연탄이의 코딩공부

Google Cloud Storage

Briquette — Fri, 8 May 2026 14:10:05 +0900

버킷 생성하기

버킷 이름 지정 규칙

버킷 네임스페이스는 전역적으로 공개되어 있으므로 버킷 이름에 민감한 정보를 포함하지 마십시오.
버킷 이름에는 소문자, 숫자, 하이픈(-), 밑줄(_), 마침표(.)만 포함되어야 합니다. 마침표가 포함된 이름은 검증이 필요합니다 .
버킷 이름은 숫자 또는 문자로 시작하고 끝나야 합니다.
버킷 이름은 3~63자여야 합니다. 마침표(.)를 포함하는 이름은 최대 222자까지 사용할 수 있지만, 마침표로 구분된 각 구성 요소는 63자를 초과할 수 없습니다.
버킷 이름은 점으로 구분된 십진수 표기법(예: 192.168.5.4)의 IP 주소로 표현할 수 없습니다.
버킷 이름은 "goog" 접두사로 시작할 수 없습니다.
버킷 이름에는 "google" 또는 "google"과 유사한 오타가 포함될 수 없습니다.
또한 DNS 규정 준수 및 향후 호환성을 위해 밑줄(_)을 사용하거나 마침표 또는 하이픈(-)이 연속해서 사용되지 않도록 해야 합니다. 예를 들어, "..", "-.", ".-"는 DNS 이름에서 유효하지 않습니다.

버킷 생성 코드

gcloud storage buckets create gs://<YOUR-BUCKET-NAME>

버킷에 객체 업로드

gcloud storage cp <객체이름> gs://YOUR-BUCKET-NAME

버킷 객체 삭제

rm <객체 이름>

버킷에서 객체 다운로드받기

gcloud storage cp -r gs://YOUR-BUCKET-NAME/<객체이름> .

버킷 객체 복사

gcloud storage cp gs://YOUR-BUCKET-NAME/<객체이름> gs://YOUR-BUCKET-NAME/image-folder/

객체 세부정보 확인

gcloud storage ls -l gs://YOUR-BUCKET-NAME/<객체이름>

백엔드 공부할때썼던 명령어들이랑 비슷했던것 같다.

Document AI Processor

Briquette — Thu, 7 May 2026 21:13:35 +0900

sudo apt install python3-pip
python3 -m pip install --upgrade google-cloud-documentai google-cloud-storage prettytable

Document AI API 엑세스 하기 위한 계정 생성

export SA_NAME="document-ai-service-account"
gcloud iam service-accounts create $SA_NAME --display-name $SA_NAME

서비스 계정을 API에 연결

gcloud projects add-iam-policy-binding ${PROJECT_ID} \
--member="serviceAccount:$SA_NAME@${PROJECT_ID}.iam.gserviceaccount.com" \
--role="roles/documentai.apiUser"

자격 생성 -> Key.json에 저장

gcloud iam service-accounts keys create key.json \
--iam-account  $SA_NAME@${PROJECT_ID}.iam.gserviceaccount.com

export GOOGLE_APPLICATION_CREDENTIALS="$PWD/key.json"

문서 요청 생성

export LOCATION="us"
export PROJECT_ID=$(gcloud config get-value core/project)
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
https://${LOCATION}-documentai.googleapis.com/v1beta3/projects/${PROJECT_ID}/locations/${LOCATION}/processors/${PROCESSOR_ID}:process > output.json

문서에서 감지된 원시 텍스트 추출

sudo apt-get update 
sudo apt-get install jq
cat output.json | jq -r ".document.text"

Python 설치

gsutil cp gs://spls/gsp924/synchronous_doc_ai.py .

sudo apt install python3-pip
python3 -m pip install --upgrade google-cloud-documentai google-cloud-storage prettytable

import argparse
 from google.cloud import documentai_v1beta3 as documentai
 from google.cloud import storage
 from prettytable import PrettyTable 

parser = argparse.ArgumentParser() parser.add_argument( "-P" , "--project_id" , help = "Google Cloud 프로젝트 ID" ) parser.add_argument( "-D" , "--processor_id" , help = "Document AI 프로세서 ID" ) parser.add_argument( "-F" , "--file_name" , help = "입력 파일 이름" , default= "form.pdf" ) parser.add_argument( "-L" , "--location" , help = "프로세서 위치" , default= "us" ) args = parser.parse_args()

process_document함수는 Document AI 프로세서에 동기 호출을 수행하는 데 사용

Document AI API 클라이언트 객체를 생성

프로세서 이름은 project_id, location, 및 processor_id매개변수를 사용하여 생성되며, 처리할 문서는 읽어 들여 mime_type구조체에 저장

def  process_document ( project_id, location, processor_id, file_path ): 

