Microsoft Teams Blog articles ... 노트

Microsoft Teams Blog articles 한국어

TechNet의 Microsoft Teams Blog은 Microsoft Teams에 대한 다양한 주제를 다루는 헌신적인 플랫폼입니다. 이는 향후 기능, 제품 개선 및 사용자 경험 향상을 위한 최적의 방법에 대한 Microsoft 제품 팀 멤버, MVP 및 분야의 다른 전문가들이 작성한 기사로 구성되어 있습니다. 블로그 포스트는 Microsoft Teams의 다양한 측면을 다루고 있습니다. 구성, 배포, 문제 해결, 사용자 피드백 및 공유 지식을 포함하여.

노트 스레드

Azure MCP Server를 통해 연결된 AI 어시스턴트는 이제 엔지니어가 Azure 애플리케이션의 느린 속도를 진단하는 데 도움을 줄 수 있습니다. 이 연결을 통해 AI는 Azure Monitor를 쿼리하고, 구성을 검사하며, 리소스를 비교하여 조사를 간소화할 수 있습니다. 그러나 이 기능은 제대로 관리되지 않으면 상당한 보안 위험을 초래합니다. 주요 우려는 AI가 민감한 Azure 데이터에 액세스하거나 승인되지 않은 프로덕션 변경을 수행할 가능성입니다. 이러한 위험을 완화하려면 계층화된 보안 접근 방식이 필수적이며, 엄격한 ID 및 액세스 관리부터 시작해야 합니다.각 AI 상호 작용은 Entra ID에 대한 최소 권한 원칙을 활용하고 필요한 리소스에 대한 액세스를 제한하는 특정 권한으로 제한되어야 합니다. 애플리케이션의 원격 분석은 신뢰할 수 없는 입력으로 취급되어야 하며, 지침으로 해석되는 것을 방지하고 프롬프트 주입을 방지해야 합니다. 읽기 전용 액세스는 변경 위험을 줄이지만 토큰이나 고객 데이터와 같은 민감한 정보를 노출하지 않도록 신중한 데이터 처리가 여전히 필요합니다.결과적인 작업에 대한 유효성 검사 및 승인 워크플로를 통해 올바른 Azure 리소스를 대상으로 지정하는 것이 중요합니다. Key Vault와 같은 서비스에 대한 데이터 평면 권한은 자격 증명 노출을 방지하기 위해 관리 평면 액세스와 분리되어야 합니다. Azure MCP Server 자체도 자격 증명을 신중하게 관리하고 액세스를 제한하여 보안을 유지해야 합니다. 자동화로 인한 실수 증폭은 작업에 대한 제한과 강력한 오류 처리를 구현해야 합니다. Azure Policy 및 거버넌스는 필수적인 가드레일을 제공하며, 포괄적인 로깅은 모든 AI 기반 활동의 관찰 가능성과 감사에 중요합니다.
비즈니스에서는 워크플로우를 위해 문서를 구조화된 데이터로 변환해야 하는 경우가 많습니다. 여기에는 다운스트림 시스템을 위한 올바른 값과 레코드를 추출하는 작업이 포함됩니다. 긴 문서와 반복적인 테이블은 이 과정에 어려움을 줍니다. 연구원들은 고급 프론티어 모델에 대한 비용 효율적인 대안으로 gpt-oss-20b와 gpt-oss-120b를 테스트했습니다. 처음에는 두 모델 모두 필드 커버리지에서 단점을 보였습니다. 성능 향상을 위해 작업별 미세 조정을 탐색했습니다. 그들은 모델에 문서 텍스트와 JSON 스키마를 제공하는 스키마 기반 추출 방법을 사용했습니다. 추출 정확도를 측정하기 위해 정밀도, 재현율 및 F1 점수를 사용했습니다. 미세 조정은 gpt-oss-20b와 gpt-oss-120b 모두에 대해 F1 점수를 크게 향상시켰습니다. gpt-oss-20b는 더 큰 상대적 이득을 보인 반면, gpt-oss-120b는 더 높은 최종 F1 점수를 달성했습니다. 이 모델들은 프론티어 모델에 미치지는 못했지만, 작업별 미세 조정의 가치를 입증했습니다. 이 연구는 훈련 전에 더 간단한 접근 방식을 평가하고 성능을 측정하는 것이 중요하다는 결론을 내립니다. Foundry Interactive Training과 같은 도구를 사용한 맞춤형 미세 조정은 상당한 개선을 가져올 수 있습니다. 최종 모델 선택은 입증된 품질과 전체 배포 비용에 따라 달라집니다.
