aiauto-client 0.1.10__tar.gz → 0.1.12__tar.gz

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: aiauto-client
-Version: 0.1.10
+Version: 0.1.12
 Summary: AI Auto HPO (Hyperparameter Optimization) Client Library
 Author-email: AIAuto Team <ainode@zeroone.ai>
 Project-URL: Homepage, https://dashboard.common.aiauto.pangyo.ainode.ai
@@ -68,23 +68,25 @@ for image in aiauto.RUNTIME_IMAGES:
 
 ## 실행 흐름
 ### token 발급 # TODO
-- `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
-- `https://dashboard.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
+- `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
 - 아래 코드 처럼 발급한 token 을 넣어 AIAutoController singleton 객체를 초기화, OptunaWorkspace 를 활성화 시킨다
 ```python
 import aiauto
+import time
 
 ac = aiauto.AIAutoController('<token>')
 ```
-- `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
-- 아래 코드 처럼 study 를 생성하면 `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+- 아래 코드 처럼 study 를 생성하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
 ```python
 study_wrapper = ac.create_study(
     study_name='test',
     direction='maximize',  # or 'minimize'
 )
+time.sleep(5)
 ```
-- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
+- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
 ```python
 study_wrapper.optimize(
     objective=func_with_parameter_trial,
@@ -93,6 +95,7 @@ study_wrapper.optimize(
     use_gpu=False,
     runtime_image=aiauto.RUNTIME_IMAGES[0],
 )
+time.sleep(5)
 ```
 - 종료 됐는지 optuna-dashboard 가 아닌 코드로 확인하는 법
 ```python
@@ -132,11 +135,14 @@ def objective(trial: optuna.trial.Trial):
 - 저장한 함수를 import해서 사용
 ```python
 import aiauto
+import time
 from my_objective import objective
 
 ac = aiauto.AIAutoController('<token>')
 study = ac.create_study('test', 'minimize')
+time.sleep(5)
 study.optimize(objective, n_trials=10, parallelism=2)
+time.sleep(5)
 ```
 
 ## 빠른 시작
@@ -146,12 +152,13 @@ study.optimize(objective, n_trials=10, parallelism=2)
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -159,7 +166,8 @@ study_wrapper = ac.create_study(
     direction="minimize"
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 def objective(trial: optuna.trial.Trial):
@@ -174,7 +182,8 @@ study_wrapper.optimize(
     n_trials=100,
     parallelism=4  # 동시 실행 Pod 수
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 ### 2. PyTorch 모델 최적화 (Single Objective)
@@ -182,12 +191,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -199,7 +209,8 @@ study_wrapper = ac.create_study(
         patience=4,
     ),
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -306,6 +317,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 3. Multi-Objective 최적화 (Accuracy + FLOPS)
@@ -313,12 +325,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -326,7 +339,8 @@ study_wrapper = ac.create_study(
     direction=["minimize", "minimize"],  # loss minimize, FLOPS minimize
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -434,6 +448,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision', 'fvcore']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 4. Ask/Tell 패턴 및 Optuna 자체의 Study
@@ -441,11 +456,12 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
 
 # Study 생성
 study_wrapper = ac.create_study(
@@ -457,7 +473,8 @@ study_wrapper = ac.create_study(
     #     patience=4,
     # )
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # 실제 optuna.Study 객체 획득 (로컬에서 ask/tell 가능)
 study = study_wrapper.get_study()
@@ -474,7 +491,7 @@ ret = (x - 2) ** 2 + (y - 3) ** 2
 
 # 결과 보고
 study.tell(trial, ret)
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 # lib build
@@ -495,11 +512,11 @@ make build push
     2) `StudyWrapper.get_study()` → 실제 `optuna.Study` 로드 후 **ask/tell** 직접 사용
 
 ### 2) 네트워크/도메인 규칙 (필수)
-- **Connect RPC (HTTPS/443)**: `https://api.aiauto.pangyo.ainode.ai`
+- **Connect RPC (HTTPS/443)**: `https://api.common.aiauto.pangyo.ainode.ai`
 - **Optuna Storage (gRPC, 평문 h2c/13000)**:  
   `{userID}.journal-grpc-storage-proxy.aiauto.pangyo.ainode.ai:13000`  
   → **항상 평문(h2c)**. 443/TLS 시도 **금지**.
-- 대시보드(웹): `https://dashboard.aiauto.pangyo.ainode.ai`
+- 대시보드(웹): `https://dashboard.common.aiauto.pangyo.ainode.ai`
 
 ### 3) 호출 순서 (결정 트리)
 1) 컨트롤러 생성: `AIAutoController(token)` → 토큰 검증 & 워크스페이스/엔드포인트 획득
@@ -521,10 +538,11 @@ make build push
 
 #### (A) 분산 실행
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study('exp1', direction='minimize')
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -537,14 +555,16 @@ n_trials=64,
 parallelism=8,
 requirements_list=['numpy'],
 )
+time.sleep(5)
 ```
 
