ibrahim elsanhouri
회원 가입일: 2025
다이아몬드 리그
22879포인트
엔터프라이즈 데이터베이스로 AI 에이전트 빌드하기
Earned 9월 5, 2026 EDT
Cloud Healthcare API
Earned 8월 8, 2026 EDT
BigQuery로 데이터 웨어하우스 빌드
Earned 8월 5, 2026 EDT
BigQuery에서 Gemini 모델 사용하기
Earned 8월 2, 2026 EDT
BigQuery의 Gemini로 생산성 향상
Earned 8월 2, 2026 EDT
Google Cloud의 데이터 엔지니어링 입문
Earned 7월 29, 2026 EDT
Professional Data Engineer 여정 준비하기
Earned 7월 29, 2026 EDT
도구로 에이전트 기능 추가
Earned 7월 28, 2026 EDT
에이전트 메모리 및 상태 관리
Earned 7월 28, 2026 EDT
에이전트 동작 최적화
Earned 7월 28, 2026 EDT
Vertex AI Studio 소개
Earned 7월 27, 2026 EDT
이미지 캡셔닝 모델 만들기
Earned 7월 27, 2026 EDT
Transformer 모델 및 BERT 모델
Earned 7월 27, 2026 EDT
인코더-디코더 아키텍처
Earned 7월 27, 2026 EDT
어텐션 메커니즘
Earned 7월 27, 2026 EDT
이미지 생성 소개
Earned 7월 27, 2026 EDT
AI 보안 소개
Earned 7월 27, 2026 EDT
클라우드 아키텍처: 설계, 구현, 관리
Earned 7월 27, 2026 EDT
Model Armor: 안전한 AI 배포
Earned 7월 23, 2026 EDT
개발자를 위한 책임감 있는 AI: 해석 가능성 및 투명성
Earned 7월 22, 2026 EDT
개발자를 위한 책임감 있는 AI: 개인 정보 보호 및 안전
Earned 7월 22, 2026 EDT
Google Cloud에서 Kubernetes 애플리케이션 배포하기
Earned 7월 19, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps) 기능 관리
Earned 7월 15, 2026 EDT
Google Cloud에서 웹사이트 빌드
Earned 7월 14, 2026 EDT
Dataplex로 데이터 정리 및 제어
Earned 7월 11, 2026 EDT
Lakehouse 데이터 보호
Earned 7월 11, 2026 EDT
[DEPRECATED] Data Governance with Dataplex Universal Catalog
Earned 7월 11, 2026 EDT
벡터 검색 및 임베딩
Earned 7월 5, 2026 EDT
개발자를 위한 책임감 있는 AI: 공정성 및 편향
Earned 7월 1, 2026 EDT
Eventarc로 이벤트 기반 애플리케이션 빌드하기
Earned 6월 30, 2026 EDT
생성형 AI를 위한 머신러닝 작업(MLOps)
Earned 6월 29, 2026 EDT
Google Cloud의 AI 및 머신러닝 소개
Earned 6월 29, 2026 EDT
Compute Engine에서 Cloud Load Balancing 구현하기
Earned 6월 29, 2026 EDT
책임감 있는 AI 소개
Earned 6월 28, 2026 EDT
Google Cloud 네트워크 개발
Earned 6월 28, 2026 EDT
AI 인프라: 네트워킹 기술
Earned 6월 26, 2026 EDT
AI 인프라: 스토리지 옵션
Earned 6월 26, 2026 EDT
AI 인프라: 배포 유형
Earned 6월 26, 2026 EDT
AI 인프라: Cloud TPU
Earned 6월 26, 2026 EDT
AI 인프라: Cloud GPU
Earned 6월 26, 2026 EDT
AI 인프라: AI 하이퍼컴퓨터 소개
Earned 6월 25, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps): 모델 평가
Earned 6월 24, 2026 EDT
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 6월 24, 2026 EDT
Document AI로 데이터 캡처 자동화하기
Earned 6월 23, 2026 EDT
에이전트 개발 키트(ADK)로 AI 에이전트 엔지니어링
Earned 6월 23, 2026 EDT
Google Cloud에서 생성형 AI 앱 만들기
Earned 6월 21, 2026 EDT
Cloud Run Functions로 서버리스 애플리케이션 빌드
Earned 6월 21, 2026 EDT
Google Cloud에서 Cloud Run으로 애플리케이션 개발하기: 기초
Earned 6월 21, 2026 EDT
BigQuery로 멀티모달 벡터 검색 구현하기
Earned 6월 14, 2026 EDT
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 6월 13, 2026 EDT
[DEPRECATED] Google Cloud Data Solutions for the Public Sector
Earned 6월 10, 2026 EDT
프로덕션 머신러닝 시스템
Earned 6월 7, 2026 EDT
Google Cloud 비용 최적화
Earned 5월 27, 2026 EDT
에이전트 개발 키트(ADK)로 나의 첫 에이전트 빌드
Earned 5월 18, 2026 EDT
에이전트 개발 키트(ADK)로 에이전트 빌드