Microsoft Marketplace는 클라우드, AI 및 비즈니스 요구 사항을 위한 229개의 새로운 솔루션을 출시했습니다. Accenture NewsPage는 유통업체를 위한 Route-To-Market 가치 사슬을 디지털화합니다. Assurance Map은 조직의 취약점을 시각화하고 Microsoft Teams와 통합됩니다. Ataytis Motion은 추세 시각화를 위해 Power BI 보고서에 애니메이션 차트를 추가합니다. Blekline Mark 및 Redact는 Kubernetes에서 AI 코딩 에이전트에 대한 거버넌스를 제공합니다. Charm Security의 AI 워크포스는 인간 중심의 사기에 맞서 싸웁니다. CSCloudSolutions FinOps는 Azure 청구에서 실행 가능한 통찰력을 제공합니다. Digital Gov DMS는 공공 부문을 위한 문서 관리 솔루션입니다. Dimension Management Transact는 Dynamics 365 Business Central에서 차원 관리를 단순화합니다. Dropbox Sign는 Dynamics 365 Business Central에 문서 서명을 통합합니다. Elsagility는 고객 계정에 대한 워크플로 관리를 간소화합니다. Humanly는 더 빠른 채용을 위해 후보자 참여를 자동화합니다. Kepion EPM은 Microsoft 네이티브 금융 계획 플랫폼입니다. Keytos Shield는 클라우드 기반 암호 없는 인증을 제공합니다. Kyvoi는 Microsoft 365에 대한 지속적인 모니터링 및 보안 평가를 제공합니다. LFM2-24B-A2B-InsilicoMMAI-Chem은 신약 개발 대규모 언어 모델입니다. QNSI는 암호화 자산 관리를 위한 양자 네이티브 보안 플랫폼입니다. Routebase는 간소화된 개발을 위한 API 수명 주기 플랫폼입니다. Shift Handover Log는 작업 추적으로 팀 인계를 개선합니다. Simmie는 현실적인 시뮬레이션을 위한 AI 영업 준비 플랫폼입니다. SqlCertForge는 SQL Server 인증서를 안전하게 관리합니다. Symitri Prism은 전자 상거래 캠페인 결정에 1차 데이터를 사용합니다. Tenant Strike는 Microsoft 365 및 Azure에 대한 보안 스캐너입니다. LG CNS는 Azure에서 AI 인프라를 위한 프라이빗 GPU 서비스를 제공합니다. ThePoint는 빠른 인트라넷 생성을 위한 SharePoint 웹 파트를 제공합니다. AKS의 Titan SFTP Server는 안전한 파일 전송을 제공합니다. V-Track은 은행을 위한 담보 수명 주기 관리를 중앙 집중화합니다. VeriForm Health는 AI를 위한 합성 의료 데이터 세트를 생성합니다. VR Payment는 Dynamics 365 Business Central에 QR 코드 결제를 통합합니다. Your DMARC Exposed는 DMARC 보고서 분석을 단순화합니다. Zentrix Advanced Gantt는 Power BI에서 고급 프로젝트 일정을 제공합니다.