 #### (B) ask/tell (실제 optuna.Study 사용)
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 sw = controller.create_study('manual', direction='minimize')
+time.sleep(5)
 
 real = sw.get_study()           # 실제 optuna.Study 로드 (gRPC: h2c 13000)
 t = real.ask()
@@ -554,7 +574,7 @@ real.tell(t, (x - 2) ** 2)
 
 ### 6) 에러 응답 템플릿(자동 응답 가이드)
 - 초기화/토큰 문제 감지:
-    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.aiauto.pangyo.ainode.ai”
+    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.common.aiauto.pangyo.ainode.ai”
 - `get_study()` 연결 실패(스토리지 준비 전):
     - “Workspace/Storage가 아직 준비 중일 수 있어요. 잠시 후 다시 시도하거나 대시보드에서 상태를 확인해 주세요.”
 
@@ -576,7 +596,7 @@ real.tell(t, (x - 2) ** 2)
 
 #### 예시: Sampler/Pruner 그대로 사용
 ```python
-import optuna, aiauto
+import optuna, aiauto, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study(
@@ -585,6 +605,7 @@ direction='minimize',
 sampler=optuna.samplers.TPESampler(seed=42),
 pruner=optuna.pruners.MedianPruner(n_startup_trials=5),
 )
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -592,6 +613,7 @@ lr = trial.suggest_float('lr', 1e-5, 1e-1, log=True)
 return (np.log10(lr) + 2) ** 2
 
 study.optimize(objective, n_trials=50, parallelism=4)
+time.sleep(5)
 ```
 
 #### 예시: get_study() 후 Optuna API 그대로 사용

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/README.md

@@ -41,23 +41,25 @@ for image in aiauto.RUNTIME_IMAGES:
 
 ## 실행 흐름
 ### token 발급 # TODO
-- `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
-- `https://dashboard.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
+- `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
 - 아래 코드 처럼 발급한 token 을 넣어 AIAutoController singleton 객체를 초기화, OptunaWorkspace 를 활성화 시킨다
 ```python
 import aiauto
+import time
 
 ac = aiauto.AIAutoController('<token>')
 ```
-- `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
-- 아래 코드 처럼 study 를 생성하면 `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+- 아래 코드 처럼 study 를 생성하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
 ```python
 study_wrapper = ac.create_study(
     study_name='test',
     direction='maximize',  # or 'minimize'
 )
+time.sleep(5)
 ```
-- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
+- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
 ```python
 study_wrapper.optimize(
     objective=func_with_parameter_trial,
@@ -66,6 +68,7 @@ study_wrapper.optimize(
     use_gpu=False,
     runtime_image=aiauto.RUNTIME_IMAGES[0],
 )
+time.sleep(5)
 ```
 - 종료 됐는지 optuna-dashboard 가 아닌 코드로 확인하는 법
 ```python
@@ -105,11 +108,14 @@ def objective(trial: optuna.trial.Trial):
 - 저장한 함수를 import해서 사용
 ```python
 import aiauto
+import time
 from my_objective import objective
 
