가입 로그인

ali hadjikhani

회원 가입일: 2024

브론즈 리그

58637포인트
AI 인프라: Cloud GPU Earned 1월 19, 2026 EST
AI 인프라: AI 하이퍼컴퓨터 소개 Earned 1월 11, 2026 EST
Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 Earned 12월 12, 2024 EST
Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI Earned 4월 17, 2024 EDT
Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 Earned 4월 15, 2024 EDT
Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 Earned 4월 12, 2024 EDT
Dataflow를 사용한 서버리스 데이터 처리: 기초 Earned 4월 11, 2024 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud - 한국어 Earned 4월 10, 2024 EDT
Google Cloud에서 일괄 데이터 파이프라인 빌드하기 Earned 4월 9, 2024 EDT
Google Cloud에서 데이터 레이크와 데이터 웨어하우스 빌드하기 Earned 4월 6, 2024 EDT
Google Cloud Big Data and Machine Learning Fundamentals - 한국어 Earned 4월 4, 2024 EDT
자격증 학습 가이드 만들기: PDE 시험 대비 Earned 4월 3, 2024 EDT
Natural Language Processing on Google Cloud Earned 3월 31, 2024 EDT
Computer Vision Fundamentals with Google Cloud Earned 3월 27, 2024 EDT
프로덕션 머신러닝 시스템 Earned 3월 13, 2024 EDT
Google Kubernetes Engine 시작하기 Earned 3월 6, 2024 EST
기업의 머신러닝 Earned 3월 2, 2024 EST
[DEPRECATED] 특성 추출 Earned 2월 28, 2024 EST
Google Cloud에서 Keras를 사용해 ML 모델을 빌드, 학습, 배포하기 Earned 2월 26, 2024 EST
Vertex AI Studio 소개 Earned 2월 13, 2024 EST
이미지 캡셔닝 모델 만들기 Earned 2월 13, 2024 EST
Transformer 모델 및 BERT 모델 Earned 2월 13, 2024 EST
인코더-디코더 아키텍처 Earned 2월 13, 2024 EST
어텐션 메커니즘 Earned 2월 13, 2024 EST
이미지 생성 소개 Earned 2월 13, 2024 EST
생성형 AI 입문자 - Agent Platform Earned 2월 12, 2024 EST
머신러닝 작업(MLOps): 시작하기 Earned 2월 10, 2024 EST
생성형 AI를 위한 머신러닝 작업(MLOps) Earned 2월 9, 2024 EST
Launching into Machine Learning - 한국어 Earned 1월 29, 2024 EST
Google Cloud의 AI 및 머신러닝 소개 Earned 1월 24, 2024 EST
Google Meet의 Gemini Earned 1월 18, 2024 EST
Google Sheets의 Gemini Earned 1월 18, 2024 EST
Google Slides의 Gemini Earned 1월 18, 2024 EST
Google Docs의 Gemini Earned 1월 18, 2024 EST
Gmail의 Gemini Earned 1월 18, 2024 EST
Gemini 기반 Google Workspace: AI 워크플로의 기반 Earned 1월 18, 2024 EST
책임감 있는 AI: Google Cloud를 통한 AI 원칙 적용하기 Earned 1월 18, 2024 EST
Generative AI Fundamentals - 한국어 Earned 1월 17, 2024 EST
책임감 있는 AI 소개 Earned 1월 17, 2024 EST
대규모 언어 모델 소개 Earned 1월 17, 2024 EST
생성형 AI 소개 Earned 1월 17, 2024 EST

AI를 뒷받침하는 강력한 하드웨어가 궁금하신가요? 이 모듈에서는 성능 최적화된 AI 컴퓨터를 분석하고 그 중요성을 알려드립니다. CPU, GPU, TPU가 어떻게 AI 태스크를 초고속으로 처리하는지, 각각의 고유한 특징은 무엇인지, 그리고 AI 소프트웨어에서 이를 최대한 활용하는 방법을 살펴보겠습니다. 이 과정을 마치면 AI 프로젝트에 적합한 GPU를 선택하는 방법을 정확히 알게 되어 AI 워크로드를 처리할 때 현명한 결정을 내릴 수 있게 됩니다.

자세히 알아보기

AI 하이퍼컴퓨터를 시작할 준비가 되셨나요? 이 과정에서는 AI 하이퍼컴퓨터를 쉽게 시작할 수 있도록 도와드립니다. AI 하이퍼컴퓨터에 대한 기본사항을 다루고 AI 하이퍼컴퓨터가 AI의 AI 워크로드 처리에 어떤 도움을 주는지 살펴봅니다. GPU, TPU, CPU 등 하이퍼컴퓨터 내부의 다양한 구성요소와 니즈에 맞는 적절한 배포 방식을 선택하는 방법을 알아봅니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경 지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 다음 순서대로 과정을 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google 클라우드 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 세 번째 과정에서는 클라우드 자동화 및 관리 도구와 안전한 네트워크 구축에 대해 다룹니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 이 시리즈의 마지막 과정에서는 관리형 빅데이터 서비스, 머신러닝과 그 가치를 복습하고 기술 배지를 획득하여 Google Cloud 기술 역량을 추가로 입증하는 방법을 살펴봅니다.

