Ömer Faruk Güngör
회원 가입일: 2021
다이아몬드 리그
19711포인트
개발자를 위한 책임감 있는 AI: 개인 정보 보호 및 안전
Earned 10월 16, 2026 EDT
개발자를 위한 책임감 있는 AI: 해석 가능성 및 투명성
Earned 10월 16, 2026 EDT
Google Cloud에서 생성형 AI 앱 만들기
Earned 10월 16, 2026 EDT
프로덕션 머신러닝 시스템
Earned 10월 16, 2026 EDT
Gemini Enterprise Agent Platform을 사용한 멀티 에이전트 시스템 배포
Earned 10월 15, 2026 EDT
Google Cloud 기초: 핵심 인프라
Earned 9월 22, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps): 모델 평가
Earned 9월 22, 2026 EDT
생성형 AI를 위한 머신러닝 작업(MLOps)
Earned 9월 22, 2026 EDT
대규모 언어 모델 소개
Earned 9월 22, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps) 기능 관리
Earned 9월 22, 2026 EDT
머신러닝 작업(MLOps): 시작하기
Earned 9월 22, 2026 EDT
BigQuery ML로 ML 모델 만들기
Earned 9월 21, 2026 EDT
자격증 학습 가이드 만들기: PMLE 시험 대비
Earned 9월 21, 2026 EDT
Google Cloud의 AI 및 머신러닝 소개
Earned 9월 21, 2026 EDT
엔터프라이즈 데이터베이스로 AI 에이전트 빌드하기
Earned 9월 17, 2026 EDT
AgentOps: Google Cloud에서 AI 에이전트 운영
Earned 9월 17, 2026 EDT
Orchestrate Workflows with the Data Agent Kit
Earned 9월 17, 2026 EDT
Build Agent Skills with Google
Earned 9월 17, 2026 EDT
도구로 에이전트 기능 추가
Earned 9월 17, 2026 EDT
에이전트 메모리 및 상태 관리
Earned 9월 17, 2026 EDT
에이전트 개발 키트(ADK)로 AI 에이전트 엔지니어링
Earned 9월 17, 2026 EDT
에이전트 동작 최적화
Earned 9월 17, 2026 EDT
에이전트 전략: 발견, 설계, 프로토타입 제작
Earned 9월 17, 2026 EDT
Google Antigravity로 시작하기: AI로 동영상 게임 빌드하기
Earned 9월 17, 2026 EDT
Google Cloud 에이전트 이해하기
Earned 9월 17, 2026 EDT
생성형 AI 소개
Earned 7월 25, 2026 EDT
Google Cloud 네트워크 설정
Earned 11월 28, 2021 EST
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 11월 27, 2021 EST
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 11월 26, 2021 EST
Google Cloud 앱 개발 환경 설정
Earned 11월 22, 2021 EST
DEPRECATED Cloud Architecture
Earned 11월 19, 2021 EST
Google Cloud 네트워크 개발
Earned 11월 15, 2021 EST
Compute Engine에서 Cloud Load Balancing 구현하기
Earned 11월 12, 2021 EST
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
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
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
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 과정에서는 Google 에이전트 개발 키트를 사용하여 복잡한 멀티 에이전트 시스템을 빌드하는 방법을 학습합니다. 학습자는 도구를 갖춘 에이전트를 빌드하고 상하위 관계 및 흐름을 사용해 여러 에이전트를 연결하여 상호작용 방식을 정의해 봅니다. 에이전트를 로컬로 실행하고 Gemini Enterprise Agent Platform의 Agent Runtime에 배포하여 인프라 결정과 Agent Runtime에서 처리하는 리소스 확장에 따른 관리형 에이전트 흐름으로 실행합니다.
이 실습은 이 제품의 출시 전 버전을 기반으로 합니다. 유지보수 업데이트를 제공하는 동안에는 이러한 실습에 약간의 지연이 있을 수 있습니다.
자세히 알아보기
Google Cloud 기초: 핵심 인프라 과정은 Google Cloud 사용에 관한 중요한 개념 및 용어를 소개합니다. 이 과정에서는 동영상 및 실무형 실습을 통해 중요한 리소스 및 정책 관리 도구와 함께 Google Cloud의 다양한 컴퓨팅 및 스토리지 서비스를 살펴보고 비교합니다.
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
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 과정은 입문용 마이크로 학습 과정으로, 대규모 언어 모델(LLM)이란 무엇이고, LLM을 활용할 수 있는 사용 사례로는 어떤 것이 있으며, 프롬프트 조정을 사용해 LLM 성능을 개선하는 방법은 무엇인지 알아봅니다. 또한 자체 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.
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
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
중급 BigQuery ML로 ML 모델 만들기 기술 배지 과정을 완료하면 BigQuery ML로 머신러닝 모델을 만들고 평가하여 데이터 예측을 수행하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
Gemini Notebook을 사용하여 Professional Machine Learning Engineer(PMLE) 자격증 시험을 위한 맞춤형 학습 가이드를 만드는 방법을 알아보세요. Gemini Notebook 기능을 검토하고, 노트북을 만들고, 학습 가이드를 사용하여 자격증 시험을 연습합니다.