Earned 5월 18, 2026 EDT
BigQuery로 임베딩, 벡터 검색, RAG 만들기
Earned 5월 16, 2026 EDT
Dataflow를 사용한 서버리스 데이터 처리: 파이프라인 개발
Earned 5월 12, 2026 EDT
Dataflow를 사용한 서버리스 데이터 처리: 기초
Earned 5월 9, 2026 EDT
NCAA® March Madness®: Bracketology with Google Cloud
Earned 3월 29, 2026 EDT
Introduction to Vertex Forecasting and Time Series in Practice
Earned 3월 27, 2026 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - 한국어
Earned 3월 12, 2026 EDT
BigQuery 머신러닝을 사용한 추론
Earned 3월 11, 2026 EDT
BigQuery로 스트리밍 분석
Earned 3월 11, 2026 EDT
머신러닝 작업(MLOps): 시작하기
Earned 3월 11, 2026 EDT
Vertex AI에서 노트북 작업하기
Earned 3월 10, 2026 EDT
머신러닝용 BigQuery
Earned 3월 9, 2026 EDT
Google Cloud에서 스트리밍 데이터 파이프라인 빌드하기
Earned 2월 9, 2026 EST
데이터베이스용 MCP 도구 상자를 사용하여 엔터프라이즈 데이터베이스를 활용할 수 있는 AI 에이전트를 빌드하세요. 안전한 데이터베이스 상호작용 도구를 정의하고 지능형 쿼리 기능(벡터 임베딩, 구조화된 쿼리 활용)을 구현해 봅니다.
자세히 알아보기
Cloud Healthcare API bridges the gap between care systems and applications built on Google Cloud. By supporting standards-based data formats and protocols of existing healthcare technologies, Cloud Healthcare API connects your data to advanced Google Cloud capabilities, including streaming data processing with Cloud Dataflow, scalable analytics with BigQuery, and machine learning with Cloud Machine Learning Engine. In this Quest you will use the Cloud Healthcare API to ingest and process data in the industry standard FHIR, HL7v2 and DICOM formats, train a TensorFlow model for prediction with FHIR data, and also gain practice with de-identification of datasets.
자세히 알아보기
중급 BigQuery로 데이터 웨어하우스 빌드 기술 배지를 완료하여 데이터를 조인하여 새 테이블 만들기, 조인 관련 문제 해결, 합집합으로 데이터 추가, 날짜로 파티션을 나눈 테이블 만들기, BigQuery에서 JSON, 배열, 구조체 작업하기와 관련된 기술 역량을 입증하세요.
자세히 알아보기
이 과정은 BigQuery에서 생성형 AI 작업에 AI/ML 모델을 사용하는 방법을 보여줍니다. 고객 관계 관리와 관련된 실제 사용 사례를 통해 Gemini 모델로 비즈니스 문제를 해결하는 워크플로를 설명합니다. 이해를 돕기 위해 SQL 쿼리와 Python 노트북을 사용하는 코딩 솔루션을 단계별로 안내합니다.
자세히 알아보기
이 과정에서는 데이터-AI 워크플로를 지원하는 AI 기반 기능 모음인 BigQuery의 Gemini에 관해 살펴봅니다. 이러한 기능에는 데이터 탐색 및 준비, 코드 생성 및 문제 해결, 워크플로 탐색 및 시각화 등이 있습니다. 이 과정은 개념 설명, 실제 사용 사례, 실무형 실습을 통해 데이터 실무자가 생산성을 향상하고 개발 파이프라인의 속도를 높이는 데 도움이 됩니다.
자세히 알아보기
이 과정에서는 Google Cloud의 데이터 엔지니어링, 데이터 엔지니어의 역할과 책임, 그리고 이러한 요소가 Google Cloud 제공 서비스와 어떻게 연결되는지에 대해 알아봅니다. 또한 데이터 엔지니어링 과제를 해결하는 방법에 대해서도 배우게 됩니다.
자세히 알아보기
이 과정은 학습자가 Professional Data Engineer(PDE) 자격증 시험을 준비하기 위한 학습 계획을 수립하는 데 도움을 줍니다. 학습자는 시험에서 다루는 분야의 범위를 살펴보고 자신의 시험 준비 상태를 평가한 다음 개별 학습 계획을 수립합니다.
자세히 알아보기
고급 구성으로 에이전트를 빌드해 보았으니 이제 실제 사용 가능한 기능을 추가해 볼 차례입니다. 에이전트에 웹 검색, 코드 실행, 데이터베이스 쿼리, 커스텀 작업 수행을 지원하는 도구를 탑재해 보세요. 에이전트를 지능형 응답자에서 직접 작업을 수행하는 유능한 어시스턴트로 만들 수 있습니다.
자세히 알아보기
쿼리에 응답하는 기본적인 LLM 에이전트를 빌드해 보았으니 이제 이를 스테이트풀(Stateful) 에이전트로 만들어 보겠습니다. 세션 상태를 활용하여 컨텍스트를 유지하고, 사용자 선호도를 기억하고, 개인화된 경험을 제공하는 에이전트를 빌드해 봅니다. 에이전트를 스테이트리스(Stateless) 응답자에서 지능형 어시스턴트로 전환할 수 있습니다.
