GSP1334

개요

Cloud Storage에 저장된 제품 이미지 카탈로그를 검색하여 유사한 제품이 과거에 판매된 적 있는지 확인한다고 가정해 보겠습니다. BigQuery의 벡터 검색을 활용하면 이 작업을 수행할 수 있습니다.

BigQuery는 완전 관리형 AI 지원 데이터 플랫폼으로, 외부 데이터 소스(예: Cloud Storage 버킷의 이미지 메타데이터)의 원활한 통합과 벡터 검색을 위한 원격 모델 연결을 지원하여 생성형 AI로 데이터 분석 워크플로를 개선합니다.

벡터 검색은 정확한 키워드 일치가 아닌 시맨틱 의미를 기반으로 유사한 항목을 빠르게 찾는 데 사용할 수 있는 방법으로 이미지, 동영상, 텍스트 등 다양한 유형의 데이터에 적용할 수 있습니다. 벡터 검색은 텍스트나 이미지와 같은 항목을 나타내는 고차원의 숫자 벡터인 임베딩을 사용합니다. 이러한 임베딩은 쉽게 비교할 수 있도록 해당 항목에 대한 시맨틱스를 인코딩합니다. 다양한 용도로 활용할 수 있으며, 일례로 인벤토리 데이터 세트 또는 제품 이미지 카탈로그에서 유사한 상품의 이전 판매를 검색하는 개선된 기능이 있습니다.

제품 이름이나 설명을 입력하면 제품 이미지의 메타데이터가 포함된 BigQuery 객체 테이블에서 벡터 검색을 사용하여 검색어와 가장 관련성이 높은 제품을 식별할 수 있습니다. 이 워크플로는 Vertex AI의 기능을 BigQuery에 통합하여 벡터 검색을 지원하므로, BigQuery에서 이미지와 텍스트를 비롯한 멀티모달 데이터를 분석하여 활용 가능한 유용한 정보를 추출함으로써 의사 결정 역량을 개선할 수 있습니다.

이 실습에서는 BigQuery에서 멀티모달 벡터 검색이 작동하는 방식을 간략하게 소개합니다. 먼저 몇 가지 권한을 부여한 다음 BigQuery에서 임베딩 모델에 대한 연결을 만들어야 합니다. 그런 다음 모델을 호출하여 Cloud Storage 버킷에 제품 이미지의 벡터 표현을 저장하는 임베딩 테이블을 생성합니다. 마지막으로 Cloud Storage에 저장된 제품 이미지를 대상으로 벡터 검색을 실행하여 이미지 특징과 메타데이터를 기반으로 검색어와 가장 유사한 제품을 식별합니다.

실습할 내용

이 실습에서는 다음 작업을 수행하는 방법을 알아봅니다.

• BigQuery 서비스 계정에 Identity and Access Management(IAM) 역할을 부여합니다.
• BigQuery의 원격 임베딩 모델에 연결합니다.
• 임베딩을 생성하고 BigQuery의 테이블에 저장합니다.
• Cloud Storage의 제품 이미지를 대상으로 벡터 검색을 실행합니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 창이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

   {{{user_0.username | "Username"}}}

   실습 세부정보 창에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

   {{{user_0.password | "Password"}}}

   실습 세부정보 창에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

작업 1. BigQuery 서비스 계정에 IAM 역할 부여

이 실습 환경에서는 remote-models-connection이라는 BigQuery 외부 연결과 image_object_table이라는 BigQuery 객체 테이블을 비롯한 여러 리소스가 미리 생성되어 있습니다. 이러한 리소스를 사용하면 Cloud Storage의 비정형 데이터(예: 이미지)에 액세스하고 이를 쿼리할 수 있습니다. 외부 연결이 생성될 때 리소스에 대한 액세스를 제어하는 데 사용할 수 있는 BigQuery 서비스 계정도 자동으로 생성되었습니다.

이 작업에서는 자동 생성된 BigQuery 서비스 계정에 특정 IAM 역할을 부여하여 벡터 검색에 필요한 Vertex AI 리소스와 Cloud Storage의 이미지 파일에 액세스할 수 있도록 합니다.