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
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
생성형 AI 에이전트를 프로토타입에서 프로덕션으로 가져가는 데 필요한 AgentOps 관행을 알아봅니다. 이 과정에서는 엔드 투 엔드 모니터링 가능성, CI/CD 파이프라인의 품질 검사 자동화, 엔터프라이즈 규정 준수를 위한 에이전트 인프라 보호를 다룹니다. Gemini Enterprise Agent Ready(GEAR) 프로그램의 다른 콘텐츠도 살펴봅니다.
자세히 알아보기
This course brings AI-driven, natural-language data engineering into the IDE and CLI workflows you already use. Built on the Agent Development Kit (ADK), the Data Agent Kit connects to a wide array of Google Cloud services, including BigQuery, Spanner, BigLake, Dataproc, and Managed Airflow. By using it, you can collapse days of pipeline scaffolding, data build tool (dbt) authoring, and orchestration wiring into prompt-driven sessions.
As an intermediate-to-advanced practitioner, you will learn to build a data agent with the Agent Development Kit (ADK). You'll wire up the Model Context Protocol (MCP) layer, and use your agent to explore catalogs, transform data, train models, and orchestrate scheduled pipelines on Google Cloud.
자세히 알아보기
Close the gap between general AI capabilities and your domain knowledge through Agent Skills. This course walks you through the full lifecycle of custom skill building, from local scaffolding and testing to enterprise scaling and sharing using Google's agent ecosystem, including Google Antigravity, ADK, and Skill Registry. Additionally, you use Google Agents CLI toolkit to attach skills to standalone 24/7 cloud agents, equipping your team with reliable, autonomous digital coworkers.
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.
Gemini Enterprise Agent Ready(GEAR) 프로그램의 다른 콘텐츠도 살펴봅니다.
커뮤니티 포럼에서 질문하고 토론하기
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
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
미래로 나아가는 여정을 '에이전트 전략: 발견, 설계, 프로토타입 제작'으로 시작해 보세요. 이 과정에서는 Google의 에이전트 AI Transformation 프레임워크를 체계적으로 익히고 단순한 챗봇을 발전시켜 자율적으로 협업하는 팀원으로 만드는 방법을 학습할 수 있습니다. 소매 산업 사례를 통해 비즈니스 가치를 정량화하고 AI 프로젝트의 우선순위를 설정하며 중요한 사용자 여정을 설계하는 방법을 익히게 됩니다. 또한 Google AI Studio와 Gemini Enterprise 같은 노 코드 도구를 활용해 실제로 작동하는 프로토타입을 빌드하는 실습도 포함되어 있습니다. 이 과정은 비즈니스 및 기술 리더가 조직을 에이전트 AI 시대로 이끄는 데 필요한 로드맵을 명확하게 보여줍니다.
자세히 알아보기
이 과정에서는 Google Antigravity에서 에이전트를 조정하여 추진력 있는 속도로 소프트웨어를 빌드하는 방법을 알아봅니다. 이 실무형 과정에서는 먼저 Antigravity를 설치하고 시작하는 방법을 안내합니다. 다음으로 Firebase를 사용하여 Antigravity로 빌드한 앱의 서비스를 사용 설정합니다. 마지막으로 Antigravity에서 에이전트가 병렬로 작동하도록 프롬프트를 작성하여 Voyager라는 비디오 게임을 빌드합니다.
자세히 알아보기
이 과정에서는 Vertex AI Agent Builder, Gemini Enterprise, 대화형 에이전트, 에이전트 개발 키트를 포함해 Google Cloud의 에이전트 플랫폼에 대한 포괄적인 개요를 제공합니다. 학습자는 각 제품의 고유한 기능을 이해하고, 특정 사용 사례에 가장 적합한 솔루션을 구별하며, 검색 및 채팅 애플리케이션 제작에 필요한 기초 지식을 습득하게 됩니다.
자세히 알아보기
생성형 AI란 무엇이고 어떻게 사용하며 전통적인 머신러닝 방법과는 어떻게 다른지 설명하는 입문용 마이크로 학습 과정입니다. 직접 생성형 AI 앱을 개발하는 데 도움이 되는 Google 도구에 대해서도 다룹니다.
자세히 알아보기
Google Cloud 네트워크 설정 과정을 완료하고 기술 배지를 획득하세요. 이 실습에서는 Google Cloud Platform에서 기본적인 네트워킹 작업을 수행하는 방법을 알아봅니다. 커스텀 네트워크를 만들고 서브넷 방화벽 규칙을 추가한 다음 VM을 만들고 VM이 서로 통신할 때의 지연 시간을 테스트합니다.
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
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
Google Cloud 앱 개발 환경 설정 과정을 완료하여 기술 배지를 획득하세요. Cloud Storage, Identity and Access Management, Cloud Functions, Pub/Sub의 기본 기능을 사용하여 스토리지 중심 클라우드 인프라를 구축하고 연결하는 방법을 배울 수 있습니다.
자세히 알아보기
This fundamental-level quest is unique amongst the other quest offerings. The labs have been curated to give IT professionals hands-on practice with topics and services that appear in the Google Cloud Certified Professional Cloud Architect Certification. From IAM, to networking, to Kubernetes engine deployment, this quest is composed of specific labs that will put your Google Cloud knowledge to the test. Be aware that while practice with these labs will increase your skills and abilities, we recommend that you also review the exam guide and other available preparation resources.
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
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
