FedOps 튜토리얼

공개 의료 데이터 하나로 연합학습의 두 역할 — Task Owner 와 Client — 을 직접 해 보며 배우는 FedOps 1.3 튜토리얼

English

이 튜토리얼은 버튼 순서만 알려 주지 않습니다. 각 단계에서 지금 무엇을 하는지, 왜 하는지, 옵션을 바꾸면 무엇이 달라지는지와 그 밑에 깔린 연합학습 배경을 함께 설명합니다. 다 따라 하고 나면 같은 흐름을 내 데이터와 내 모델에 적용할 수 있는 것이 목표입니다.

무엇을 하나요

서로 다른 나라의 병원 두 곳이 환자 기록을 한곳에 모으지 않고 심장병 판별 모델(없음/있음) 을 함께 학습합니다. 데이터는 실제로 병원별로 모아 공개된 UCI Heart Disease 입니다 — 헝가리 병원 기록은 Task Owner 가, 미국 클리블랜드 병원 기록은 Client 가 맡습니다. Owner 는 학습을 설계하고 운영하고, Client 는 자기 데이터로 학습에 참여합니다. 학습이 끝나면 그 모델을 LLM Agent 의 도구로 붙여 API 로 부르는 데까지 갑니다.

먼저 역할을 고르세요

나는…읽을 순서
연합학습을 열고 운영한다 (Task Owner)공통 기초 → Task Owner 트랙 → (선택) 모델 활용 트랙
남이 연 연합학습에 내 데이터로 참여한다 (Client)공통 기초 → Client 트랙
혼자서 두 역할을 다 해 보고 싶다공통 기초 → Owner 트랙 1~5 → Client 트랙 → Owner 트랙 6~7. 한 계정이 Owner 이자 Client 가 될 수 있습니다
만들어진 모델을 내 서비스에 붙이고 싶다공통 기초 → 모델 활용 트랙

전체 흐름 — 두 역할이 어디서 만나나

sequenceDiagram
  autonumber
  participant O as Task Owner<br/>(헝가리 병원)
  participant F as FedOps<br/>(Console · Registry · 집계 서버)
  participant C as Client<br/>(클리블랜드 병원)
  O->>O: 데이터·모델 설계 (FedOps 없이)
  O->>F: Task 만들기 · 코드와 Initial Model 게시
  C->>F: Registry 에서 Task 찾기 · 참여 요청
  F-->>O: 참여 요청 알림
  O->>F: 참여 승인
  C->>C: Workspace 열기 · 내 데이터 두기 · 참여 준비 점검
  O->>F: 캠페인 설정 · 서버 시작
  loop 라운드마다
    F->>C: 현재 Global Model 파라미터
    C->>C: 내 데이터로 로컬 학습
    C->>F: 학습된 파라미터만 (데이터는 보내지 않음)
    F->>F: FedAvg 로 합치기
  end
  F-->>O: Global Model vN · 지표
  F-->>C: 내 참여 기록 · 지표

두 역할이 만나는 곳은 세 군데뿐입니다. ③ 참여 요청 ↔ ⑤ 승인, ⑦ 서버 시작 ↔ 라운드 참여, 그리고 결과입니다. 나머지는 각자 자기 화면에서 따로 진행합니다. 각 페이지 맨 위의 📍 지금 어디 상자가 이 그림의 어디쯤인지 알려 줍니다.

페이지를 읽는 법

모든 단계 페이지는 같은 틀로 되어 있습니다.

상자내용
📍 지금 어디전체 흐름에서 현재 위치와 다음 단계
🎯 이 단계에서 하는 일무엇을, 왜 하는지
🖱️ 따라 하기실제 화면 캡처. 빨간 네모 + 번호가 누를 곳이고 설명의 번호와 같습니다
⚙️ 옵션 해설화면의 각 옵션이 무엇을 정하는지, 바꾸면 무엇이 달라지는지, 이 튜토리얼은 왜 그 값을 골랐는지
📚 연합학습 배경그 선택 밑에 있는 연합학습 개념 (접힌 상자)
✅ 체크리스트다 채우면 다음 단계로

준비물과 시간

항목필요한 것
PCmacOS / Windows / Linux, 메모리 16 GB 권장, 디스크 20 GB 이상 여유
Docker최신 Docker Desktop (또는 Docker Engine + compose)
Python3.10 이상 3.13 미만 (3.12 권장)
계정FedOps 계정. 이 튜토리얼은 Owner 1명 + Client 1명, 계정 2개(PC 2대 권장) 기준입니다
데이터실습 템플릿에 UCI Heart Disease 원본이 들어 있습니다. prepare_data.py 가 병원별 CSV 를 만들고, Owner 는 hungarian(헝가리), Client 는 cleveland(클리블랜드)를 씁니다
트랙시간
공통 기초 (설치·LLM 다운로드 포함)1~2시간
Task Owner2~3시간
Client1시간
모델 활용1~2시간

알아 둘 것

  • 교육용 공개 데이터입니다. 여기서 만든 모델은 진단에 쓰지 않습니다.
  • 이 튜토리얼의 목표는 높은 정확도가 아니라 FedOps 로 연합학습을 끝까지 돌려 보는 것입니다. 이 데이터의 정확도는 0.75~0.8 안팎이고, 화면의 숫자는 실측 예시입니다.
  • 참여자마다 다른 병원 데이터를 씁니다. 연합학습 중에는 서로의 데이터를 보내거나 보지 않습니다.
  • FedOps 1.3 과 Agent Studio 의 2026-10 화면 기준입니다. 이후 버전에서 버튼 이름이 달라질 수 있습니다.
  • 실습 템플릿: https://github.com/gachon-CCLab/FedOps-hands-on-guide
  • 데이터 출처: Janosi, Steinbrunn, Pfisterer, Detrano (1989), Heart Disease, UCI Machine Learning Repository, https://doi.org/10.24432/C52P4X (CC BY 4.0)

Back to top

© 2026 Cognitive Computing Lab, Gachon University