BigQuery 콘솔 열기

1. Google Cloud 콘솔에서 탐색 메뉴 > BigQuery를 선택합니다.

Cloud 콘솔의 BigQuery에 오신 것을 환영합니다라는 메시지 상자가 열립니다. 이 메시지 상자에서는 빠른 시작 가이드 및 출시 노트로 연결되는 링크가 제공됩니다.

2. 완료를 클릭합니다.

BigQuery 콘솔이 열립니다.

자동 생성된 BigQuery 서비스 계정 식별

1. 프로젝트 ID() 옆에 있는 화살표를 펼친 다음 연결 옆에 있는 화살표를 펼칩니다.

2. .remote-models-connection이라는 연결을 클릭합니다.

3. 연결 정보 페이지에서 다음 단계에 사용할 서비스 계정 ID를 복사합니다.

예: bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com

BigQuery 서비스 계정에 IAM 역할 부여

1. Google Cloud 콘솔의 탐색 메뉴()에서 IAM 및 관리자 > IAM을 선택합니다.

2. 액세스 권한 부여를 클릭합니다.

3. 새 주 구성원에 이전 섹션에서 복사한 서비스 계정 ID를 입력합니다(예: bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com).

4. 역할 선택에서 Vertex AI 사용자를 필터링하고 결과에서 이를 선택합니다.

5. 다른 역할 추가를 클릭합니다.

6. 역할 선택에서 스토리지 객체 뷰어를 필터링하고 결과에서 이를 선택합니다.

7. 저장을 클릭합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery 서비스 계정에 IAM 역할 부여

작업 2. BigQuery 원격 모델 만들기

BigQuery 서비스 계정에 필요한 역할을 부여했으므로 이제 BigQuery에서 원격 모델을 만들어 생성형 AI 기능과 같은 Vertex AI 기능에 액세스할 수 있습니다.

이 작업에서는 remote-models-connection이라는 BigQuery 외부 연결을 사용하여 embeddings_model이라는 원격 모델을 만듭니다. 이 원격 모델은 Vertex AI에서 사용할 수 있는 임베딩 모델에 연결됩니다. 이미지 데이터가 비정형 형식으로 Cloud Storage 버킷에 저장되어 있으므로, 이 유형의 데이터를 효과적으로 처리할 멀티모달 모델을 엔드포인트로 지정하려고 합니다.

1. Google Cloud 콘솔의 탐색 메뉴()에서 BigQuery > Studio를 선택합니다.

2. SQL 쿼리 창에서 다음 SQL 쿼리를 붙여넣어 products라는 기존 BigQuery 데이터 세트에 BigQuery 원격 모델을 만들고 실행을 클릭합니다.

CREATE OR REPLACE MODEL `{{{project_0.project_id | filled in at lab start}}}.products.embeddings_model` REMOTE WITH CONNECTION `{{{project_0.project_id | filled in at lab start}}}.{{{project_0.startup_script.bq_gcp_region | "BigQuery location"}}}.remote-models-connection` OPTIONS( ENDPOINT = '{{{project_0.startup_script.multi_modal_embedding_id | Multimodal embeddings model}}}' ); 참고: 이전 작업에서 할당한 서비스 계정 권한과 관련된 오류가 표시되면 몇 분 정도 기다린 후 쿼리를 다시 실행하세요.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. BigQuery 원격 모델 만들기

작업 3. 객체 테이블에 나열된 이미지의 임베딩 테이블 만들기

BigQuery에서 원격 모델을 만든 후에는 모델을 호출하여 Cloud Storage에 저장된 이미지 파일을 기반으로 임베딩을 생성해야 합니다. 작업 1에서 설명한 것처럼 이 실습 환경을 위해 image_object_table이라는 객체 테이블이 미리 생성되어 있어 이미지 파일을 쿼리하는 데 사용할 수 있습니다.

이 작업에서는 임베딩 모델을 호출하여 product_image_object_table에서 실행하고 결과를 product_embeddings라는 새 테이블에 저장합니다. 쿼리를 실행하면 BigQuery는 객체 테이블의 데이터를 멀티모달 임베딩 모델에 제출합니다. 이 모델은 벡터 검색에 사용하여 의미상으로 유사한 항목을 찾을 수 있는 임베딩을 반환합니다.