엔드포인트와 AI 전략이 AI 워크로드가 역량 있는 디바이스 전반에 걸쳐 분산됨에 따라 통합되고 있습니다. IT 리더는 이제 디바이스 결정이 미래 AI 플랫폼에 미치는 영향을 고려해야 합니다. 엔터프라이즈 AI는 플랫폼, 모델, 클라우드 서비스에 중점을 두었지만, AI PC는 엔드포인트를 중요한 실행 환경으로 도입합니다. 다양한 AI 워크로드는 다양한 실행 환경을 필요로 하며, 민감하거나 지연 시간에 민감한 작업은 로컬 처리를 통해 이점을 얻습니다. 클라우드 모델은 대규모 또는 복잡한 추론 작업에 이상적입니다. 하이브리드 인텔리전스는 로컬 및 클라우드 리소스를 통합하여 디바이스를 AI 플랫폼의 능동적인 부분으로 만듭니다. 시간 경과에 따라 작동하고 데이터에 액세스하는 에이전트는 아키텍처 결정을 더욱 복잡하게 만듭니다. 이러한 교차점은 애플리케이션 설계, 보안 및 비용에 영향을 미치며, 엔드포인트, 보안 및 애플리케이션 팀 간의 협업을 요구합니다. 조직은 디바이스를 표준화하면서 까다로운 AI 워크로드를 위한 특수 구성을 제공할 수 있습니다. 기존 클라우드 기반 AI 솔루션은 로컬 추론을 통해 확장되어 디바이스와 클라우드 간에 처리를 분산할 수 있습니다. 실패 및 대체 전략은 엔드포인트 및 클라우드 기반 워크로드 모두에 중요하며, 보안, 개인 정보 보호 및 안정성에 영향을 미칩니다. 에이전트 기반 애플리케이션은 파일 액세스, 도구 사용 및 환경 전반의 활동에 대한 제어가 필요합니다. Microsoft Execution Containers 및 Microsoft Agent 365와 같은 기술은 엔터프라이즈의 일부로 에이전트 활동을 관리하는 것을 목표로 합니다. 워크로드 배치는 응답 시간, 개인 정보 보호, 연결성 및 사용 가능한 리소스와 같은 요인에 따라 달라집니다. 하이브리드 런타임은 실시간 조건에 따라 적절한 로컬 또는 클라우드 리소스로 작업을 동적으로 라우팅할 수 있습니다. 소프트웨어 개발은 복잡한 문제에 클라우드 모델을 활용하고 대상 작업에 로컬 모델을 활용함으로써 이를 보여줍니다. 로컬 실행에는 호환되는 모델, 런타임, 애플리케이션 경로 및 충분한 시스템 용량이 필요합니다. Windows ML은 다양한 하드웨어 리소스에서 지원되는 모델을 실행하기 위한 기반을 제공합니다. 로컬 추론을 통합한다는 것은 하드웨어가 아키텍처의 필수적인 부분이 되어 성능과 비용에 영향을 미친다는 것을 의미합니다. 디바이스 계획은 직원 역할과 잠재적인 전용 로컬 인프라를 고려해야 합니다. 현장 검사 워크플로 및 코파일럿은 로컬 및 클라우드 기능을 결합하여 하이브리드 인텔리전스를 보여줍니다. 로컬 AI 워크로드는 전체 디바이스 활동의 맥락에서 평가되어야 합니다. 디바이스 제조업체는 컴퓨팅, RAM 및 전력을 고려하여 진화하는 AI 환경을 지원하는 하드웨어를 설계하고 있습니다. 대표적인 하드웨어에서 애플리케이션을 테스트하는 것은 실제 성능을 이해하고 정보에 입각한 배치 결정을 내리는 데 중요합니다. 로컬 추론의 경제성은 로컬 컴퓨팅 비용과 클라우드 추론 비용 간의 절충을 포함합니다.