 ac = aiauto.AIAutoController('<token>')
 study = ac.create_study('test', 'minimize')
+time.sleep(5)
 study.optimize(objective, n_trials=10, parallelism=2)
+time.sleep(5)
 ```
 
 ## 빠른 시작
@@ -119,12 +125,13 @@ study.optimize(objective, n_trials=10, parallelism=2)
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -132,7 +139,8 @@ study_wrapper = ac.create_study(
     direction="minimize"
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 def objective(trial: optuna.trial.Trial):
@@ -147,7 +155,8 @@ study_wrapper.optimize(
     n_trials=100,
     parallelism=4  # 동시 실행 Pod 수
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 ### 2. PyTorch 모델 최적화 (Single Objective)
@@ -155,12 +164,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -172,7 +182,8 @@ study_wrapper = ac.create_study(
         patience=4,
     ),
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -279,6 +290,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 3. Multi-Objective 최적화 (Accuracy + FLOPS)
@@ -286,12 +298,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -299,7 +312,8 @@ study_wrapper = ac.create_study(
     direction=["minimize", "minimize"],  # loss minimize, FLOPS minimize
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -407,6 +421,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision', 'fvcore']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 4. Ask/Tell 패턴 및 Optuna 자체의 Study
@@ -414,11 +429,12 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
 
 # Study 생성
 study_wrapper = ac.create_study(
@@ -430,7 +446,8 @@ study_wrapper = ac.create_study(
     #     patience=4,
     # )
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # 실제 optuna.Study 객체 획득 (로컬에서 ask/tell 가능)
 study = study_wrapper.get_study()
@@ -447,7 +464,7 @@ ret = (x - 2) ** 2 + (y - 3) ** 2
 
 # 결과 보고
 study.tell(trial, ret)
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 # lib build
@@ -468,11 +485,11 @@ make build push
     2) `StudyWrapper.get_study()` → 실제 `optuna.Study` 로드 후 **ask/tell** 직접 사용
 
 ### 2) 네트워크/도메인 규칙 (필수)
-- **Connect RPC (HTTPS/443)**: `https://api.aiauto.pangyo.ainode.ai`
+- **Connect RPC (HTTPS/443)**: `https://api.common.aiauto.pangyo.ainode.ai`
 - **Optuna Storage (gRPC, 평문 h2c/13000)**:  
   `{userID}.journal-grpc-storage-proxy.aiauto.pangyo.ainode.ai:13000`  
   → **항상 평문(h2c)**. 443/TLS 시도 **금지**.
-- 대시보드(웹): `https://dashboard.aiauto.pangyo.ainode.ai`
+- 대시보드(웹): `https://dashboard.common.aiauto.pangyo.ainode.ai`
 
 ### 3) 호출 순서 (결정 트리)
 1) 컨트롤러 생성: `AIAutoController(token)` → 토큰 검증 & 워크스페이스/엔드포인트 획득
@@ -494,10 +511,11 @@ make build push
 
 #### (A) 분산 실행
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study('exp1', direction='minimize')
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -510,14 +528,16 @@ n_trials=64,
 parallelism=8,
 requirements_list=['numpy'],
 )
+time.sleep(5)
 ```
 
 #### (B) ask/tell (실제 optuna.Study 사용)
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 sw = controller.create_study('manual', direction='minimize')
+time.sleep(5)
 
 real = sw.get_study()           # 실제 optuna.Study 로드 (gRPC: h2c 13000)
 t = real.ask()
@@ -527,7 +547,7 @@ real.tell(t, (x - 2) ** 2)
 
 ### 6) 에러 응답 템플릿(자동 응답 가이드)
 - 초기화/토큰 문제 감지:
-    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.aiauto.pangyo.ainode.ai”
+    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.common.aiauto.pangyo.ainode.ai”
 - `get_study()` 연결 실패(스토리지 준비 전):
     - “Workspace/Storage가 아직 준비 중일 수 있어요. 잠시 후 다시 시도하거나 대시보드에서 상태를 확인해 주세요.”
 
@@ -549,7 +569,7 @@ real.tell(t, (x - 2) ** 2)
 
 #### 예시: Sampler/Pruner 그대로 사용
 ```python
-import optuna, aiauto
+import optuna, aiauto, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study(
@@ -558,6 +578,7 @@ direction='minimize',
 sampler=optuna.samplers.TPESampler(seed=42),
 pruner=optuna.pruners.MedianPruner(n_startup_trials=5),
 )
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -565,6 +586,7 @@ lr = trial.suggest_float('lr', 1e-5, 1e-1, log=True)
 return (np.log10(lr) + 2) ** 2
 
 study.optimize(objective, n_trials=50, parallelism=4)
+time.sleep(5)
 ```
 
 #### 예시: get_study() 후 Optuna API 그대로 사용

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/examples/example_torch_multiple_objective.py

@@ -14,6 +14,7 @@
 
 import optuna
 import aiauto
+import time
 
 
 # 사용 가능한 런타임 이미지 목록 확인
@@ -425,15 +426,16 @@ def objective_detailed(trial):
 
 if __name__ == '__main__':
     # ======================= Multiple-objective study =========================
-    study = ac.create_study(
+    study_wrapper = ac.create_study(
         study_name='cifar10_torch_multiple_objective',
         sampler=optuna.samplers.TPESampler(),
         directions=['maximize', 'minimize'],  # accuracy maximize, FLOPS minimize
         # multi objective has no pruner
     )
+    time.sleep(5)
 