    # 클라이언트 인스턴스 생성 client 
    = documentai.DocumentProcessorServiceClient() # 프로세서의 전체 리소스 이름 (예: # projects/project-id/locations/location/processor/processor-id ) # 클라우드 콘솔에서 새 프로세서를 생성해야 합니다. first 
    name = f"projects/ {project_id} /locations/ {location} /processors/ {processor_id} " # 파일을 메모리로 읽어들이기 with open (file_path, "rb" ) as image:
        image_content = image.read() # 문서 객체 생성 
    document = { "content" : image_content, "mime_type" : "application/pdf" } # 처리 요청 구성 
    request = { "name" : name, "document" : document } # Document AI 클라이언트 동기 엔드포인트를 사용하여 요청 처리 
    result = client.process_document(request=request) return result.document

파이썬 호출

python3 synchronous_doc_ai.py \
--project_id=$PROJECT_ID \
--processor_id=$PROCESSOR_ID \
--location=us \
--file_name=health-intake-form.pdf | tee results.txt

애플 파운데이션 아카데미 후기

Briquette — Tue, 5 May 2026 03:57:31 +0900

애플 파운데이션 아카데미를 지원했을 때 후기가 얼마 보이지 않길래 이번에 수료한 기념으로 후기를 작성해본다.

파운데이션 아카데미는 사이트에서는 4~6주라고 되어있지만 실제론 3주 과정이었다.

정규과정인 디벨로퍼 아카데미와는 달리 포항에서 지낼 기숙사가 제공되지 않기에 합격 연락이 오자마자 단기계약 어플에서 집을 계약했다. ~~3주동안 생활하며 너무 좋았던 집.... 포항에가게 된다면 또 살고싶은 집이었다.~~

파운데이션에서는 맥북 프로와 아이폰을 무료로 대여해준다. 물론 끝나면 반납해야하기 때문에 개인적으로 가지고 오는 분들도 많이 있었다.

아이폰은 몇번 사용해보았지만, 맥북은 처음 사용해보는거라 걱정이 많았는데 적응하는데 일주일 정도 걸린것 같다. 숙소에서는 윈도우로 구글 공부 하고, 파운데이션 시간에는 맥으로 swift 공부를 하다보니 단축키 관련 이슈가 있긴 했었다..

애플 디벨로퍼 아카데미에서는 Challenge Based Learning 이라는 과정을 여러번 진행한다.

파운데이션 과정은 이 CBL을 처음부터 끝까지 한번 체험해보는 과정이다.

Engage -> Investigate -> Act 3단계의 프로세스를 진행하게된다. 이 프로세스는 챌린지 과정동안 계속 반복되게 된다.

Engage (참여) :

Big Idea → Essential Question → Challenge

팀원들과 함께 주제를 정한다.

이번 파운데이션 과정에서는 "포항"과 "파운데이션 러너", "여행"이라는 Big Idea 안에서 조금 더 세부적인 주제를 고르게 되었다.

우리팀의 Challenge는 [파운데이션 러너들]이 [함께하는 여행지를 공유하는 방식]을 통해 [러너간의 연결]을 얻도록 도와주는 어플리케이션을 제작하는 것이었다.

Investigate (조사) :

Guiding Questions → Activities and Resources → Synthesis

GQ에서는 지식들을 정리한다. 마인드맵처럼 이런저런 질문들을 던져보고 질문들을 보면서 생각나는 것들을 써보는 과정이었다.

설문조사, 태스크조사, 인터뷰 등을 통해 팀원들과 함께 자료조사를 하는 과정을 가졌다.

다같이 조사를 해야하는 입장이다보니 설문조사 / 인터뷰가 매우 순조롭게 진행 됐던 기억이 있다.

Act (행동) :

Solution → Implementation → Evaluation

Act부터는 각자의 수준에 맞게 Xcode, Swift를 통해 개발을 진행하게 된다.

