런치: ML 학습 잡 사전 점검 체크리스트

무엇을 해주나

• 설정 diff: 최근 수정된 참조 config를 찾아 실행할 config와 비교하고, num_workers, batch_size, learning_rate, mixed_precision, grad_accum, seed 같은 '조용한 성능 저하' 항목을 한 줄씩 검토합니다.
• 런 이름 규율: run-1, phase2-internal 같은 내부 코드명을 금지하고 <데이터셋/태스크>-<모델>-<핵심설정>-<레시피> 형태의 설명적 이름을 제안합니다.
• 경로 검증: 데이터셋, 사전학습 체크포인트, 출력 디렉터리 부모, config 파일이 실제로 존재하는지 ls로 확인합니다.
• 모니터링 자동 감지: 환경변수와 런처 코드를 보고 wandb / neptune / mlflow / tensorboard 중 무엇이 쓰이는지 판별하고 프로젝트·태그 설정을 확인합니다.
• ETA 계산: 에폭 수 × 에폭당 시간으로 종료 시각을 로컬 타임존으로 알려주고, 회의·수면 시간과 겹치면 분할·연기를 권합니다.
• 재시작/종료 정리: 로컬 체크포인트 → 원격 아티팩트 → 트래커 런 → 스케줄러 예약(SLURM scancel 등) 순으로 잔여 상태를 정리합니다.

이런 분께 추천

• 수 시간~수 일 걸리는 딥러닝 학습을 직접 돌리는 연구자·ML 엔지니어
• torchrun, accelerate launch, deepspeed, sbatch로 다중 GPU 잡을 제출하는 분
• 잘못된 설정이나 없는 경로 때문에 학습을 날려본 경험이 있는 분

활용 예시

1. "이 커맨드로 학습 시작해줘"라고 요청하면 → baseline config와 diff를 떠서 num_workers=8이 NFS에서 위험하다는 점, lr이 배치 변경에 맞춰 조정되지 않은 점을 지적하고 수정 후 복사 가능한 최종 커맨드를 제시합니다.
2. "어젯밤에 죽은 런 다시 돌려줘"라고 하면 → 로컬/원격 체크포인트 디렉터리, wandb 런, SLURM 예약까지 순서대로 정리한 뒤 재실행합니다.
3. "이 sbatch 스크립트 검토해줘"라고 하면 → 데이터셋·체크포인트 경로 존재 확인, 런 이름 개선안, 예상 종료 시각(로컬 시간)을 함께 보고합니다.

이 파일의 지시를 읽고 그대로 따라서 나를 도와줘:
https://raw.githubusercontent.com/fcakyon/phd-skills/HEAD/plugin/skills/launch/SKILL.md

내가 원하는 것: (여기에 하고 싶은 일을 쓰세요)

클로드스킬마트에서 찾은 스킬을 설치해줘.
GitHub 저장소 fcakyon/phd-skills 의 plugin/skills/launch 폴더를 내 ~/.claude/skills/fcakyon-launch/ 에 그대로 복사해줘.
설치가 끝나면 이 스킬로 무엇을 할 수 있는지 한 줄로 알려줘.