Martin Frey
회원 가입일: 2023
에이전트 메모리 및 상태 관리
Earned 9월 12, 2026 EDT
에이전트 동작 최적화
Earned 9월 12, 2026 EDT
에이전트 개발 키트(ADK)로 나의 첫 에이전트 빌드
Earned 9월 8, 2026 EDT
나의 첫 Gemini Enterprise 애플리케이션 만들기
Earned 9월 7, 2026 EDT
Enterprise 에이전트 및 사용 사례
Earned 9월 6, 2026 EDT
에이전트 기초
Earned 9월 6, 2026 EDT
BigQuery로 데이터 웨어하우스 빌드
Earned 3월 14, 2026 EDT
이미지 캡셔닝 모델 만들기
Earned 12월 16, 2025 EST
Transformer 모델 및 BERT 모델
Earned 12월 15, 2025 EST
인코더-디코더 아키텍처
Earned 12월 14, 2025 EST
Dataflow를 사용한 서버리스 데이터 처리: 운영
Earned 12월 14, 2025 EST
어텐션 메커니즘
Earned 12월 12, 2025 EST
이미지 생성 소개
Earned 12월 12, 2025 EST
Dataflow를 사용한 서버리스 데이터 처리: 파이프라인 개발
Earned 12월 8, 2025 EST
Dataflow를 사용한 서버리스 데이터 처리: 기초
Earned 11월 27, 2025 EST
Professional Data Engineer 여정 준비하기
Earned 11월 27, 2025 EST
Google Cloud에서 스트리밍 데이터 파이프라인 빌드하기
Earned 11월 26, 2025 EST
생성형 AI 소개
Earned 11월 19, 2025 EST
생성형 AI를 위한 머신러닝 작업(MLOps)
Earned 11월 19, 2025 EST
생성형 AI 에이전트: 조직 혁신
Earned 11월 19, 2025 EST
생성형 AI 앱: 업무 혁신
Earned 11월 18, 2025 EST
생성형 AI: 환경 살펴보기
Earned 11월 17, 2025 EST
생성형 AI: 기본 개념 이해
Earned 11월 16, 2025 EST
Google Cloud에서 일괄 데이터 파이프라인 빌드하기
Earned 11월 16, 2025 EST
생성형 AI: 챗봇 그 이상의 가치
Earned 11월 15, 2025 EST
Google Cloud에서 데이터 레이크와 데이터 웨어하우스 빌드하기
Earned 11월 12, 2025 EST
Google Cloud의 데이터 엔지니어링 입문
Earned 11월 7, 2025 EST
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
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
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
AI 에이전트가 비즈니스에 어떤 영향을 미치는지 살펴보세요. 에이전트 유형을 KPI에 매핑하고 실제 병목 현상을 해결하는 사용 사례를 알아봅니다. Gemini Enterprise로 어떻게 노 코드 솔루션부터 하이 코드 솔루션에 이르기까지 적절한 에이전트를 빌드하고 조정할 수 있는지에 대해서도 다룹니다.
자세히 알아보기
이 과정에서는 AI 에이전트에 대한 기본사항을 소개하고 실제 비즈니스 현장에서 에이전트가 가치를 창출하는 영역을 살펴봅니다. 이 과정은 자율적이고 목표 지향적인 행동의 관점에서 AI 시스템을 이해하려는 개발자, 설계자, 기술 의사 결정권자에게 기초를 제공합니다.
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 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
Dataflow 과정 시리즈의 마지막 편에서는 Dataflow 운영 모델의 구성요소를 소개합니다. 파이프라인 성능의 문제를 해결하고 최적화하기 위한 도구와 기법을 살펴봅니다. 그런 다음 Dataflow 파이프라인의 테스트, 배포, 안정성 권장사항을 검토합니다. 마지막으로 Dataflow 파이프라인을 사용자가 수백 명이나 되는 조직으로 쉽게 확장할 수 있는 템플릿을 검토해 보겠습니다. 이 강의는 데이터 플랫폼이 예상치 못한 상황에서도 안정성과 복원력을 갖추도록 하는데 도움이 됩니다.
