Ratna Kumar Annavarapu
회원 가입일: 2023
브론즈 리그
1230포인트
회원 가입일: 2023
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.
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.
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.
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.
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.
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.
Introduction to Generative AI, Introduction to Large Language Models, Introduction to Responsible AI 과정을 완료하고 기술 배지를 획득하세요. 최종 퀴즈를 풀어보고 생성형 AI의 기본 개념을 제대로 이해했는지 확인해 보세요. 기술 배지는 Google Cloud 제품 및 서비스에 대한 지식을 숙지한 사람에게 Google Cloud에서 발급하는 디지털 배지입니다. 프로필을 공개하고 기술 배지를 소셜 미디어 프로필에 추가하여 공유하세요.
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.
안전한 Google Cloud 네트워크 빌드 과정을 완료하여 기술 배지를 획득하세요. 이 과정에서는 Google Cloud에서 애플리케이션을 빌드, 확장, 보호하는 데 필요한 다양한 네트워킹 관련 리소스에 대해 배울 수 있습니다.
Google Cloud의 로깅, 모니터링, 모니터링 가능성에 관한 2부 과정에 오신 것을 환영합니다. Google Cloud의 핵심 운영 도구는 크게 두 가지 카테고리로 나뉩니다. 운영 중심 구성요소와 애플리케이션 성능 관리 도구입니다. 이 과정에서는 Google Cloud의 로깅 및 모니터링에서는 로깅, 모니터링, 서비스 모니터링을 포함한 운영 중심 구성요소를 다룹니다. 이 과정을 수강한 후에는 Google Cloud의 모니터링 가능성(2부)을 완료하여 사용 가능한 애플리케이션 성능 관리 도구에 관해 알아보시기 바랍니다.
이 자기 주도형 교육 과정에서는 DDoS 공격, 피싱 공격, 콘텐츠 분류 및 사용과 관련된 위협 등 Google Cloud 기반 인프라의 많은 지점에 대한 공격을 완화시키는 기술을 배웁니다. 또한 Security Command Center, 클라우드 로깅 및 감사 로깅, Forseti를 사용하여 조직의 보안 정책 전반에 대한 규정 준수 상태를 확인하는 방법을 알아봅니다.
이 자기 주도형 교육 과정은 수강생이 Google Cloud의 보안 제어 및 기술을 폭넓게 학습할 수 있도록 구성되어 있습니다. 참가자는 녹화된 강의, 데모, 실무형 실습을 통해 Cloud Storage 액세스 제어 기술, 보안 키, 고객 제공 암호화 키, API 액세스 제어, 범위 지정, 보안 VM, 암호화, 서명된 URL을 비롯한 안전한 Google Cloud 솔루션의 구성요소를 탐색하고 배포해 봅니다. Kubernetes 환경 보호에 대해서도 다룹니다.
이 과정에서는 Google Cloud 환경을 보호하기 위한 기본 지식을 제공합니다. 제로 트러스트 원칙과 공동 운명 모델을 포함한 Google Cloud의 보안 모델을 알아봅니다. Cloud ID 및 직원 ID 제휴와 같은 ID 서비스를 구성하고, Identity and Access Management(IAM) 역할, 조건, 정책을 사용하여 액세스 제어를 관리하며, VPC, Cloud Firewall 등급, VPC 서비스 제어와 같은 네트워크 보안 제어를 구현하여 안전한 경계를 구축합니다. 이 과정은 Google Cloud의 보안 학습 과정의 기초로서, 이후 두 가지 전문 트랙인 5개 과정으로 구성된 'Google Cloud 보안 권장사항 시리즈'와 4개 과정으로 구성된 'Google Cloud의 위협 완화' 시리즈에 필요한 핵심 원칙을 정립합니다.
네트워킹 및 Google Cloud 시리즈의 두 번째 과정인 '라우팅 및 주소 지정하기'에 오신 것을 환영합니다. 이 과정에서는 Google Cloud의 네트워킹 기능과 관련된 핵심 라우팅 및 주소 지정 개념을 다룹니다. 모듈 1에서는 Google Cloud의 네트워크 라우팅 및 주소 지정을 살펴보고 IPv4 라우팅, 사용자 IP 주소 사용, Cloud DNS 설정 등 주요 구성요소를 알아보며 기초를 다집니다. 모듈 2에서는 비공개 연결 옵션으로 초점을 옮겨 내부 IP 주소를 통해 Google 및 기타 서비스에 비공개로 액세스하는 방법과 사용 사례를 살펴봅니다. 이 과정을 마치면 Google Cloud 내에서 네트워크 트래픽을 효과적으로 라우팅하고 주소를 지정하는 방법을 확실히 이해할 수 있습니다.
'Google Cloud의 네트워킹' 과정은 6부로 구성되어 있습니다. 6부로 구성된 과정의 첫 번째 순서인 'Google Cloud의 네트워킹: 기초'에 오신 것을 환영합니다. 이 과정에서는 네트워킹 기초, 가상 프라이빗 클라우드(VPC), VPC 네트워크 공유 등 핵심 네트워킹 개념을 포괄적으로 소개합니다. 또한 네트워크 로깅 및 모니터링 기법에 대해서도 알아봅니다.
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.
Google Cloud에서 머신러닝을 구현하기 위한 권장사항에는 어떤 것이 있을까요? Vertex AI란 무엇이고, 이 플랫폼을 사용하여 코드는 한 줄도 작성하지 않고 AutoML 머신러닝 모델을 빠르게 빌드, 학습, 배포하려면 어떻게 해야 할까요? 머신러닝이란 무엇이며 어떤 종류의 문제를 해결할 수 있을까요? Google은 머신러닝을 조금 다른 방식으로 바라봅니다. Google이 머신러닝과 관련하여 중요하게 생각하는 것은 관리형 데이터 세트를 위한 통합 플랫폼과 특징 저장소를 제공하고, 코드를 작성하지 않고도 머신러닝 모델을 빌드, 학습, 배포할 방법을 제공하고, 데이터에 라벨을 지정하고, TensorFlow, scikit-learn, Pytorch, R 등과 같은 프레임워크를 사용하여 Workbench 노트북을 만들 수 있도록 지원하는 것입니다. Google의 Vertex AI 플랫폼에는 커스텀 모델을 학습시키고, 구성요소 파이프라인을 빌드하고, 온라인 및 일괄 예측을 실행하는 기능이 포함되어 있습니다. 후보 사용 사례를 머신러닝으로 구동되도록 변환하는 5단계를 살펴보고, 단계를 건너뛰지 않는 것이 중요한 이유를 알아봅니다. 마지막으로, 머신러닝이 증폭시킬 수 있는 편향과 이를 인식할 방법을 살펴봅니다.
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.
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.