Swift는 처음 써보는거라 걱정이 많았는데 안드로이드 스튜디오보다 쉽게 개발할 수 있어서 재밌게 개발했던것 같다.

파운데이션 과정중 swift에 대해 알려주기는 하는데, 앱을 만들 수 있는 정도의 수준으로 알려주는것은 아니고 적당히 겉핥기 식으로 알려준 다음 알아서 코딩하는 것이었다보니 비전공자 분들은 꽤 난처해하는것이 보였다.

친해진 러너분들과 서로 공부한 코드들을 공유하고 비전공자 분들을 도와주다보니 스스로도 많이 성장하는것을 느꼈다.

거의 1주 반만에 어플을 만드는 과정이었는데 생각했던 대로 작동하는 어플을 만들어볼 수 있어서 꽤나 뿌듯한 시간이었다.

마지막에는 러너들끼리 진행 내용을 발표하는 과정을 가진다. 이때가 제일 떨렸던것같다.. 역시 발표하면 되던것도 안된다고 오류가 갑자기 보이긴 했지만 그럭저럭 발표도 마쳤다.

공부하기위해 모인 사람들이다보니 협업도 잘 되고 서로 눈치볼것없이 모르는건 질문하고 서로 알려줄 수 있는 환경이 주어져서 너무 행복한 시간이었다.

Swift 공부도 더 해보고싶어졌다!

내년에 진행될 아카데미도 도전해보려고 준비중이다!!

혹시 있을지는 모르겠지만 궁금한점이 있다면 댓글로 언제든 물어봐주세요~

Analyze Speech and Language with Google APIs Task4

Briquette — Tue, 5 May 2026 03:29:03 +0900

Analyze Speech and Language with Google APIs Task4
계속 컴플리트가 되지 않아서 찾아봤다...

curl -LO raw.githubusercontent.com/Cloud-Wala-Banda/Labs-Solutions/main/Analyze%20Speech%20%26%20Language%20with%20Google%20APIs%20Challenge%20Lab/arc114.sh

sudo chmod +x arc114.sh

./arc114.sh

VM 에서 저 코드 넣어주니까 드디어 됨....

https://github.com/Cloud-Wala-Banda/Labs-Solutions/blob/main/Analyze%20Speech%20%26%20Language%20with%20Google%20APIs%20Challenge%20Lab/Analyze%20Speech%20%26%20Language%20with%20Google%20APIs%20Challenge%20Lab.md

Labs-Solutions/Analyze Speech & Language with Google APIs Challenge Lab/Analyze Speech & Language with Google APIs Challenge Lab

This repository provides solutions for Google Cloud Labs, offering easy-to-understand approaches to solving problems. It is designed to help learners quickly grasp key concepts and apply practical ...

github.com

ML workflow

Briquette — Thu, 9 Apr 2026 22:21:22 +0900

AI 개발 옵션

vertexAI를 이용한 ML workFlow

1.Data preparation : 데이터 준비

1.) Upload Data (업로드)

2.) Engineer features (특징추출)

데이터의 질과 양에 따라 얼마나 많이 / 잘 학습될지 결정됨 -> 데이터는 정형화(구조화) / 비정형화 될 수 있음.

구조화된 데이터 : 숫자 / 텍스트 등 표로 저장할 수 있음 , 비정형화(비구조화) : 비디오 / 이미지 등

2. Model development 모델 개발

반복 학습 필요 ... 훈련 -> 평가 -> 훈련 -> 평가 -> 훈련..... 반복

3. Model serving

모델을 실제로 사용해서 결과 예측. 모델 배포되고 모니터링

ML workFlow 반복적임.!! 모델 학습 중에 다시 돌아가서 데이터 소스를 확인하고 매개변수 조절해야하기도 함 -> MLOps로 자동화

Auto ML (coding X) / Colab (파이프라인으로 코딩 가능)

Data Preparation (데이터 준비 단계)

1. upload data

2. Engineer features (데이터 손질)

표형식 데이터

표 형식 데이터 : 회귀, 분류 , 예측 해결

A feature refers to a factor that contributes to the prediction : 특징은 예측에 영향을 미치는 요소

VertexAI Feature Store : 실시간(online) 배치(offline) 방식 사용할 수 있음.

학습 방법

데이터 유형에 따라 학습 모표 지정 -> 해결하고자 하는 과제

학습 방법 선택

학습 세부 사항 결정

교육시작!