1. SQL 쿼리 창에서 다음 SQL 쿼리를 실행하여 임베딩 테이블을 만듭니다.

CREATE OR REPLACE TABLE `{{{project_0.project_id | filled in at lab start}}}.products.product_embeddings` AS SELECT *, REGEXP_EXTRACT(uri, r'[^/]+$') as product_name FROM ML.GENERATE_EMBEDDING ( MODEL `{{{project_0.project_id | filled in at lab start}}}.products.embeddings_model`, TABLE `{{{project_0.project_id | filled in at lab start}}}.products.image_object_table` );

2. SQL 쿼리 창에서 다음 쿼리를 실행하여 새 임베딩 테이블의 데이터를 검토합니다.

SELECT * FROM `{{{project_0.project_id | filled in at lab start}}}.products.product_embeddings`;

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 객체 테이블에 나열된 이미지의 임베딩 테이블 만들기

작업 4. Cloud Storage의 제품 이미지를 대상으로 벡터 검색 실행

이 실습의 개요에서 BigQuery의 벡터 검색을 사용하면 계산된 임베딩(숫자 벡터)을 사용하여 의미상으로 유사한 객체를 찾을 수 있다고 설명했습니다. 구체적으로 설명하면 벡터 검색은 임베딩 공간 내 벡터 간 거리를 나타내는 거리 측정항목을 사용하여 유사성을 기준으로 벡터를 비교하고 순위를 매깁니다. BigQuery에서 벡터 검색 함수는 유클리드(기본값), 코사인, 내적이라는 세 가지 거리 유형을 지원합니다.

이 작업에서는 코사인 유사도(두 벡터 간 각도의 코사인)를 사용하여 Google Cloud Storage에서 특정 검색 구문(다양한 색상의 여성용 스웨터)과 가장 유사한 상위 제품 이미지 3개를 식별합니다.

• SQL 쿼리 창에서 다음 쿼리를 실행합니다. 이 쿼리는 VECTOR_SEARCH 함수를 사용하여 제품 임베딩 테이블을 검색하고 제공된 검색어와 가장 유사한 이미지를 찾습니다.

SELECT base.uri, base.product_name, base.content_type, distance FROM VECTOR_SEARCH(TABLE products.product_embeddings,'ml_generate_embedding_result', ( SELECT ml_generate_embedding_result AS embedding_col FROM ML.GENERATE_EMBEDDING ( MODEL `products.embeddings_model`, (SELECT 'colorful sweaters for women' AS content), STRUCT(TRUE AS flatten_json_output) ) ), TOP_K => 3, DISTANCE_TYPE => 'COSINE' );

Cloud Storage에서 일치율이 가장 높은 이미지 검토

[선택사항] 일치율이 가장 높은 항목으로 반환된 특정 이미지를 보려면 Cloud Storage 버킷으로 이동하여 각 이미지를 열면 됩니다.

1. Google Cloud 콘솔의 탐색 메뉴()에서 Cloud Storage > 버킷을 선택합니다.

2. 버킷을 클릭하고 이미지 이름(예: Onesie.jpg)을 클릭합니다.

3. 인증된 URL을 클릭하여 이미지(예: https://storage.cloud.google.com/qwiklabs-gcp-04-dc2812426125/Onesie.jpg)를 확인합니다.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. Cloud Storage의 제품 이미지를 대상으로 벡터 검색 실행

수고하셨습니다

이 실습에서는 BigQuery의 벡터 검색을 간략하게 살펴보고 벡터 검색을 통해 Cloud Storage에서 원하는 검색어와 가장 관련성이 높은 이미지를 찾았습니다.

다음 단계/더 학습하기

• BigQuery의 객체 테이블에 대한 자세한 내용은 객체 테이블 만들기 문서를 참고하세요.

• 벡터 임베딩에 대한 자세한 내용을 확인하려면 벡터 검색 및 임베딩 과정을 복습하세요.

• BigQuery의 임베딩 및 벡터 검색을 직접 사용해 보려면 BigQuery로 멀티모달 벡터 검색 구현하기 과정의 실습을 살펴보세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2026년 3월 16일

실습 최종 테스트: 2026년 3월 16일

Copyright 2026 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.