Marcelo Capristano
회원 가입일: 2021
멀티 에이전트 아키텍처 배포
Earned 8월 11, 2026 EDT
BigQuery로 스트리밍 분석
Earned 7월 23, 2026 EDT
BigQuery 데이터에서 인사이트 도출
Earned 7월 11, 2026 EDT
생성형 AI 에이전트: 조직 혁신
Earned 12월 22, 2025 EST
생성형 AI 앱: 업무 혁신
Earned 12월 16, 2025 EST
생성형 AI: 환경 살펴보기
Earned 12월 15, 2025 EST
생성형 AI: 기본 개념 이해
Earned 12월 15, 2025 EST
생성형 AI: 챗봇 그 이상의 가치
Earned 12월 12, 2025 EST
BigQuery로 멀티모달 벡터 검색 구현하기
Earned 7월 11, 2025 EDT
BigQuery로 임베딩, 벡터 검색, RAG 만들기
Earned 7월 10, 2025 EDT
BigQuery에서 Gemini 모델 사용하기
Earned 7월 10, 2025 EDT
BigQuery의 Gemini로 생산성 향상
Earned 7월 9, 2025 EDT
기준: 인프라
Earned 7월 2, 2025 EDT
Google Cloud의 데이터 엔지니어링 입문
Earned 4월 15, 2025 EDT
Dataflow를 사용한 서버리스 데이터 처리: 파이프라인 개발
Earned 4월 9, 2024 EDT
자격증 학습 가이드 만들기: PDE 시험 대비
Earned 4월 8, 2024 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - 한국어
Earned 4월 6, 2024 EDT
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 4월 1, 2024 EDT
Google Cloud Big Data and Machine Learning Fundamentals - 한국어
Earned 3월 29, 2024 EDT
Knowledge Catalog로 데이터 메시 빌드하기
Earned 3월 21, 2024 EDT
BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링
Earned 3월 20, 2024 EDT
Data Analytics & Machine Learning using BigQuery
Earned 3월 19, 2024 EDT
BigQuery로 데이터 웨어하우스 빌드
Earned 3월 5, 2024 EST
Google Cloud에서 ML API용으로 데이터 준비하기
Earned 3월 3, 2024 EST
Dataflow를 사용한 서버리스 데이터 처리: 운영
Earned 2월 29, 2024 EST
Dataflow를 사용한 서버리스 데이터 처리: 기초
Earned 1월 9, 2024 EST
Google Cloud에서 스트리밍 데이터 파이프라인 빌드하기
Earned 1월 3, 2024 EST
Vertex AI
Earned 12월 21, 2023 EST
Google Cloud에서 일괄 데이터 파이프라인 빌드하기
Earned 12월 14, 2023 EST
Google Cloud에서 데이터 레이크와 데이터 웨어하우스 빌드하기
Earned 11월 29, 2023 EST
Intro to BigQuery: Analytics & Machine Learning
Earned 11월 21, 2021 EST
고급 멀티 에이전트 아키텍처 배포 기술 배지를 획득하고 다음 역량을 입증하세요. 여기에는 ADK를 사용하여 멀티 에이전트 시스템을 구축하고, 에이전트 간(A2A) 프로토콜을 사용하여 에이전트를 연결하고, 모델 컨텍스트 프로토콜(MCP)을 사용하여 외부 도구를 통합하고, 에이전트 엔진에 완전한 멀티 에이전트 솔루션을 배포하는 작업이 포함됩니다.
자세히 알아보기
BigQuery로 스트리밍 분석 과정을 완료하여 기술 배지를 획득하세요. 이 과정에서는 Pub/Sub, Dataflow, BigQuery를 함께 사용하여 데이터를 스트리밍하고 분석할 수 있습니다.
자세히 알아보기
초급 BigQuery 데이터에서 인사이트 도출 기술 배지 과정을 완료하여 SQL 쿼리 작성, 공개 테이블 쿼리, BigQuery로 샘플 데이터 로드, BigQuery의 쿼리 검사기를 통한 일반적인 문법 오류 문제 해결, BigQuery 데이터를 연결해 Data Studio에서 보고서를 생성하는 작업과 관련된 기술 역량을 입증하세요.
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
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
중급 BigQuery로 멀티모달 벡터 검색 구현하기·기술 배지 과정을 완료하여 BigQuery의 Gemini를 사용해 SQL을 생성 및 디버그하고, 감정 분석을 수행하고, 텍스트를 요약하고 키워드를 식별하고, 임베딩을 생성하고, 검색 증강 생성(RAG) 파이프라인을 만들고, 멀티모달 벡터 검색을 구현하는 기술 역량을 입증해 보세요.
자세히 알아보기
이 과정에서는 AI 할루시네이션을 완화하는 BigQuery의 검색 증강 생성(RAG) 솔루션을 살펴봅니다. 임베딩 만들기, 벡터 공간 검색, 개선된 응답 생성을 포함한 RAG 워크플로를 소개합니다. 또한 이 과정은 이러한 단계의 배경이 되는 개념을 설명하고 BigQuery를 통한 실질적인 구현 과정을 살펴봅니다. 이 과정을 마친 학습자는 BigQuery와 Gemini 및 임베딩 모델 같은 생성형 AI 모델을 사용하여 자신의 AI 할루시네이션 사용 사례를 해결하는 RAG 파이프라인을 빌드할 수 있게 됩니다.