자세히 알아보기
첫 번째 에이전트를 빌드해 보았으니, 이제 한 단계 더 나아갈 차례입니다. 이 과정에서는 고급 요청 사항, 모델 선택, 계획 기능, 구조화된 출력 패턴을 적용하여 기본적인 AI 에이전트를 정교하고 정확한 어시스턴트로 발전시키는 기술을 연마하게 됩니다.
커뮤니티 포럼에서 질문하고 토론하기
자세히 알아보기
이 과정에서는 생성형 AI 모델과 상호작용하고 비즈니스 아이디어의 프로토타입을 제작하여 프로덕션으로 출시할 수 있는 도구인 Vertex AI Studio를 소개합니다. 몰입감 있는 사용 사례, 흥미로운 강의, 실무형 실습을 통해 프롬프트부터 프로덕션에 이르는 수명 주기를 살펴보고 Vertex AI Studio를 Gemini 멀티모달 애플리케이션, 프롬프트 설계, 프롬프트 엔지니어링, 모델 조정에 활용하는 방법을 알아봅니다. 이 과정의 목표는 Vertex AI Studio로 프로젝트에서 생성형 AI의 잠재력을 활용하는 것입니다.
자세히 알아보기
이 과정에서는 딥 러닝을 사용해 이미지 캡션 모델을 만드는 방법을 알아봅니다. 인코더 및 디코더와 모델 학습 및 평가 방법 등 이미지 캡션 모델의 다양한 구성요소에 대해 알아봅니다. 이 과정을 마치면 자체 이미지 캡션 모델을 만들고 이를 사용해 이미지의 설명을 생성할 수 있게 됩니다.
자세히 알아보기
이 과정은 Transformer 아키텍처와 BERT(Bidirectional Encoder Representations from Transformers) 모델을 소개합니다. 셀프 어텐션 메커니즘 같은 Transformer 아키텍처의 주요 구성요소와 이 아키텍처가 BERT 모델 빌드에 사용되는 방식에 관해 알아봅니다. 또한 텍스트 분류, 질문 답변, 자연어 추론과 같이 BERT를 활용할 수 있는 다양한 작업에 대해서도 알아봅니다. 이 과정은 완료하는 데 대략 45분이 소요됩니다.
자세히 알아보기
이 과정은 기계 번역, 텍스트 요약, 질의 응답과 같은 시퀀스-투-시퀀스(Seq2Seq) 작업에 널리 사용되는 강력한 머신러닝 아키텍처인 인코더-디코더 아키텍처에 대한 개요를 제공합니다. 인코더-디코더 아키텍처의 기본 구성요소와 이러한 모델의 학습 및 서빙 방법에 대해 알아봅니다. 해당하는 실습 둘러보기에서는 TensorFlow에서 시를 짓는 인코더-디코더 아키텍처를 처음부터 간단하게 구현하는 코딩을 해봅니다.
자세히 알아보기
이 과정에서는 신경망이 입력 시퀀스의 특정 부분에 집중할 수 있도록 하는 강력한 기술인 주목 메커니즘을 소개합니다. 주목 메커니즘의 작동 방식과 이 메커니즘을 다양한 머신러닝 작업(기계 번역, 텍스트 요약, 질문 답변 등)의 성능을 개선하는 데 활용하는 방법을 알아봅니다.
자세히 알아보기
이 과정에서는 최근 이미지 생성 분야에서 가능성을 보여준 머신러닝 모델 제품군인 확산 모델을 소개합니다. 확산 모델은 열역학을 비롯한 물리학에서 착안했습니다. 지난 몇 년 동안 확산 모델은 연구계와 업계 모두에서 주목을 받았습니다. 확산 모델은 Google Cloud의 다양한 최신 이미지 생성 모델과 도구를 뒷받침합니다. 이 과정에서는 확산 모델의 이론과 Vertex AI에서 이 모델을 학습시키고 배포하는 방법을 소개합니다.
자세히 알아보기
인공지능(AI)은 혁신적인 가능성을 제공하지만 새로운 보안 문제의 원인이 되기도 합니다. 이 과정에서는 보안 및 데이터 보호 리더가 조직 내에서 AI를 안전하게 관리하는 데 필요한 전략을 살펴봅니다. AI 관련 위험을 사전에 식별 및 완화하고, 민감한 정보를 보호하며, 규정을 준수하고, 복원력 높은 AI 인프라를 빌드하는 프레임워크를 학습합니다. 이러한 전략이 실제 시나리오에서 어떻게 적용되는지 살펴보기 위해 4가지 산업별 사례를 선별했습니다.