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI

자세히 알아보기

Google Cloud 컴퓨팅 기초 과정은 클라우드 컴퓨팅에 대한 배경지식 또는 경험이 거의 없는 개인을 대상으로 합니다. 이 과정은 클라우드 기본사항, 빅데이터, 머신러닝에 대한 핵심 개념을 간략히 설명하고 Google Cloud의 적용 위치 및 방식에 대한 개요를 제공합니다. 일련의 과정을 마친 학습자는 이러한 개념을 명확하게 설명하고 몇 가지 실무 기술 역량을 입증할 수 있게 됩니다. 과정은 다음 순서대로 완료해야 합니다. 1. Google Cloud 컴퓨팅 기초: 클라우드 컴퓨팅 기초 2. Google Cloud 컴퓨팅 기초: Google Cloud의 인프라 3. Google Cloud 컴퓨팅 기초: Google Cloud의 네트워킹 및 보안 4. Google Cloud 컴퓨팅 기초: Google Cloud의 데이터, 머신러닝, AI 첫 번째 과정에서는 클라우드 컴퓨팅, Google Cloud 사용 방법, 다양한 컴퓨팅 옵션에 대한 개요를 제공합니다.

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

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

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

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

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

This course introduces the products and solutions to solve NLP problems on Google Cloud. Additionally, it explores the processes, techniques, and tools to develop an NLP project with neural networks by using Vertex AI and TensorFlow.

자세히 알아보기

This course describes different types of computer vision use cases and then highlights different machine learning strategies for solving these use cases. The strategies vary from experimenting with pre-built ML models through pre-built ML APIs and AutoML Vision to building custom image classifiers using linear models, deep neural network (DNN) models or convolutional neural network (CNN) models. The course shows how to improve a model's accuracy with augmentation, feature extraction, and fine-tuning hyperparameters while trying to avoid overfitting the data. The course also looks at practical issues that arise, for example, when one doesn't have enough data and how to incorporate the latest research findings into different models. Learners will get hands-on practice building and optimizing their own image classification models on a variety of public datasets in the labs they will work on.

자세히 알아보기

이 과정에서는 프로덕션 환경에서 고성능 ML 시스템을 빌드하기 위한 구성요소와 권장사항을 자세히 살펴봅니다. 정적 학습, 동적 학습, 정적 추론, 동적 추론, 분산 TensorFlow, TPU 등 고성능 ML 시스템 빌드와 관련된 일반적인 고려사항을 다룹니다. 이 과정에서는 정확한 예측 능력 외에도 양질의 ML 시스템을 만드는 특성을 탐구하는 데 중점을 둡니다.

자세히 알아보기

Google Kubernetes Engine 시작하기 과정에 오신 것을 환영합니다. 애플리케이션과 하드웨어 인프라 사이에 위치하는 소프트웨어 레이어인 Kubernetes에 관심이 있으시다면 잘 찾아오셨습니다. Google Kubernetes Engine을 사용하면 Kubernetes를 Google Cloud에서 관리형 서비스로 사용할 수 있습니다. 이 과정의 목표는 흔히 GKE로 불리는 Google Kubernetes Engine의 기본사항을 소개하고 Google Cloud에서 애플리케이션을 컨테이너화하고 실행하는 방법을 설명하는 것입니다. 이 과정에서는 먼저 Google Cloud에 대해 기본적인 사항을 소개한 후 이어서 컨테이너 및 Kubernetes, Kubernetes 아키텍처, Kubernetes 작업에 대해 간략히 설명합니다.

자세히 알아보기

이 과정에서는 우수사례를 중심으로 ML 워크플로에 대한 실질적인 접근 방식을 취합니다. ML팀은 다양한 ML 비즈니스 요구사항과 사용 사례에 직면합니다. 팀에서는 데이터 관리 및 거버넌스에 필요한 도구를 이해하고 가장 효과적으로 데이터 전처리에 접근하는 방식을 파악해야 합니다. 두 가지 사용 사례를 위한 ML 모델을 빌드하는 세 가지 옵션이 팀에 제시됩니다. 이 과정에서는 목표를 달성하기 위해 AutoML, BigQuery ML 또는 커스텀 학습을 사용하는 이유를 설명합니다.

자세히 알아보기

이 과정에서는 Vertex AI Feature Store 사용의 이점, ML 모델의 정확성을 개선하는 방법, 가장 유용한 특성을 만드는 데이터 열을 찾는 방법을 살펴봅니다. 이 과정에는 BigQuery ML, Keras, TensorFlow를 사용한 특성 추출에 관한 콘텐츠와 실습도 포함되어 있습니다.

