팀별 작업 큐, 우선순위와 GPU·CPU·메모리 한도를 적용해 자원을 배정합니다. 관리자는 대기·실행·완료 상태와 팀별 사용량을 살펴보고 배정 정책을 조정합니다.

노트북·분석 환경

필요한 도구가 준비된 환경을 웹에서 열고 연구 데이터를 분석합니다. 반복 작업은 정해진 실행 조건으로 제출하고 진행 상태를 확인합니다.

학습 작업

작업에 맞는 전용·공유 GPU를 배정합니다. 여러 GPU가 필요한 학습은 지원 환경에서 함께 실행할 자원을 확보하도록 구성합니다.

데이터와 결과

프로젝트 저장소의 연구 데이터를 실행 환경에 연결하고, 결과와 학습 중간 상태인 체크포인트를 저장합니다. 연구자는 기관의 반출·공유 기준에 따라 결과를 확인하고 내려받습니다.