자세히 알아보기
클라우드 아키텍처: 설계, 구현, 관리 과정을 완료하고 기술 배지를 획득하여 Apache 웹 서버를 통해 공개 액세스 가능한 웹사이트 배포, 시작 스크립트를 사용한 Compute Engine VM 구성, Windows 배스천 호스트와 방화벽 규칙을 사용한 보안 RDP 구성, Docker 이미지를 빌드하고 Kubernetes 클러스터에 배포한 후 업데이트, CloudSQL 인스턴스 만들기, MySQL 데이터베이스 가져오기 관련 기술 역량을 입증하세요. 이 기술 배지 과정은 Google Cloud 공인 프로페셔널 클라우드 설계자 자격증 시험에서 다루는 주제를 이해하는 데 도움이 되는 리소스입니다.
자세히 알아보기
이 과정에서는 Model Armor의 필수 보안 기능을 검토하고 서비스를 사용할 수 있도록 준비합니다. LLM과 관련된 보안 위험과 Model Armor가 AI 애플리케이션을 보호하는 방법을 알아봅니다.
자세히 알아보기
이 과정에서는 AI 해석 가능성과 투명성의 개념을 소개합니다. 개발자와 엔지니어에게 AI 투명성이 얼마나 중요한지를 설명합니다. 데이터와 AI 모델 모두에서 해석 가능성과 투명성을 구현하는 데 도움이 되는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
이 과정에서는 AI 개인 정보 보호 및 안전에 관한 중요한 주제를 소개합니다. Google Cloud 제품과 오픈소스 도구를 사용하여 AI 개인 정보 보호 및 안전 권장사항을 구현하는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
중급 Google Cloud에서 Kubernetes 애플리케이션 배포하기 기술 배지 과정을 완료하여 Docker 컨테이너 이미지 구성 및 빌드, Google Kubernetes Engine(GKE) 클러스터 생성 및 관리, kubectl을 활용한 효율적인 클러스터 관리, 강력한 지속적 배포(CD) 관행으로 Kubernetes 애플리케이션 배포를 위한 기술을 갖추었음을 입증하세요.
자세히 알아보기
이 과정에서는 Google Cloud에서 프로덕션 ML 시스템을 배포, 평가, 모니터링, 운영하기 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다.
학습자는 SDK 레이어에서 Vertex AI Feature Store의 스트리밍 수집을 사용하여 실습을 진행하게 됩니다.
자세히 알아보기
Google Cloud에서 웹사이트 빌드 기술 배지 과정을 완료하고 입문 기술 배지를 획득하세요. 이 과정은 Get Cooking in Cloud 시리즈를 기반으로 하며 다음 내용을 다룹니다. Cloud Run에 웹사이트 배포Compute Engine에 웹 앱 호스팅Google Kubernetes Engine에 웹사이트 생성, 배포, 확장Cloud Build를 사용하여 모놀리식 애플리케이션에서 마이크로서비스 아키텍처로 마이그레이션
자세히 알아보기
초급 Dataplex로 데이터 정리 및 제어 기술 배지 과정을 완료하여, Dataplex 애셋 생성, 관점 유형 생성, Dataplex의 항목에 관점 적용 등의 기술을 입증하세요. 기술 배지 과정을 이수하면 실무형 실습과 챌린지 평가를 통해 특정 제품에 대한 실무 지식을 검증받을 수 있습니다. 과정을 완료하여 배지를 획득하거나 챌린지 실습으로 바로 넘어가 지금 배지를 획득하세요. 배지를 획득하면 자신의 숙련도를 증명하고 직업 프로필을 개선하며 궁극적으로는 더 나은 채용 기회를 얻을 수 있습니다. 획득한 배지를 추적하려면 프로필로 이동하세요.
자세히 알아보기
초급 Lakehouse 데이터 보호 기술 배지 과정을 완료하여 Knowledge Catalog 내에서 IAM, BigQuery, Lakehouse, Data Catalog를 사용해 Lakehouse 테이블을 만들고 보호하는 기술 역량을 입증하세요.
자세히 알아보기
This course covers the fundamentals of data governance, including its frameworks. You will gain hands-on experience using the Dataplex Universal Catalog to profile data, manage data quality, and implement automated data lineage for BigQuery data sources. Learn to effectively manage, secure, and understand your organization's data assets.
자세히 알아보기
이 과정에서는 AI 기반 검색 기술, 도구, 애플리케이션을 살펴봅니다. 벡터 임베딩을 활용하는 시맨틱 검색, 시맨틱 방식과 키워드 방식을 결합한 하이브리드 검색, 그라운딩된 AI 에이전트로서 AI 할루시네이션을 최소화하는 검색 증강 생성(RAG)에 대해 알아보세요. Vertex AI 벡터 검색을 활용해 지능형 검색 엔진을 빌드하는 실무 경험을 쌓을 수 있습니다.
자세히 알아보기
이 과정에서는 책임감 있는 AI라는 개념과 AI 원칙을 소개합니다. 공정성과 편향을 실질적으로 식별하고 AI/ML 실무에서 편향을 완화하는 기법을 알아봅니다. Google Cloud 제품과 오픈소스 도구를 사용하여 책임감 있는 AI 권장사항을 구현하는 실용적인 방법과 도구를 살펴봅니다.
