요약(TL;DR): 저는 AI 전공 대학원생입니다. 지난주 Google이 TabFM과 TimesFM을 출시한 것을 보고, 두 트랜스포머(transformer) 모델을 단일 Docker 컨테이너에서 제공하는 MCP 래퍼(wrapper)를 구축했습니다. 이를 통해 Open WebUI, Claude Code 또는 Codex를 통해 새로운 ML 트랜스포머 모델을 로컬 LLM에 연결하여, 이전에는 ML 모델을 직접 구축, 학습 및 튜닝해야 했던 ML 작업들을 수행할 수 있습니다. 클래식 ML 데이터셋(Iris, California Housing 등)으로 테스트한 결과, 제로샷(zero-shot)임에도 불구하고 기존에 튜닝된 ML 모델과 비교했을 때 상당히 견고한 정확도를 보였습니다(Iris의 경우 94.7%, 회귀 테스트의 R2는 0.87). 두 모델을 실행하려면 약 16GB의 VRAM이 필요합니다. 5분의 TTL(Time To Live)이 설정된 동적 모델 로드 및 언로드 기능을 추가했습니다. 현재 CSV를 지원하며, 곧 XLS, XLSX, JSON, JSONL 지원 예정입니다. PyTorch 기반이므로 CUDA만 지원합니다. DGX Spark, 3090, H100 및 16GB 이상의 VRAM을 가진 대부분의 Nvidia 장치에서 작동합니다. 설치 스크립트가 아키텍처를 자동으로 감지합니다. MCP를 사용해보고 싶다면 제 리포지토리는 여기 있습니다: https://github.com/porespellar/Zer0Fit

상세 버전:
저는 AI 석사 과정을 밟고 있으며, 얼마 전 이곳에서 지난주 출시된 Google의 새로운 Tabular 데이터 파운데이션 트랜스포머(foundational transformer) 모델인 TabFM에 대한 게시물을 보았습니다. ML 모델은 LLM과는 매우 다른 특성을 가지고 있기 때문에, ML 모델을 GenAI 영역으로 가져온다는 점이 이상하면서도 멋지다고 생각하며 매우 혁신적이라고 느꼈습니다. 이에 대한 Google의 원문 블로그 포스트는 여기 있습니다: https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/

어쨌든, 저는 이 새로운 모델들을 채팅 인터페이스에서 다뤄보고 성능을 테스트해보고 싶었습니다. 그래서 TabFM과 TimesFM 모델 모두를 위한 MCP 구현체를 만들었습니다. 아주 거창한 것은 아니며, PyTorch 버전을 빠르게 구현한 MCP 래퍼(wrapper)일 뿐입니다(이것은 CUDA에서만 실행됩니다). 저는 두 가지 빌드 대상을 염두에 두고 MCP를 제작했습니다: DGX Spark(CUDA 13 기반 arm 아키텍처)와 3090(CUDA 12.6 기반 AMD64). Google이 PyTorch를 사용하기 때문에 Mac은 지원하지 않습니다. 죄송합니다.