자세히 알아보기

이 과정에서는 TensorFlow 및 Keras를 사용한 ML 모델 빌드, ML 모델의 정확성 개선, 사용 사례 확장을 위한 ML 모델 작성에 대해 다룹니다.

자세히 알아보기

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.

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

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

생성형 AI 입문자 - Agent Platform 과정은 Google Cloud에서 생성형 AI를 사용하는 방법을 다루는 실습 컬렉션입니다. 이 실습을 통해 Agent Platform에서 Gemini 모델을 사용하는 방법을 알아봅니다. 또한 프롬프트 설계, 권장사항을 살펴보고 이를 아이디어 구상, 텍스트 분류, 텍스트 추출, 텍스트 요약 등에 활용하는 방법을 다룹니다. Agent Platform에서 커스텀 학습을 통해 파운데이션 모델을 조정하고, Agent Platform의 엔드포인트에 배포하는 방법도 배우게 됩니다.

자세히 알아보기

이 과정에서는 Google Cloud에서 프로덕션 ML 시스템 배포, 평가, 모니터링, 운영을 위한 MLOps 도구와 권장사항을 소개합니다. MLOps는 프로덕션에서 ML 시스템을 배포, 테스트, 모니터링, 자동화하는 방법론입니다. 머신러닝 엔지니어링 전문가들은 배포된 모델의 지속적인 개선과 평가를 위해 도구를 사용합니다. 이들이 협력하거나 때론 그 역할을 하는 데이터 과학자는 고성능 모델을 빠르고 정밀하게 배포할 수 있도록 모델을 개발합니다.

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

이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.

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

이 과정에서는 Google Meet의 Gemini를 사용하여 동영상 협업을 개선하는 방법을 다룹니다. 회의록 자동 작성, 실시간 텍스트 및 통역 활용, 놓친 논의를 비공개로 확인, 오디오 및 동영상 품질 즉시 최적화 방법을 알아보세요.

자세히 알아보기

이 과정에서는 Google Sheets의 Gemini를 사용하여 데이터 정리를 자동화하고 복잡한 숫자를 처리하는 방법을 다룹니다. 원시 텍스트에서 테이블을 구성하고, 자연어를 사용하여 데이터를 자동 입력하고, 필요에 따라 기본 스프레드시트 수식을 생성하고, 고급 스프레드시트 전문 지식 없이도 빠르게 개략적인 인사이트나 시각화를 추출하는 방법을 알아보세요.

자세히 알아보기

이 과정에서는 Google Slides의 Gemini를 사용하여 개념을 시각적으로 매력적인 프레젠테이션으로 변환하는 방법을 다룹니다. 단일 프롬프트 또는 기존 소스 문서에서 구조화된 자료를 생성하고, 자동화된 디자인 개선을 사용하여 슬라이드 레이아웃을 다듬고, 커스텀 벡터 그래픽과 사진을 만들고, 정확한 발표자 노트와 함께 슬라이드 사본을 동적으로 작성하는 방법을 알아봅니다.

자세히 알아보기

이 과정에서는 Google Docs의 Gemini를 사용하여 글쓰기와 콘텐츠 제작을 간소화하는 방법을 다룹니다. 문서 초안을 처음부터 작성하고, 대화형 도구를 사용해 글의 어조와 명확성을 개선하며, 복잡한 파일을 요약하고, 긴 형식의 텍스트를 다른 Google Workspace 애플리케이션에서 사용할 수 있는 구조화된 애셋으로 원활하게 변환하는 방법을 알아보세요.

자세히 알아보기

이 과정에서는 Gmail의 Gemini를 사용하여 이메일 관리를 최적화하는 방법을 다룹니다. 긴 대화목록을 요약하고, 자연어를 사용하여 정보를 검색하고, 전문적인 응답 초안을 작성하고, 받은편지함 내에서 직접 커뮤니케이션 전략을 정리하는 방법을 알아보세요.

자세히 알아보기

Google Workspace를 위한 Gemini는 고객에게 Google Workspace의 생성형 AI 기능을 제공합니다. 이 학습 과정에서는 Gemini의 주요 기능을 살펴보고 이러한 기능으로 Google Workspace의 생산성과 효율성을 향상하는 방법을 알아봅니다.

자세히 알아보기

기업에서 인공지능과 머신러닝의 사용이 계속 증가함에 따라 책임감 있는 빌드의 중요성도 커지고 있습니다. 대부분의 기업은 책임감 있는 AI를 실천하기가 말처럼 쉽지 않습니다. 조직에서 책임감 있는 AI를 운영하는 방법에 관심이 있다면 이 과정이 도움이 될 것입니다. 이 과정에서 책임감 있는 AI를 위해 현재 Google Cloud가 기울이고 있는 노력, 권장사항, Google Cloud가 얻은 교훈을 알아보면 책임감 있는 AI 접근 방식을 구축하기 위한 프레임워크를 수립할 수 있을 것입니다.

자세히 알아보기

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.

자세히 알아보기

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.

자세히 알아보기

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.

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