자세히 알아보기
Eventarc로 이벤트 기반 애플리케이션 빌드하기 과정을 완료하고 기술 배지를 획득하세요. 이 과정에서는 Eventarc를 사용하여 Pub/Sub 주제 및 Cloud Storage 버킷을 포함한 다양한 리소스에 대한 이벤트 트리거를 만듭니다.
자세히 알아보기
이 과정에서는 생성형 AI 모델을 배포하고 관리할 때 MLOps팀이 직면하는 고유한 과제를 파악하는 데 필요한 지식과 도구를 제공하고 Vertex AI가 어떻게 AI팀이 MLOps 프로세스를 간소화하고 생성형 AI 프로젝트에서 성공을 거둘 수 있도록 지원하는지 살펴봅니다.
자세히 알아보기
이 과정에서는 생성형 AI 프로젝트와 예측형 AI 프로젝트를 모두 개발하는 데 중점을 두고 Google Cloud의 AI 및 머신러닝(ML) 기능을 소개합니다. 데이터에서 AI로 이어지는 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 기술, 제품, 도구를 살펴보고, 데이터 과학자, AI 개발자, ML 엔지니어가 대화형 실습을 통해 전문성을 강화할 수 있도록 지원합니다.
자세히 알아보기
초급 Compute Engine에서 Cloud Load Balancing 구현하기 기술 배지 과정을 완료하여 Compute Engine에서 가상 머신 만들기 및 배포, 네트워크 및 애플리케이션 부하 분산기 구성과 관련된 기술 역량을 입증하세요.
자세히 알아보기
책임감 있는 AI란 무엇이고 이것이 왜 중요하며 Google에서는 어떻게 제품에 책임감 있는 AI를 구현하고 있는지 설명하는 입문용 마이크로 학습 과정입니다. Google의 7가지 AI 원칙도 소개합니다.
자세히 알아보기
Google Cloud 네트워크 개발 과정을 완료하고 기술 배지를 획득하세요. 이 과정에서는 IAM 역할 탐색 및 프로젝트 액세스 권한 추가/삭제, VPC 네트워크 생성, Compute Engine VM 배포 및 모니터링, SQL 쿼리 작성, Compute Engine에서 VM 배포 및 모니터링, Kubernetes를 여러 배포 접근 방식과 함께 사용하여 애플리케이션을 배포하는 등의 다양한 애플리케이션 배포 및 모니터링 방법을 배울 수 있습니다.
자세히 알아보기
'AI 인프라: 네트워킹 기술' 과정에 오신 것을 환영합니다.
이 과정에서는 Google Cloud의 지연 시간이 짧은 고대역폭 인프라를 활용하여 AI 시스템의 모든 구성요소 간 데이터 전송 및 통신을 최적화하는 방법을 배우게 됩니다. 이 과정을 마치면 데이터 수집 및 학습부터 추론에 이르기까지 전체 AI 파이프라인에서 네트워킹이 수행하는 중요한 역할을 이해하고, 워크로드를 최대 속도로 실행할 수 있는 최적의 방법을 적용할 수 있게 됩니다.
자세히 알아보기
이 과정에서는 AI 및 고성능 컴퓨팅(HPC) 워크로드에 특화된 Google Cloud의 스토리지 솔루션에 대해 종합적으로 다룹니다. ML 수명 주기의 각 단계에 적절한 스토리지를 선택하는 방법을 알아봅니다. 학습 중 I/O 성능을 최적화하는 방법, 데이터 준비를 위해 대규모 데이터 세트를 관리하는 방법, 짧은 지연 시간으로 모델 아티팩트를 서빙하는 방법도 살펴봅니다. 실제 사례와 데모를 통해 AI 혁신을 가속화하는 견고한 스토리지 솔루션을 설계하는 데 필요한 전문성을 확보하게 됩니다.
자세히 알아보기
이 과정은 Google Cloud에서 AI 및 고성능 컴퓨팅(HPC) 워크로드를 배포, 관리, 최적화하는 방법에 대한 포괄적인 가이드를 제공합니다. 일련의 강의와 실용적인 데모를 통해 Google Compute Engine(GCE)을 사용하는 고도로 맞춤 설정 가능한 환경부터 Google Kubernetes Engine(GKE)과 같은 관리형 솔루션에 이르기까지 다양한 배포 전략을 살펴봅니다. 특히 클러스터를 만들고 추론을 위해 GKE를 배포하는 방법도 배우게 됩니다.
자세히 알아보기
Cloud TPU 과정에 오신 것을 환영합니다. 다양한 시나리오에서 TPU의 장단점을 살펴보고 여러 TPU 가속기를 비교하여 적합한 것을 선택하는 데 도움을 드리겠습니다. 이 과정을 통해 AI 모델의 성능과 효율성을 극대화하는 전략을 배우고 유연한 머신러닝 워크플로에 있어 GPU/TPU 상호 운용성이 얼마나 중요한지 이해하게 될 것입니다. 흥미로운 콘텐츠와 실용적인 데모를 통해 TPU를 효과적으로 활용하는 방법을 단계별로 안내해 드리겠습니다.