또한 제가 선호하는 채팅 클라이언트인 Open WebUI와도 연동되기를 원했기에, 해당 환경에서 가장 잘 작동하도록 설계하고 테스트했습니다. Claude Code 및 Codex CLI 지원도 추가했지만, 아직 이 부분들은 완전히 테스트해보지는 못했습니다. 설치 방법은 단순히 git clone 후 ./install.sh를 실행하면 됩니다. 전체 시스템은 단일 Docker 컨테이너에서 실행되며, 사용하지 않을 때 예약된 VRAM을 확보하기 위해 5분의 TTL (Time To Live)을 설정하여 모델을 VRAM에 동적으로 로드 및 언로드합니다. 또한 Open WebUI로 가져올 수 있는 Open WebUI Skill.md와 다른 프레임워크를 위한 skill.md 및 agents.md를 포함했습니다. 대부분의 데이터 과학 학생들이 AI/ML을 공부하며 접했을 법한 Kaggle의 꽤 전형적인 ML 데이터셋들로 테스트를 진행했습니다. 예시로 리포지토리에 데이터셋을 포함해 두었습니다. - Iris (분류기 (classifiers)) - California housing (회귀 (regression)) - Airline Passengers (시계열 예측 (time series forecast)) 이 커뮤니티의 많은 분이 ML 회귀 모델 (regressors), 분류기 (classifiers), 또는 예측 모델 (forecasters, 시계열)에 얼마나 관심을 두고 계실지는 모르겠습니다. 하지만 저는 한 학기 동안 이것들을 배우고 튜닝하려고 애썼지만, 제가 도대체 무엇을 하고 있는지조차 제대로 모른 채 모델을 과적합 (overfitting)시키거나, 도움이 되는지 해가 되는지도 모르는 온갖 종류의 파라미터 (parameters)를 변경하곤 했습니다. 모든 것이 제가 결코 완전히 이해할 수 없는 암흑의 기술 (dark art)처럼 느껴졌습니다. 솔직히 말해서, 저는 ML을 그리 좋아하지 않았습니다. 멋진 기술이라고는 생각하지만, 하이퍼파라미터 튜닝 (hyperparameter tuning)을 할 때 제가 도대체 무엇을 하고 있는지 이해할 수 있을 만큼의 수학적 기술이나 통계적 역량이 부족하기 때문입니다. 사람은 자신의 한계를 알아야 하니까요(LOL). 어쨌든, 앞서 말씀드린 것처럼 저는 그저 Google의 멋진 새로운 모델들을 실행시켜서, MCP에 데이터셋을 입력하기만 하면 Google이 이 파운데이션 모델 (foundational models)을 학습시킨 그 모든 ML의 마법을 수행하게 만들고 싶었습니다. 저와 같은 일반인도 쉽게 실행할 수 있도록 만들고자 노력했습니다. 다른 분들도 이 모델들을 테스트해보고 싶어 할 것 같아 공개 리포지토리로 만들었습니다.

직접 이것을 다뤄보고 싶으시다면 여기 있습니다: https://github.com/porespellar/Zer0Fit 지속적인 관심이 있다면 유지보수를 시도해 보겠지만, 계속해서 관리할 수 있다고 약속할 수는 없습니다. 그러니 자유롭게 리포지토리를 포크(fork)하여 원하는 방향으로 발전시켜 주세요. 저는 TabFM 및 TimesFM과 같은 모델들이 AI / ML 트리의 가지들을 은밀하게 하나로 합칠 것이라고 생각하며, 사람들이 미래에 이러한 개념들을 더 발전시킴에 따라 정말 멋지고 놀라운 일들을 보게 될 것이라고 믿습니다. 참고: 이 리포지토리는 단순히 모델을 실행하기 위해 급하게 만들어졌습니다. DGX Spark에서만 매우 제한적인 테스트를 수행했습니다. 다시 한번 말씀드리지만, 자유롭게 포크하여 원하는 만큼 개선해 주세요. 그리고 이 작업은 매우 실험적이라는 점을 꼭 기억해 주세요. 이 모델들이 생성한 예측(forecasts)이나 예측값(predictions)을 단순한 연구적 호기심 이외의 용도로 사용하지 마십시오. 사용에 따른 책임은 본인에게 있습니다. 만약 사용해 보신다면 이 리포지토리에 대해 어떻게 생각하시는지 알려주세요. 감사합니다. 이미지 속 테스트 결과에 관한 참고 사항: 저는 DeepSeek V4 Flash를 사용하여 테스트 스크립트를 작성했고, Claude Opus 4.6을 통해 테스트 방법, 코드 및 결과를 검토했습니다. 저는 통계/수학이 정확한지 알 만큼 충분히 똑똑하다고 주장하지 않습니다. 이곳의 매우 똑똑한 ML 연구자분들이 리포지토리를 테스트해 보시고, 비슷한 결과를 얻었는지 혹은 제 결과가 완전히 틀렸는지 알려주신다면 정말 감사하겠습니다. 다른 분들이 제 결과를 증명하거나 반증할 수 있도록