     # ========================= subset data optimize ===========================
-    study.optimize(
+    study_wrapper.optimize(
         objective_multi(),
         n_trials=100,
         parallelism=4,  # n_jobs 대신 parallelism 사용
@@ -447,6 +449,9 @@ if __name__ == '__main__':
         ],
         # CallbackTopNArtifact은 클라이언트 측에서는 사용 불가 (runner 에서 자동으로 지정 됨)
     )
+    time.sleep(5)
+
+    study = study_wrapper.get_study()
 
     for trial in study.best_trials[:5]:  # 상위 5개만
         print(f'  Best Values (Accuracy, FLOPS): {trial.values}')

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/examples/example_torch_single_objective.py

@@ -14,6 +14,7 @@
 
 import optuna
 import aiauto
+import time
 
 
 # 사용 가능한 런타임 이미지 목록 확인
@@ -429,7 +430,7 @@ def objective_detailed(trial):
 
 if __name__ == '__main__':
     # ================= Single-objective study with pruning ====================
-    study = ac.create_study(
+    study_wrapper = ac.create_study(
         study_name='cifar10_torch_single_objective',
         sampler=optuna.samplers.TPESampler(),
         direction='maximize',  # accuracy maximize
@@ -438,9 +439,10 @@ if __name__ == '__main__':
             patience=4,
         )
     )
+    time.sleep(5)
 
     # ========================= subset data optimize ===========================
-    study.optimize(
+    study_wrapper.optimize(
         objective_single,
         n_trials=100,
         parallelism=4,  # n_jobs 대신 parallelism 사용
@@ -450,6 +452,9 @@ if __name__ == '__main__':
         requirements_list=['torch', 'torchvision'],
         # CallbackTopNArtifact은 클라이언트 측에서는 사용 불가 (runner 에서 자동으로 지정 됨)
     )
+    time.sleep(5)
+
+    study = study_wrapper.get_study()
 
     print('\nBest trials:')
     print(f'  Best value (accuracy): {study.best_value:.4f}')

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/examples/simple_example.py

@@ -12,6 +12,7 @@
 """
 
 import aiauto
+import time
 
 
 # 사용 가능한 런타임 이미지 목록 확인
@@ -58,18 +59,23 @@ def simple_objective(trial):
 
 if __name__ == '__main__':
     # ========================== 간단한 2차 함수 최적화 =============================
-    study = ac.create_study(
+    study_wrapper = ac.create_study(
         study_name="simple_quadratic",
         direction="minimize",
         sampler=optuna.samplers.TPESampler(seed=42),
     )
-    study.optimize(
+    time.sleep(5)
+
+    study_wrapper.optimize(
         simple_objective,
         n_trials=20,
         parallelism=2,  # 동시 실행 Pod 수
         # use_gpu=False,  # default
         # runtime_image = "ghcr.io/astral-sh/uv:python3.8-bookworm-slim",  # default image for use_gpu False
     )
+    time.sleep(5)
+    
+    study = study_wrapper.get_study()
 
     print('\nBest trials:')
     print(f'  Best value (accuracy): {study.best_value:.4f}')

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/pyproject.toml

@@ -4,7 +4,7 @@ build-backend = "setuptools.build_meta"
 
 [project]
 name = "aiauto-client"
-version = "0.1.10"
+version = "0.1.12"
 description = "AI Auto HPO (Hyperparameter Optimization) Client Library"
 readme = "README.md"
 requires-python = ">=3.8"

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/src/aiauto/http_client.py

@@ -35,10 +35,19 @@ class ConnectRPCClient:
         except requests.exceptions.HTTPError as e:
             # Connect RPC error format
             if e.response and e.response.headers.get('content-type', '').startswith('application/json'):
-                error_data = e.response.json()
-                error_msg = error_data.get('message', str(e))
-                raise RuntimeError(f"RPC error: {error_msg}") from e
-            raise RuntimeError(f"HTTP error: {e}") from e
+                try:
+                    error_data = e.response.json()
+                    # Connect RPC returns error in 'message' field
+                    error_msg = error_data.get('message', '')
+                    if error_msg:
+                        raise RuntimeError(f"Server error: {error_msg}") from e
+                    # Fallback to full error data if no message
+                    raise RuntimeError(f"Server error: {error_data}") from e
+                except ValueError:
+                    # JSON decode failed
+                    pass
+            # Fallback to basic HTTP error
+            raise RuntimeError(f"HTTP {e.response.status_code} error: {e.response.text if e.response else str(e)}") from e
         except requests.exceptions.RequestException as e:
             raise RuntimeError(f"Request failed: {e}") from e
 