자세히 알아보기
AI를 뒷받침하는 강력한 하드웨어가 궁금하신가요? 이 모듈에서는 성능 최적화된 AI 컴퓨터를 분석하고 그 중요성을 알려드립니다. CPU, GPU, TPU가 어떻게 AI 태스크를 초고속으로 처리하는지, 각각의 고유한 특징은 무엇인지, 그리고 AI 소프트웨어에서 이를 최대한 활용하는 방법을 살펴보겠습니다. 이 과정을 마치면 AI 프로젝트에 적합한 GPU를 선택하는 방법을 정확히 알게 되어 AI 워크로드를 처리할 때 현명한 결정을 내릴 수 있게 됩니다.
자세히 알아보기
AI 하이퍼컴퓨터를 시작할 준비가 되셨나요? 이 과정에서는 AI 하이퍼컴퓨터를 쉽게 시작할 수 있도록 도와드립니다. AI 하이퍼컴퓨터에 대한 기본사항을 다루고 AI 하이퍼컴퓨터가 AI의 AI 워크로드 처리에 어떤 도움을 주는지 살펴봅니다. GPU, TPU, CPU 등 하이퍼컴퓨터 내부의 다양한 구성요소와 니즈에 맞는 적절한 배포 방식을 선택하는 방법을 알아봅니다.
자세히 알아보기
이 과정은 머신러닝 실무자에게 생성형 AI 모델과 예측형 AI 모델을 평가하는 데 필요한 도구, 기술, 권장사항을 제공합니다. 모델 평가는 프로덕션 단계의 ML 시스템이 안정적이고 정확하고 성능이 우수한 결과를 제공할 수 있게 하는 중요한 분야입니다.
강의 참가자는 다양한 평가 측정항목, 방법, 각각 다른 모델 유형과 작업에 적합한 애플리케이션에 대해 깊이 있게 이해할 수 있습니다. 이 과정에서는 생성형 AI 모델의 고유한 문제를 강조하고 이를 효과적으로 해결하기 위한 전략을 소개합니다. 강의 참가자는 Google Cloud의 Vertex AI Platform을 활용해 모델 선택, 최적화, 지속적인 모니터링을 위한 견고한 평가 프로세스를 구현하는 방법을 알아볼 수 있습니다.
자세히 알아보기
초급 Google Cloud에서 ML API용으로 데이터 준비하기 기술 배지를 완료하여 Dataprep by Trifacta로 데이터 정리, Dataflow에서 데이터 파이프라인 실행, Managed Service for Apache Spark에서 클러스터 생성 및 Apache Spark 작업 실행, Cloud Natural Language API, Google Cloud Speech-to-Text API, Video Intelligence API를 포함한 ML API 호출과 관련된 기술 역량을 입증하세요.
자세히 알아보기
Document AI로 데이터 캡처 자동화하기 과정을 완료하고 초급 기술 배지를 획득하세요. 이 과정에서는 Document AI를 사용하여 데이터를 추출, 처리, 캡처하는 방법을 알아봅니다.
자세히 알아보기
중급 에이전트 개발 키트(ADK)로 AI 에이전트 엔지니어링 기술 배지 과정을 완료하여 실제 언어 모델 조사 문제 공식화, 간단한 토크나이저 빌드, Transformer 언어 모델 학습을 위한 데이터 세트 준비, 소규모 언어 모델의 학습 루프 실행 등과 같은 기술 역량을 입증하세요.
자세히 알아보기
생성형 AI 애플리케이션은 대규모 언어 모델(LLM)이 발명되기 전에는 불가능에 가까웠던 새로운 사용자 경험을 만들 수 있습니다. 어떻게 하면 애플리케이션 개발자가 생성형 AI를 사용해 Google Cloud에서 강력한 대화형 앱을 빌드할 수 있을까요?
이 과정에서는 생성형 AI 애플리케이션에 대해 알아보고 프롬프트 설계 및 검색 증강 생성(RAG)을 사용해 LLM 기반의 강력한 애플리케이션을 빌드하는 방법을 학습합니다. 생성형 AI 애플리케이션에 사용할 수 있는 프로덕션 레디 아키텍처를 살펴보고 LLM 및 RAG 기반 채팅 애플리케이션을 빌드합니다.
자세히 알아보기
Google Cloud 콘솔과 명령줄을 통해 Cloud Run Functions를 사용하는 방법을 배우는 Cloud Run Functions로 서버리스 애플리케이션 빌드 과정을 완료하여 초급 기술 배지를 획득하세요. 기술 배지 과정을 이수하면 실무형 실습과 챌린지 평가를 통해 특정 제품에 대한 실무 지식을 검증받을 수 있습니다. 과정을 완료하여 배지를 획득하거나 챌린지 실습으로 바로 넘어가 지금 배지를 획득하세요. 배지를 획득하면 자신의 숙련도를 증명하고 직업 프로필을 개선하며 궁극적으로는 더 나은 채용 기회를 얻을 수 있습니다. 획득한 배지를 추적하려면 프로필로 이동하세요.