FSLogix가 사용자별 VHDX 컨테이너로 동기화 루트를 리디렉션할 때 Cloud Files 동기화 공급자가 문제를 겪습니다. 특히, CfExecute 호출이 온디맨드 채우기가 활성화되어 있고 최근에 액세스되지 않은 플레이스홀더 디렉토리 내에 존재하지 않는 하위 항목의 이름 조회를 트리거하는 특정 FETCH_PLACEHOLDERS 콜백에 대해 E_INVALIDARG 오류로 실패합니다. 그러나 디렉토리 열거 콜백은 올바르게 처리됩니다.이 문제는 FSLogix 프로필 컨테이너를 사용한 Windows Server 2022 및 2025의 클린 설치에서 재현될 수 있습니다. 동기화 루트가 FSLogix 리디렉션된 프로필 내에 있지 않은 경우(예: 일반 VHDX 볼륨 또는 마운트 지점, 또는 Windows 11)에는 이 문제가 발생하지 않습니다. 다른 OS 패치 수준 및 FSLogix 릴리스는 이 버그의 재현성에 영향을 미치지 않았습니다.해결 방법에는 콜백에 응답하기 전에 FILE_LIST_DIRECTORY로 디렉토리를 열거나 CfUpdatePlaceholder를 사용하여 디렉토리에 대한 온디맨드 채우기를 비활성화하는 것이 포함됩니다. 공급자는 현재 디렉토리 열기 해결 방법을 사용하고 있습니다. 개발자들은 FSLogix 리디렉션된 프로필에서 Cloud Files 동기화 루트의 알려진 문제인지 확인을 요청하고 있습니다. 공개 저장소에서 문제를 시연하기 위한 PowerShell 스크립트와 로그를 제공했습니다. 자세한 내용과 환경 매트릭스 정보는 Microsoft Q&A에서 확인할 수 있습니다.
Azure SQL Database는 인프라 관리 없이 원활한 컴퓨팅 확장을 제공합니다. 확장 작업은 vCore 조정 이상의 작업을 포함하며, 새 컴퓨팅 프로비저닝, 데이터 준비, 연결 전환, 이전 환경 정리 등을 포함합니다. 확장 작업에 소요되는 시간은 두 데이터베이스 간에 동일해 보이는 변경 사항에 대해서도 상당히 다를 수 있습니다.데이터베이스 크기는 주요 요인으로, 더 큰 데이터베이스는 대상 컴퓨팅에서 더 많은 데이터 준비가 필요합니다. 데이터베이스의 활성 워크로드는 확장 기간에 영향을 줄 수 있으며, 대상 환경 준비 중에 데이터베이스는 온라인 상태를 유지합니다. 전환 시점에 발생하는 장기 실행 트랜잭션은 연결 전환을 지연시키고 작업을 연장할 수 있습니다. Azure SQL 내의 리소스 가용성은 작업이 보류 상태로 들어가 전체 시간을 늘릴 수 있습니다.확장 작업은 Azure PowerShell의 Get-AzSqlDatabaseActivity 및 Get-AzSqlDatabase cmdlet을 사용하여 모니터링할 수 있습니다. sys.dm_operation_status DMV는 PENDING 및 IN_PROGRESS와 같은 작업 상태에 대한 SQL 측면 보기를 제공합니다. sys.dm_operation_status의 PercentComplete 열은 일반적으로 확장 작업의 세분화된 진행률보다는 작업 상태를 나타냅니다.확장 중에는 데이터베이스가 계속 사용 가능하며, 전환까지 원래 컴퓨팅으로 연결이 계속됩니다. 전환 자체는 짧은 중단을 유발하며, 애플리케이션은 재시도 로직을 구현해야 합니다. 느린 확장 작업이 반드시 실패를 의미하는 것은 아니며, 복잡한 준비 단계를 처리하고 있을 수 있습니다. 문제 해결에는 정확한 변경 사항 확인, 데이터베이스 크기 비교, 워크로드 활동, 장기 실행 트랜잭션 확인 등이 포함됩니다.
