Ilias Moratis
회원 가입일: 2025
골드 리그
3699포인트
에이전트 개발 키트(ADK)로 AI 에이전트 엔지니어링
Earned 10월 16, 2026 EDT
도구로 에이전트 기능 추가
Earned 9월 25, 2026 EDT
에이전트 메모리 및 상태 관리
Earned 9월 18, 2026 EDT
에이전트 동작 최적화
Earned 9월 14, 2026 EDT
에이전트 개발 키트(ADK)로 나의 첫 에이전트 빌드
Earned 8월 16, 2026 EDT
BigQuery에서 Gemini 모델 사용하기
Earned 5월 4, 2026 EDT
BigQuery 머신러닝을 사용한 추론
Earned 4월 16, 2026 EDT
데이터 과학자와 분석가를 위한 Gemini
Earned 4월 3, 2026 EDT
Vertex AI에서 노트북 작업하기
Earned 2월 9, 2026 EST
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 2월 6, 2026 EST
Google Cloud의 AI 및 머신러닝 소개
Earned 1월 12, 2026 EST
자격증 학습 가이드 만들기: PMLE 시험 대비
Earned 1월 4, 2026 EST
Google Cloud 필수 정보
Earned 1월 3, 2026 EST
이미지 생성 소개
Earned 12월 19, 2025 EST
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
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.
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
이 과정은 BigQuery에서 생성형 AI 작업에 AI/ML 모델을 사용하는 방법을 보여줍니다. 고객 관계 관리와 관련된 실제 사용 사례를 통해 Gemini 모델로 비즈니스 문제를 해결하는 워크플로를 설명합니다. 이해를 돕기 위해 SQL 쿼리와 Python 노트북을 사용하는 코딩 솔루션을 단계별로 안내합니다.
자세히 알아보기
BigQuery ML을 사용한 추론, 데이터 분석가가 BigQuery ML을 사용해야 하는 이유, 사용 사례, 지원되는 ML 모델을 알아봅니다. BigQuery에서 ML 모델을 만들고 관리하는 방법도 배웁니다.
자세히 알아보기
이 과정에서는 Google Cloud의 생성형 AI 기반 파트너인 Gemini가 고객 데이터를 분석하고 제품 판매를 예측하는 데 어떤 도움이 되는지 알아봅니다. BigQuery에서 고객 데이터를 사용해 신규 고객을 식별, 분류, 개발하는 방법도 다룹니다. 실무형 실습을 통해 Gemini로 데이터 분석 및 머신러닝 워크플로가 얼마나 개선되는지 경험할 수 있습니다.
Duet AI의 이름이 Google의 차세대 모델인 Gemini로 변경되었습니다.
자세히 알아보기
이 과정은 데이터 준비부터 모델 배포와 모니터링까지 전체 머신러닝 워크플로를 위한 통합 플랫폼을 제공하는 Jupyter 노트북 기반 환경인 Vertex AI Notebooks를 소개합니다. 이 과정에서는 (1) 다양한 유형의 Vertex AI Notebooks와 그 특징, (2) Vertex AI Notebooks를 만들고 관리하는 방법을 다룹니다.
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
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
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 초급 과정에서는 Google Cloud의 기본 도구 및 서비스를 직접 사용해 보는 실무형 실습을 진행합니다. 선택사항으로 제공되는 동영상에서는 실습에서 다룬 개념을 자세히 살펴보고 복습합니다. Google Cloud 필수 정보는 Google Cloud 학습자에게 추천되는 첫 번째 과정입니다. 클라우드에 대한 사전 지식이 거의 없거나 전혀 없더라도 첫 Google Cloud 프로젝트에 적용할 수 있는 실무 경험을 쌓을 수 있습니다. Cloud Shell 명령어 작성, 첫 번째 가상 머신 배포, Kubernetes Engine에서의 애플리케이션 실행, 부하 분산 등 Google Cloud 필수 정보에서는 플랫폼의 기본 기능을 소개합니다.
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