자세히 알아보기
애플리케이션 실행을 위한 Cloud Run 서버리스 플랫폼을 소개하는 이 과정에서는
Cloud Run의 기본사항, 리소스 모델, 컨테이너 수명 주기에 대해 알아봅니다.
서비스 ID, 서비스 액세스 제어 방법, 그리고 Cloud Run에 배포하기 전에 애플리케이션을 로컬에서 개발하고 테스트하는 방법에 대해 배웁니다.
이 과정에서는 Google Cloud의 다른 서비스와 통합하여 완전한 기능을 갖춘 애플리케이션을 빌드하는 방법도 다룹니다.
자세히 알아보기
중급 BigQuery로 멀티모달 벡터 검색 구현하기·기술 배지 과정을 완료하여 BigQuery의 Gemini를 사용해 SQL을 생성 및 디버그하고, 감정 분석을 수행하고, 텍스트를 요약하고 키워드를 식별하고, 임베딩을 생성하고, 검색 증강 생성(RAG) 파이프라인을 만들고, 멀티모달 벡터 검색을 구현하는 기술 역량을 입증해 보세요.
자세히 알아보기
중급 BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링 기술 배지를 획득하여 Dataprep by Trifact로 데이터 변환 파이프라인을 BigQuery에 빌드, Cloud Storage, Dataflow, BigQuery를 사용한 ETL(추출, 변환, 로드) 워크플로 빌드, BigQuery ML을 사용하여 머신러닝 모델을 빌드하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
Enterprise data sharing made easy with Dataplex and Analytics Hub
Learn how to share data securely in your lakehouse with minimized data duplication and more data governance through Dataplex and Analytics Hub - enterprise data management made easy.
Creating Data Pipelines with Data Fusion
In this session, we will explore using Data Fusion to create code-free point and click pipelines that can ETL high-volumes of data with support for popular data sources, including file systems and object stores, relational and NoSQL databases, and SaaS systems.
자세히 알아보기
이 과정에서는 프로덕션 환경에서 고성능 ML 시스템을 빌드하기 위한 구성요소와 권장사항을 자세히 살펴봅니다. 정적 학습, 동적 학습, 정적 추론, 동적 추론, 분산 TensorFlow, TPU 등 고성능 ML 시스템 빌드와 관련된 일반적인 고려사항을 다룹니다. 이 과정에서는 정확한 예측 능력 외에도 양질의 ML 시스템을 만드는 특성을 탐구하는 데 중점을 둡니다.
자세히 알아보기
이 과정은 총 2부로 구성된 시리즈 중 두 번째 과정으로, Google Cloud 결제 및 비용 관리 필수사항에 대해 다룹니다. 이 과정은 조직의 클라우드 인프라 최적화를 담당하는 재무 또는 IT 관련 직무에 적합합니다. 이 과정에서는 예산 및 알림 설정, 할당량 한도 관리, 약정 사용 할인 활용 등 Google Cloud 비용을 관리하고 최적화하는 여러 가지 방법을 알아봅니다. 실무형 실습에서는 다양한 도구를 사용하여 Google Cloud 비용을 관리 및 최적화하고 기술팀이 비용 최적화 권장사항을 적용할 수 있도록 지원해 봅니다.
자세히 알아보기
Google의 에이전트 개발 키트(ADK)로 첫 번째 AI 에이전트를 구축, 구성, 실행하면서 에이전트에 대한 이론을 실제로 적용해 보세요.
이 실습 중심 과정에서는 완전한 ADK 개발 환경을 설정하고, Python 코드와 YAML 구성의 두 가지 방식으로 에이전트를 생성하며, 다양한 인터페이스에서 실행하는 방법을 배우게 됩니다. 또한 에이전트 동작을 정의하는 핵심 파라미터를 학습하고 첫 번째 과정에서 배운 내용을 실제 코드에 적용합니다.
자세히 알아보기
에이전트 개발 키트(ADK)를 사용하여 복잡하고 프로덕션에 즉시 사용 가능한 AI 에이전트를 빌드하는 방법을 알아보세요. 이 과정에서는 ADK의 오픈소스 프레임워크를 다루며, 간단한 프롬프트 엔지니어링에서 시작해 엔터프라이즈급 멀티 에이전트 시스템에 적합한 코드 우선의 구조화된 소프트웨어 개발 접근 방식으로 나아갑니다.
자세히 알아보기
이 과정에서는 AI 할루시네이션을 완화하는 BigQuery의 검색 증강 생성(RAG) 솔루션을 살펴봅니다. 임베딩 만들기, 벡터 공간 검색, 개선된 응답 생성을 포함한 RAG 워크플로를 소개합니다. 또한 이 과정은 이러한 단계의 배경이 되는 개념을 설명하고 BigQuery를 통한 실질적인 구현 과정을 살펴봅니다. 이 과정을 마친 학습자는 BigQuery와 Gemini 및 임베딩 모델 같은 생성형 AI 모델을 사용하여 자신의 AI 할루시네이션 사용 사례를 해결하는 RAG 파이프라인을 빌드할 수 있게 됩니다.