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
이 과정에서는 데이터-AI 워크플로를 지원하는 AI 기반 기능 모음인 BigQuery의 Gemini에 관해 살펴봅니다. 이러한 기능에는 데이터 탐색 및 준비, 코드 생성 및 문제 해결, 워크플로 탐색 및 시각화 등이 있습니다. 이 과정은 개념 설명, 실제 사용 사례, 실무형 실습을 통해 데이터 실무자가 생산성을 향상하고 개발 파이프라인의 속도를 높이는 데 도움이 됩니다.
자세히 알아보기
이 과정은 Google Cloud 기본 개념 과정 이상의 지식을 얻기 위해 실무형 실습을 찾는 초보 클라우드 개발자에게 도움이 됩니다. 실습을 통해 Cloud Storage와 Monitoring 및 Cloud Functions 등 기타 주요 애플리케이션 서비스를 자세히 살펴보며 실무 경험을 쌓게 됩니다. 모든 Google Cloud 이니셔티브에 적용할 수 있는 유용한 기술을 개발할 수 있습니다.
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
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
Gemini Notebook을 사용하여 Professional Data Engineer 자격증 시험을 위한 맞춤형 학습 가이드를 만드는 방법을 알아보세요.
Gemini Notebook 기능을 검토하고, Gemini Notebook에서 노트북을 만들고, 학습 가이드를 사용하여 자격증 시험을 연습하는 방법을 익힐 수 있습니다.
자세히 알아보기
머신러닝을 데이터 파이프라인에 통합하면 데이터에서 더 많은 인사이트를 도출할 수 있습니다. 이 과정에서는 머신러닝을 Google Cloud의 데이터 파이프라인에 포함하는 방법을 알아봅니다. 맞춤설정이 거의 또는 전혀 필요 없는 경우에 적합한 AutoML에 대해 알아보고 맞춤형 머신러닝 기능이 필요한 경우를 위해 Notebooks 및 BigQuery 머신러닝(BigQuery ML)도 소개합니다. Vertex AI를 사용해 머신러닝 솔루션을 프로덕션화하는 방법도 다루어 보겠습니다.
자세히 알아보기
중급 BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링 기술 배지를 획득하여 Dataprep by Trifact로 데이터 변환 파이프라인을 BigQuery에 빌드, Cloud Storage, Dataflow, BigQuery를 사용한 ETL(추출, 변환, 로드) 워크플로 빌드, BigQuery ML을 사용하여 머신러닝 모델을 빌드하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
이 과정에서는 데이터-AI 수명 주기를 지원하는 Google Cloud 빅데이터 및 머신러닝 제품과 서비스를 소개합니다. Google Cloud에서 Vertex AI를 사용하여 빅데이터 파이프라인 및 머신러닝 모델을 빌드하는 프로세스, 문제점 및 이점을 살펴봅니다.
자세히 알아보기
초급 Knowledge Catalog로 데이터 메시 빌드하기 기술 배지 과정을 완료하여, Knowledge Catalog를 통해 데이터 메시를 빌드해 Google Cloud에서 데이터 보안, 거버넌스, 탐색을 활용하는 역량을 입증하세요. Knowledge Catalog에서 애셋에 태그를 지정하고, IAM 역할을 할당하고, 데이터 품질을 평가하는 기술을 연습하고 테스트할 수 있습니다.
자세히 알아보기
중급 BigQuery ML을 사용한 예측 모델링을 위한 데이터 엔지니어링 기술 배지를 획득하여 Dataprep by Trifact로 데이터 변환 파이프라인을 BigQuery에 빌드, Cloud Storage, Dataflow, BigQuery를 사용한 ETL(추출, 변환, 로드) 워크플로 빌드, BigQuery ML을 사용하여 머신러닝 모델을 빌드하는 기술 역량을 입증할 수 있습니다.
자세히 알아보기
Get hands-on practice with Google Cloud! You will compete with your peers to see who can finish this game with the most points. Speed and accuracy will be used to calculate your scores — earn points by completing the labs accurately and bonus points for speed! Be sure to click “End” where you’re done with each lab to be rewarded your points.
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
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
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 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 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
Welcome Gamers! Learn Google Cloud's Vertex AI, all while having fun! Vertex AI is Google Cloud's unified ML platform for solving your tough business problems. You will compete to see who can finish the game with the highest score. Earn the points by completing the steps in the lab.... and get bonus points for speed! Be sure to click "End" when you're done with each lab to get the maximum points. All players will be awarded the game badge.
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
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
Welcome Gamers! Today's game is all about experimenting with Big Query for Machine Learning! Use real life case studies to learn various concepts of BQML and have fun. Take labs to earn points. The faster you complete the lab objectives, the higher your score.
자세히 알아보기
