회원 가입일: 2026
Arcade Trail: Containers & Load Balancing
Earned 10월 20, 2026 EDT
Arcade Voyage: Language, Voice, and Multimodal Processing
Earned 10월 14, 2026 EDT
개발자를 위한 책임감 있는 AI: 해석 가능성 및 투명성
Earned 10월 14, 2026 EDT
개발자를 위한 책임감 있는 AI: 공정성 및 편향
Earned 10월 14, 2026 EDT
DevOps 필수 정보
Earned 9월 8, 2026 EDT
Vertex AI로 머신러닝 작업(MLOps): 모델 평가
Earned 7월 21, 2026 EDT
생성형 AI를 위한 머신러닝 작업(MLOps)
Earned 7월 18, 2026 EDT
Learn to build and scale production-ready cloud environments. In this trail, you'll package apps with Docker, deploy workloads on Google Kubernetes Engine, and orchestrate containerized services. Next, configure regional internal proxy and global HTTPS load balancers, then set up Cloud Monitoring to track health and latency. Pass both challenge labs to prove your ability to deploy resilient applications and route global traffic efficiently.
Transforming unstructured multimedia into searchable, structured data is the core of modern cognitive computing. In this voyage, you'll analyze sentiment and extract entities using the Cloud Natural Language API, pairing language workflows with Apache Spark to demonstrate big-data scalability. From there, you'll branch into multimodal synthesis—generating lifelike audio using Text-to-Speech, bridging global barriers with the Cloud Translation API, and annotating video streams via Video Intelligence. Complete both challenge labs to prove you can deploy pre-trained models that read, speak, translate, and inspect content at scale.
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.
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.
DevOps를 통해 경쟁 우위를 확보하세요. DevOps는 소프트웨어 배포 속도를 높이고 서비스 안정성을 개선하며 소프트웨어 이해관계자 간의 소유권 공유를 지원하기 위한 조직적, 문화적 방법론입니다. 이 과정에서는 Google Cloud를 사용하여 소프트웨어 배포 기능의 속도, 안정성, 가용성, 보안을 개선하는 방법을 알아봅니다. DevOps 연구 및 평가(DORA)가 Google Cloud에 인수되었습니다. 팀에서는 어떤 측정 방식을 사용하고 있나요? 5개 문항으로 구성된 객관식 퀴즈를 통해 알아보세요.
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.
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.