최근 세션에서는 Query Store와 SSMS Copilot을 결합하여 SQL 성능 문제를 조사하는 방법을 시연했습니다. 데모에는 테이블을 증가시켜 성능 변화와 다른 쿼리 실행 계획을 유발한 PHP 프로그램이 포함되었습니다. 주요 관찰 사항은 동일한 Plan ID 하에서 쿼리 실행 시간이 극적으로 증가하여 계획 내 성능 저하를 나타냈다는 것입니다. 세션에서는 Copilot이 Ask 모드에서 Agent 모드로 발전하며 조사를 안내하는 방법과 이러한 프로세스를 재사용 가능한 스킬로 캡처하는 방법을 보여주었습니다. Query Store는 과거 성능 데이터를 제공했으며, Copilot은 이 데이터를 분석하고 다음 단계를 결정하는 데 도움을 주었습니다. 실질적인 시연에서는 PHP 프로그램을 사용하여 단계별로 테이블에 레코드를 추가하여 다양한 성능 문제를 시뮬레이션했습니다. 데이터 볼륨이 증가함에 따라 dbo.GiveNotes 쿼리의 실행 계획과 성능이 발전했습니다. 상세한 비교를 통해 새로운 계획이 도입되기 전에도 하나의 Plan ID에 대해 CPU, 지속 시간 및 논리적 읽기 수가 크게 증가했음을 밝혔습니다. 조사는 변경 사항의 타임라인을 구축하고 워크로드 기여자의 집계된 영향을 이해하는 데 중점을 두었습니다. 가중 평균은 다른 간격과 실행 횟수에 걸쳐 성능을 정확하게 평가하는 데 중요했습니다. 논리적 읽기 수의 증가는 데이터 처리 및 액세스 경로 문제를 가리켰습니다. 세션에서는 Copilot과 상호 작용하는 세 가지 방법, 즉 안내 질문을 위한 Ask 모드, 자율 진단을 위한 Agent 모드, 표준화된 조사를 위한 재사용 가능한 Agent 스킬을 탐구했습니다. SQL Performance Investigator 팩이 개발되어 에이전트에게 기여자 식별, 계획 기록 분석, 계획 내 성능 저하 확인, 선택성, 통계 및 인덱스 조사하도록 지시했습니다. 제안된 인덱스가 평가되었지만 실제 개선은 비교 가능한 워크로드에 대한 추가 검증이 필요했습니다. 핵심 교훈은 성능 변화를 이해하려면 계획 간의 차이점과 단일 계획의 기록 내 변형을 모두 검토해야 한다는 것입니다.
Azure SQL Database에서 성능 문제가 발생했을 때 CPU 사용량만 확인하는 것은 불충분합니다. 쿼리는 건강한 리소스 메트릭에도 불구하고 실행되기보다는 대기하는 데 대부분의 시간을 보낼 수 있습니다. 중요한 질문은 단순히 CPU 사용량이 얼마나 되는지가 아니라, 경과 시간이 어디에 사용되고 있는가입니다. 리소스 사용량은 초기 점검 지점이 되어야 하며, sys.dm_db_resource_stats에 대한 쿼리를 통해 CPU, 데이터 IO, 로그 IO, 메모리 또는 워커 제한에 도달하고 있는지 확인할 수 있습니다. 리소스가 포화되지 않았다면, 대기 통계 분석이 필요합니다.인메모리 경합에 대한 PAGELATCH_* 또는 차단에 대한 LCK_M_과 같은 대기 패턴은 추가 조사가 필요한 영역을 나타냅니다. PAGEIOLATCH_ 대기는 물리적 I/O와 관련이 있으며, PAGELATCH_* 대기는 이미 메모리에 있는 페이지에 대한 동기화와 관련이 있으며 단일 핫 페이지에 대한 높은 동시성으로 인해 발생할 수 있습니다. 쿼리 실행 빈도 또한 개별 쿼리 비용뿐만 아니라 성능에 상당한 영향을 미칩니다. Query Store는 쿼리 실행 기록을 추적하는 데 중요하며, 시간에 따른 지속 시간, CPU 사용량 및 대기 동작을 비교할 수 있습니다.쿼리가 긴 경과 시간을 가지지만 CPU 사용량이 낮은 경우, 클라이언트 애플리케이션이 결과를 충분히 빠르게 소비하지 못하고 있음을 나타내는 경우가 많은 ASYNC_NETWORK_IO와 같은 대기를 조사하십시오. 첫 번째 행까지의 시간과 마지막 행까지의 시간을 측정하면 데이터베이스 응답 시간과 결과 소비 시간을 구별하는 데 도움이 될 수 있습니다. 세션이 다른 트랜잭션을 기다리는 지속적인 차단은 CPU 사용량이 낮더라도 인지된 느림을 유발할 수 있습니다. 데이터베이스를 확장하는 것은 근본적인 성능 병목 현상을 해결하기보다는 일반적인 리소스 가용성을 개선함으로써 근본 원인을 숨길 수 있습니다. 실용적인 워크플로우에는 인시던트 창 정의, 리소스 확인, CPU와 경과 시간 비교, 지배적인 대기 식별, 차단 확인, Query Store 사용, 실행 계획 검사 및 애플리케이션 조사 등이 포함됩니다. 궁극적으로 Azure SQL 성능을 효과적으로 문제 해결하려면 데이터베이스가 얼마나 바쁘게 보이는지만이 아니라 시간이 어디에 사용되고 있는지를 이해해야 합니다.