{aiauto_client-0.1.10 → aiauto_client-0.1.12}/src/aiauto_client.egg-info/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.1
 Name: aiauto-client
-Version: 0.1.10
+Version: 0.1.12
 Summary: AI Auto HPO (Hyperparameter Optimization) Client Library
 Author-email: AIAuto Team <ainode@zeroone.ai>
 Project-URL: Homepage, https://dashboard.common.aiauto.pangyo.ainode.ai
@@ -68,23 +68,25 @@ for image in aiauto.RUNTIME_IMAGES:
 
 ## 실행 흐름
 ### token 발급 # TODO
-- `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
-- `https://dashboard.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
+- `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/token` 으로 이동하여 aiauto 의 token 을 발급
 - 아래 코드 처럼 발급한 token 을 넣어 AIAutoController singleton 객체를 초기화, OptunaWorkspace 를 활성화 시킨다
 ```python
 import aiauto
+import time
 
 ac = aiauto.AIAutoController('<token>')
 ```
-- `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
-- 아래 코드 처럼 study 를 생성하면 `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
+- `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+- 아래 코드 처럼 study 를 생성하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능 
 ```python
 study_wrapper = ac.create_study(
     study_name='test',
     direction='maximize',  # or 'minimize'
 )
+time.sleep(5)
 ```
-- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
+- 아래 코드 처럼 생성한 study 애서 objective 함수를 작성하여 넘겨주면 optimize 를 호출하면 `https://dashboard.common.aiauto.pangyo.ainode.ai/trialbatch` 에서 확인할 수 있고 optuna-dashboard 링크에서도 확인 가능
 ```python
 study_wrapper.optimize(
     objective=func_with_parameter_trial,
@@ -93,6 +95,7 @@ study_wrapper.optimize(
     use_gpu=False,
     runtime_image=aiauto.RUNTIME_IMAGES[0],
 )
+time.sleep(5)
 ```
 - 종료 됐는지 optuna-dashboard 가 아닌 코드로 확인하는 법
 ```python
@@ -132,11 +135,14 @@ def objective(trial: optuna.trial.Trial):
 - 저장한 함수를 import해서 사용
 ```python
 import aiauto
+import time
 from my_objective import objective
 
 ac = aiauto.AIAutoController('<token>')
 study = ac.create_study('test', 'minimize')
+time.sleep(5)
 study.optimize(objective, n_trials=10, parallelism=2)
+time.sleep(5)
 ```
 
 ## 빠른 시작
@@ -146,12 +152,13 @@ study.optimize(objective, n_trials=10, parallelism=2)
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -159,7 +166,8 @@ study_wrapper = ac.create_study(
     direction="minimize"
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 def objective(trial: optuna.trial.Trial):
@@ -174,7 +182,8 @@ study_wrapper.optimize(
     n_trials=100,
     parallelism=4  # 동시 실행 Pod 수
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 ### 2. PyTorch 모델 최적화 (Single Objective)
@@ -182,12 +191,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -199,7 +209,8 @@ study_wrapper = ac.create_study(
         patience=4,
     ),
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -306,6 +317,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 3. Multi-Objective 최적화 (Accuracy + FLOPS)
@@ -313,12 +325,13 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음
 
 # StudyWrapper 생성
 study_wrapper = ac.create_study(
@@ -326,7 +339,8 @@ study_wrapper = ac.create_study(
     direction=["minimize", "minimize"],  # loss minimize, FLOPS minimize
     # sampler=optuna.samplers.TPESampler(),  # optuna 에서 제공하는 sampler 그대로 사용 가능, 참고 https://optuna.readthedocs.io/en/stable/reference/samplers/index.html
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # objective 함수 정의
 # https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html 참고
@@ -434,6 +448,7 @@ study_wrapper.optimize(
     use_gpu=True,  # GPU 사용
     requirements_list=['torch', 'torchvision', 'fvcore']  # Pod에서 자동 설치
 )
+time.sleep(5)
 ```
 