자세히 알아보기
Dataflow 과정 시리즈의 두 번째 편에서는 Beam SDK를 사용하여 파이프라인을 개발하는 방법을 자세히 살펴보겠습니다. 먼저 Apache Beam 개념에 대한 복습부터 시작하겠습니다. 다음으로 윈도우, 워터마크, 트리거를 사용하여 스트리밍 데이터를 처리하는 방법을 알아봅니다. 그런 다음 파이프라인의 소스 및 싱크 옵션, 정형 데이터를 표현하는 스키마, State 및 Timer API를 사용하여 스테이트풀(Stateful) 변환을 수행하는 방법을 다룹니다. 이제 파이프라인 성능을 극대화하는 데 도움이 되는 권장사항을 살펴보겠습니다. 과정의 마지막 부분에서는 Beam에서 비즈니스 로직을 표현하기 위한 SQL과 DataFrame을 소개하고 Beam 노트북을 사용하여 파이프라인을 반복적으로 개발하는 방법을 알아봅니다.
자세히 알아보기
이 과정은 Dataflow를 사용한 서버리스 데이터 처리에 관한 3개 과정으로 이루어진 시리즈 중 1부입니다. 이 첫 번째 과정에서는 Apache Beam이 무엇인지, Dataflow와 어떤 관계가 있는지 복습하는 내용으로 시작합니다. 다음으로 Apache Beam의 비전과 Beam 이식성 프레임워크의 이점에 대해 설명합니다. Beam 이식성 프레임워크는 개발자가 선호하는 프로그래밍 언어를 원하는 실행 백엔드와 함께 사용할 수 있다는 비전을 실현합니다. 그런 다음 Dataflow를 통해 컴퓨팅과 스토리지를 분리하면서 비용을 절감하는 방법과 ID, 액세스, 관리 도구가 Dataflow 파이프라인과 상호작용하는 방식을 알아봅니다. 마지막으로 Dataflow에서 사용 사례에 맞는 적절한 보안 모델을 구현하는 방법을 살펴봅니다.
자세히 알아보기
In this series of labs you will learn how to use BigQuery to analyze NCAA basketball data with SQL. Build a Machine Learning Model to predict the outcomes of NCAA March Madness basketball tournament games.
자세히 알아보기
This course is an introduction to building forecasting solutions with Google Cloud. You start with sequence models and time series foundations. You then walk through an end-to-end workflow: from data preparation to model development and deployment with Vertex AI. Finally, you learn the lessons and tips from a retail use case and apply the knowledge by building your own forecasting models.
자세히 알아보기
머신러닝을 데이터 파이프라인에 통합하면 데이터에서 더 많은 인사이트를 도출할 수 있습니다. 이 과정에서는 머신러닝을 Google Cloud의 데이터 파이프라인에 포함하는 방법을 알아봅니다. 맞춤설정이 거의 또는 전혀 필요 없는 경우에 적합한 AutoML에 대해 알아보고 맞춤형 머신러닝 기능이 필요한 경우를 위해 Notebooks 및 BigQuery 머신러닝(BigQuery ML)도 소개합니다. Vertex AI를 사용해 머신러닝 솔루션을 프로덕션화하는 방법도 다루어 보겠습니다.
자세히 알아보기
BigQuery ML을 사용한 추론, 데이터 분석가가 BigQuery ML을 사용해야 하는 이유, 사용 사례, 지원되는 ML 모델을 알아봅니다. BigQuery에서 ML 모델을 만들고 관리하는 방법도 배웁니다.
자세히 알아보기
BigQuery로 스트리밍 분석 과정을 완료하여 기술 배지를 획득하세요. 이 과정에서는 Pub/Sub, Dataflow, BigQuery를 함께 사용하여 데이터를 스트리밍하고 분석할 수 있습니다.
자세히 알아보기
이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.
자세히 알아보기
이 과정은 데이터 준비부터 모델 배포와 모니터링까지 전체 머신러닝 워크플로를 위한 통합 플랫폼을 제공하는 Jupyter 노트북 기반 환경인 Vertex AI Notebooks를 소개합니다. 이 과정에서는 (1) 다양한 유형의 Vertex AI Notebooks와 그 특징, (2) Vertex AI Notebooks를 만들고 관리하는 방법을 다룹니다.
자세히 알아보기
SQL만으로 몇 시간이 아닌 몇 분 만에 머신러닝 모델을 빌드하고 싶으신가요? BigQuery ML은 데이터 분석가가 기존 SQL 도구와 기술을 사용하여 머신러닝 모델을 만들고, 학습시키고, 평가하고, 예측할 수 있게 하여 머신러닝을 범용화합니다. 이 실습 시리즈에서는 다양한 모델 유형을 실험하고 좋은 모델을 만드는 요소를 알아봅니다.
자세히 알아보기
이 과정에서는 스트리밍 데이터 파이프라인을 빌드할 때 직면하는 실제 과제를 해결하기 위해 실습을 진행합니다. Google Cloud 제품을 사용하여 지속적이고 무제한적인 데이터를 관리하는 데 중점을 둡니다.
자세히 알아보기