이 블로그 게시물은 Microsoft Azure에서 미션 크리티컬한 Oracle 데이터베이스를 위한 고가용성(HA) 아키텍처를 논의하며, 특히 FlashGrid Cluster를 사용하여 가용성 영역 전반에 걸쳐 Oracle RAC를 활성화합니다. 조직은 Oracle AI Database@Azure, 자체 관리형 단일 인스턴스 또는 Oracle RAC 중에서 선택해야 합니다. Oracle Data Guard는 대기 데이터베이스를 유지하여 가용성 영역 장애로부터 보호하는 데 도움이 됩니다.Oracle RAC는 롤링 유지 관리 중 제로 다운타임과 예기치 않은 장애 발생 시 거의 제로 복구 시간 목표(RTO)를 제공하는 액티브-액티브 HA를 제공하며, 미션 크리티컬 HA에 대해 Data Guard보다 뛰어난 성능을 발휘합니다. Azure는 99.99%의 가동 시간 SLA를 위해 가용성 영역 전반에 걸친 다중 VM 배포를 권장합니다. Oracle RAC에 대한 두 가지 다중 AZ 옵션이 제안됩니다. Data Guard 복제를 사용하는 두 개의 RAC 클러스터 또는 두 개 또는 세 개의 가용성 영역에 걸쳐 있는 단일 RAC 클러스터입니다.옵션 A, Data Guard를 사용하는 두 개의 RAC 클러스터는 리소스를 복제하여 비용과 운영 복잡성을 증가시킵니다. 또한 Data Guard 장애 조치 시간을 도입하여 가동 시간 SLA에 영향을 미칩니다. 옵션 B, 단일 다중 AZ RAC 클러스터는 로컬 RAC 클러스터와 동일한 HA 기능을 제공하며, 가용성 영역 장애로부터 보호합니다. FlashGrid Cluster는 자동화된 Azure Resource Manager 템플릿과 사전 테스트된 구성 요소를 사용하여 이 복잡한 배포를 단순화합니다.배포는 30-90분밖에 걸리지 않아 일반적인 온프레미스 Oracle RAC 배포보다 빠르고 간단합니다. Azure 가용성 영역 간의 네트워크 지연 시간은 일반적으로 1ms 미만이므로 대부분의 워크로드에 심각한 영향을 미치지 않습니다. 지연 시간에 민감한 Cache Fusion 작업의 경우 선호하는 데이터베이스 인스턴스를 사용하여 노드 간 트래픽을 최소화할 수 있습니다.어떤 옵션도 완전한 재해 복구 솔루션을 제공하지 않습니다. 지역 중단을 위해서는 일반적으로 비동기 Data Guard 또는 Oracle GoldenGate를 사용하는 다중 지역 DR 전략이 필요합니다. FlashGrid Cluster는 Azure에서 다중 AZ Oracle RAC를 위한 인프라를 자동화하여 클러스터를 복제하거나 Data Guard FSFO에 의존하지 않고 신속한 복구, 롤링 유지 관리 지원 및 가용성 영역 장애로부터 보호 기능을 제공합니다. FlashGrid Cluster는 Microsoft Marketplace에서 사용할 수 있으며, 2017년부터 프로덕션 배포가 이루어졌습니다.
