가입 로그인

Google Cloud 콘솔에서 기술 적용

Henry Pereira

회원 가입일: 2026

에이전트 동작 최적화 Earned 5월 25, 2026 EDT
에이전트 개발 키트(ADK)로 AI 에이전트 엔지니어링 Earned 5월 25, 2026 EDT
에이전트 개발 키트(ADK)로 나의 첫 에이전트 빌드 Earned 5월 25, 2026 EDT
에이전트 개발 키트(ADK)로 에이전트 빌드 Earned 5월 25, 2026 EDT
나의 첫 Gemini Enterprise 애플리케이션 만들기 Earned 5월 25, 2026 EDT
Build AI Agents with Enterprise Databases Earned 5월 25, 2026 EDT
이미지 캡셔닝 모델 만들기 Earned 3월 10, 2026 EDT
Transformer 모델 및 BERT 모델 Earned 3월 10, 2026 EDT
인코더-디코더 아키텍처 Earned 3월 10, 2026 EDT
어텐션 메커니즘 Earned 3월 10, 2026 EDT
이미지 생성 소개 Earned 3월 9, 2026 EDT

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

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

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

첫 번째 Gemini Enterprise 애플리케이션을 만들어 기술 배지를 획득하세요. 다양한 데이터 소스를 애플리케이션에 연결하여 강력한 통합 검색 및 분석 엔진을 빌드하세요. Deep Research 에이전트, 멀티 에이전트 아이디어 구상, 집중 분석을 위한 NotebookLM과 같은 고급 기능을 익힐 수 있습니다.

자세히 알아보기

Build AI agents that can leverage enterprise databases using the MCP Toolbox for Databases. You will define secure database interaction tools, and implement intelligent querying capabilities (leveraging vector embeddings, structured queries).

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