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
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
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
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
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
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
생성형 AI 에이전트: 조직 혁신'은 Gen AI Leader 학습 과정의 다섯 번째이자 마지막 과정입니다. 이 과정에서는 조직이 어떻게 커스텀 생성형 AI 에이전트를 사용해 특정 비즈니스 과제를 해결할 수 있는지 살펴봅니다. 모델, 추론 루프, 도구와 같은 에이전트의 구성요소를 살펴보며 기본적인 생성형 AI 에이전트를 빌드하는 실무형 실습을 진행합니다.
자세히 알아보기
'생성형 AI 앱: 업무 혁신'은 생성형 AI 리더 학습 과정의 네 번째 과정입니다. 이 과정에서는 Workspace를 위한 Gemini, NotebookLM 등 Google의 생성형 AI 애플리케이션을 소개합니다. 그라운딩, 검색 증강 생성, 효과적인 프롬프트 작성, 자동화된 워크플로 구축 등의 개념을 안내합니다.
자세히 알아보기
생성형 AI: 환경 살펴보기는 Gen AI Leader 학습 과정의 세 번째 과정입니다. 생성형 AI는 업무 방식을 비롯해 주변 세계와 상호작용하는 방식에 변화를 일으키고 있습니다. 리더로서 생성형 AI를 활용하여 실질적인 비즈니스 성과를 얻으려면 어떻게 해야 할까요? 이 과정에서는 생성형 AI 솔루션 빌드의 다양한 계층, Google Cloud 제품, 솔루션을 선택할 때 고려해야 할 요소를 살펴봅니다.
자세히 알아보기
생성형 AI: 기본 개념 이해는 Gen AI Leader 학습 과정의 두 번째 과정입니다. 이 과정에서는 생성형 AI의 기본 개념을 이해하기 위해 AI, ML, 생성형 AI의 차이점을 살펴보고 다양한 데이터 유형에서 생성형 AI로 어떻게 비즈니스 과제를 해결할 수 있는지 알아봅니다. 파운데이션 모델의 제한사항과 책임감 있고 안전한 AI 개발 및 배포의 주요 과제를 해결할 수 있도록 Google Cloud 전략에 관한 인사이트도 제공합니다.
자세히 알아보기
이 중급 과정에서는 Google Cloud에서 강력한 일괄 데이터 파이프라인을 설계, 빌드, 최적화하는 방법을 알아봅니다. 기본적인 데이터 처리를 넘어, 시의적절한 비즈니스 인텔리전스와 중요한 보고에 필수적인 대규모 데이터 변환과 효율적인 워크플로 조정에 대해 살펴봅니다.
Apache Beam용 Dataflow와 Apache Spark용 서버리스(Dataproc Serverless)를 사용하여 구현을 실습하고, 파이프라인 안정성과 운영 우수성을 보장하기 위해 데이터 품질, 모니터링, 알림에 대한 중요한 고려사항을 다룹니다. 데이터 웨어하우징, ETL/ELT, SQL, Python, Google Cloud 개념에 대한 기본적인 지식이 있으면 좋습니다.
자세히 알아보기
생성형 AI: 챗봇 그 이상의 가치는 Gen AI Leader 학습 과정의 첫 번째 과정이며 기본 요건은 따로 없습니다. 이 과정은 챗봇에 대한 기본적인 이해를 넘어 조직을 위한 생성형 AI의 진정한 잠재력을 살펴보는 것을 목표로 합니다. 생성형 AI의 강력한 기능을 활용하는 데 중요한 파운데이션 모델과 프롬프트 엔지니어링과 같은 개념을 살펴봅니다. 또한 조직을 위한 성공적인 생성형 AI 전략을 개발할 때 고려해야 할 중요한 사항을 안내합니다.
자세히 알아보기
데이터 레이크와 데이터 웨어하우스를 사용하는 기존 접근방식은 효과적일 수 있지만, 특히 대규모 엔터프라이즈 환경에서는 단점이 있습니다. 이 과정에서는 데이터 레이크하우스의 개념과 데이터 레이크하우스를 만드는 데 사용되는 Google Cloud 제품을 소개합니다. 레이크하우스 아키텍처는 개방형 표준 데이터 소스를 사용하며 데이터 레이크와 데이터 웨어하우스의 장점을 결합하여 많은 단점을 해결합니다.
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