이 문서는 애플리케이션 워크플로우 가속화를 위한 Jev 스타일의 타입화된 의사결정 인터페이스를 탐구하며, 구조화된 행동으로 이어지는 의미론적 이해에 초점을 맞춥니다. 이 문서는 모델이 주문 처리와 같은 애플리케이션에서 명시적 제약 조건에 대한 기존 규칙 및 개방형 문제에 대한 대규모 모델과 대조적으로 빠르고 제한된 결정을 내릴 수 있는 방법을 강조합니다. 핵심 개념은 빈번하고 국지적인 결정을 위해 소형 언어 모델(SLM)을 사용하여 의사결정을 행동에 가깝게 유지하는 것입니다. 이 접근 방식은 낮은 지연 시간, 작업 수준의 의도 결정이 중요한 수직 애플리케이션 및 구현 시스템에 유익합니다.아키텍처는 노동 분담을 강조합니다. 개방형 작업에는 대규모 모델, 제한된 의미론적 결정에는 소형 모델, 제약 조건에는 결정론적 코드를 사용합니다. 이 문서는 Qwen3.5-0.8B를 사용하여 일반 의사결정 구성 요소를 미세 조정하고 LoRA 미세 조정을 사용하며 ONNX로 내보내는 프로세스를 자세히 설명합니다. 이 워크플로우는 데이터에서 배포 가능한 의사결정 기능으로 가는 구체적인 경로 역할을 하며, 긴 답변보다는 제한된 선택을 학습하는 데 중점을 둡니다.전처리 단계는 각 질문을 학습 예제로 확장하여 선택, noul 및 점수와 같은 의사결정 유형이 특정 출력 형식과 일치하도록 합니다. Microsoft Olive를 사용하는 Olive 워크플로우는 미세 조정 설정을 표준화하고 재현 가능한 프로세스를 보장합니다. 주요 차이점은 Hmm 프로젝트의 후보 문자 혼합이 아닌 표준 전체 시퀀스 언어 모델 SFT를 사용한다는 것입니다. 내보내기 프로세스는 ModelBuilder를 사용하여 기본 모델, 어댑터, 토크나이저 및 구성을 배포 가능한 ONNX 단위로 패키징합니다.내보내기 프로세스 중 버전 경계 및 호환성 문제를 탐색하는 것은 강력한 버전 관리의 필요성을 강조하는 중요한 학습 포인트로 강조됩니다. 테스트는 두 단계로 구성됩니다. 모델이 실행되는지 확인하고 모델의 결정이 애플리케이션에서 사용 가능한지 확인합니다. 여기에는 옵션 문자 로짓에서 확률을 추출하여 모델의 출력을 선택, noul 및 점수 유형에 대한 분포로 해석하는 것이 포함되며, 이는 보정된 정확성보다는 집중도를 측정합니다.
Bob Ward가 다양한 SQL 플랫폼을 위한 새로운 오픈 소스 워크로드 시뮬레이션 도구 모음인 sqlsimtools를 출시했습니다. 이 프로젝트는 SQL Server의 고객 문제를 재현하는 데 중요한 역할을 했던 이전 도구인 ostress.exe를 현대적으로 재해석한 것입니다. Sqlsimtools는 사용자가 SQL 환경의 성능을 테스트하고 이해하는 방식을 혁신하는 것을 목표로 합니다. SQL Server 2019, 2022, 2025뿐만 아니라 Azure SQL Database, Azure SQL Managed Instance, Microsoft Fabric의 SQL 데이터베이스도 지원합니다. 공개 미리 보기에는 세 가지 주요 구성 요소가 포함됩니다. 네이티브 명령줄 도구인 sqlsim, Python 기반 대안인 sqlpysim, 구성 및 모니터링을 위한 브라우저 앱인 sqlsim Studio입니다. 사용자는 사용자 지정 벤치마크, 스트레스 테스트를 생성하고 캡처된 SQL Server 활동을 다시 실행할 수 있습니다. 이 도구는 유연한 인증을 제공하며 Windows, Linux 및 macOS에서 실행할 수 있습니다. Sqlsimtools는 또한 상세한 성능 비교를 위한 사전 및 사후 실험을 용이하게 합니다. 워크로드 자동화는 JSON 결과 및 라이브 이벤트 스트림을 통해 지원됩니다. 이 프로젝트는 워크로드 생성을 위해 AI 에이전트와의 통합을 장려합니다. 관심 있는 사용자는 aka.ms/sqlsimtools에서 찾을 수 있으며 GitHub를 통해 기여할 수 있습니다.