 ### 4. Ask/Tell 패턴 및 Optuna 자체의 Study
@@ -441,11 +456,12 @@ study_wrapper.optimize(
 ```python
 import optuna
 import aiauto
+import time
 
-# `https://dashboard.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
+# `https://dashboard.common.aiauto.pangyo.ainode.ai` 에 접속하여 ainode 에 로그인 한 후 aiauto 의 token 을 발급
 # AIAutoController singleton 객체를 초기화 하여, OptunaWorkspace 를 활성화 시킨다 (토큰은 한 번만 설정)
 ac = aiauto.AIAutoController('<token>')
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 OptunaWorkspace 와 optuna-dashboard 링크를 확인할 수 있음 
 
 # Study 생성
 study_wrapper = ac.create_study(
@@ -457,7 +473,8 @@ study_wrapper = ac.create_study(
     #     patience=4,
     # )
 )
-# `https://dashboard.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
+time.sleep(5)
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/study` 에서 생성된 study 확인 가능
 
 # 실제 optuna.Study 객체 획득 (로컬에서 ask/tell 가능)
 study = study_wrapper.get_study()
@@ -474,7 +491,7 @@ ret = (x - 2) ** 2 + (y - 3) ** 2
 
 # 결과 보고
 study.tell(trial, ret)
-# `https://dashboard.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
+# `https://dashboard.common.aiauto.pangyo.ainode.ai/workspace` 에서 생성된 optuna-dashboard 링크에서 결과 확인 가능
 ```
 
 # lib build
@@ -495,11 +512,11 @@ make build push
     2) `StudyWrapper.get_study()` → 실제 `optuna.Study` 로드 후 **ask/tell** 직접 사용
 
 ### 2) 네트워크/도메인 규칙 (필수)
-- **Connect RPC (HTTPS/443)**: `https://api.aiauto.pangyo.ainode.ai`
+- **Connect RPC (HTTPS/443)**: `https://api.common.aiauto.pangyo.ainode.ai`
 - **Optuna Storage (gRPC, 평문 h2c/13000)**:  
   `{userID}.journal-grpc-storage-proxy.aiauto.pangyo.ainode.ai:13000`  
   → **항상 평문(h2c)**. 443/TLS 시도 **금지**.
-- 대시보드(웹): `https://dashboard.aiauto.pangyo.ainode.ai`
+- 대시보드(웹): `https://dashboard.common.aiauto.pangyo.ainode.ai`
 
 ### 3) 호출 순서 (결정 트리)
 1) 컨트롤러 생성: `AIAutoController(token)` → 토큰 검증 & 워크스페이스/엔드포인트 획득
@@ -521,10 +538,11 @@ make build push
 
 #### (A) 분산 실행
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study('exp1', direction='minimize')
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -537,14 +555,16 @@ n_trials=64,
 parallelism=8,
 requirements_list=['numpy'],
 )
+time.sleep(5)
 ```
 
 #### (B) ask/tell (실제 optuna.Study 사용)
 ```python
-import aiauto, optuna
+import aiauto, optuna, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 sw = controller.create_study('manual', direction='minimize')
+time.sleep(5)
 
 real = sw.get_study()           # 실제 optuna.Study 로드 (gRPC: h2c 13000)
 t = real.ask()
@@ -554,7 +574,7 @@ real.tell(t, (x - 2) ** 2)
 
 ### 6) 에러 응답 템플릿(자동 응답 가이드)
 - 초기화/토큰 문제 감지:
-    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.aiauto.pangyo.ainode.ai”
+    - “대시보드에서 토큰을 재발급한 뒤 다시 시도하세요: https://dashboard.common.aiauto.pangyo.ainode.ai”
 - `get_study()` 연결 실패(스토리지 준비 전):
     - “Workspace/Storage가 아직 준비 중일 수 있어요. 잠시 후 다시 시도하거나 대시보드에서 상태를 확인해 주세요.”
 
@@ -576,7 +596,7 @@ real.tell(t, (x - 2) ** 2)
 
 #### 예시: Sampler/Pruner 그대로 사용
 ```python
-import optuna, aiauto
+import optuna, aiauto, time
 
 controller = aiauto.AIAutoController('aiauto_xxx')
 study = controller.create_study(
@@ -585,6 +605,7 @@ direction='minimize',
 sampler=optuna.samplers.TPESampler(seed=42),
 pruner=optuna.pruners.MedianPruner(n_startup_trials=5),
 )
+time.sleep(5)
 
 def objective(trial):
 import numpy as np
@@ -592,6 +613,7 @@ lr = trial.suggest_float('lr', 1e-5, 1e-1, log=True)
 return (np.log10(lr) + 2) ** 2
 
 study.optimize(objective, n_trials=50, parallelism=4)
+time.sleep(5)
 ```
 
 #### 예시: get_study() 후 Optuna API 그대로 사용