Model serving

1. Deploy model : 모델 배포

2. Monitor model : 모델 모니터링

=> 어떻게 해야 할지가 아니라 무엇을 해야할지에 집중할 수 있음.

옵션 두개

1. 실시간 예측 : 모델 최종 사용자 지점에(EndPoint) 배포 (지연시간이 짧고 즉각적 결과 얻음)

2. 예측 작업 요청 : 모델 리소스에서 직접 예측 작업 (즉각적 응답이 필요하지 않은 경우. )

MLOps : ML 연산... (개발 + 운영) 결합.

-> 머신러닝과 관련된 생산 문제를 해결하는것을 목표로 함.

통합 ML SYS를 구축하고 실제 운영 환경에서 가동한다. = 지속적 통합/학습/배포를 가능하게 하기 위해 ML 시스템 구축의 단계를 자동화/모니터링 ==> KFP / TFX 지원

1. 실험/ 개발/ 테스트환경

개발 환경에서는 데이터 추출, 분석 및 준비를 포함하는 데이터 준비부터 시작하여 학습, 평가 및 검증과 같은 모델 개발에 이르기까지 모든 단계거침 -> 모델 레지스트리에 등록할 수 있는 학습된 모델 생성 -> 모델 학습이 완료되면 파이프라인은 스테이징 및 프로덕션 환경으로 이동하여 예측 및 모니터링을 포함한 모델을 제공

2/ 무대연출 / 사전제작/ 제작환경

머신러닝 자동화 :

0 : MLOps 구성전 시작점. GUI 인터페이스 사용

1 : 자동화 구축 = 구성요소 구축 MLOps (워크플로우)자동화 시작 ex) 학습 파이프라인 등...

2 : 개별 구성요소 통합해 전체 워크플로우 구축 CI,CT,CD달성

DNN (심층 신경망) CNN (신경망) RNN(순환신경망) LLM(대규모언어모델) ANN(기본적 인공 신경망)

ANN = 입력층, 은닉층, 출력층 3개의 층으로 구성된다. 뉴련끼리 신호를 전달한다.

뉴런 사이의 연결선에는 가중치가 있다. = 신경망이 훈련 과정을 통해 학습한 정보 유지

1. 가중합 계산

: 입력값에 해당하는 가중치 곱한뒤, 모두 더한다.

2. 가중합에 활성화 함수 적용

3. 은닉층에 여러개의 뉴런이 있다고 가정하고 출력층에 대한 가중합 계산

4. 가중합에 활성화 함수 적용

:Y(출력층으로 구성된 예측값), y-hat (예측 결과), y(실제 결과)
활성화 함수 : 선형성 방지 / 비선형성 추가 ( 활성화 함수가 없으면 예측 결과인 y-hat은 입력과 출력 사이의 레이어 수와 관계없이 항상 입력 x의 선형 함수가 됨)

활성화 함수가 없으면 은닉층의 값 h는 w1 × x1과 w2 × x2의 합이된다.

따라서 출력값 y-hat = w3 X h와 같고, 최종적으로는 상수 a X x1과 상수 b X x2의 합이

y가 x에 대한 선형 함수라면, 모든 은닉층이 필요하지 않고 입력층 하나와 출력층 하나만 있으면 된다.

자주 사용되는 활성화 함수

SOFTMAX는 출력을 0~1까지 범위로 매핑해 합이 1이되도록함. (확률분포)

5. 차이 최소화 하는 비용 함수 계산

6. 예측 결과, 실제 결고 차이가 크면 비용 최소화 하기 위해 가중치, 편향 조정 --> 역전파.

1~6 단계를 한번 완전히 완료하는 것을 에포크라고 함.

학습 과정에서 에포크 수를 파라미터로 설정할 수 있다.

AI developement options

Briquette — Mon, 6 Apr 2026 23:03:09 +0900

머신러닝 생태계와 워크플로의 모든 구성 요소를 통합하는 플랫폼인 버텍스 AI(Vertex AI)를 제시

통합 플랫폼

1. Vertex AI가 데이터 준비부터 모델 생성, 배포 및 관리까지 모든 과정을 아우르는 엔드투엔드 머신러닝 파이프라인을 제공 -> 대규모 모델 구축이 가능하다.

2. Vertex AI는 멀티모달 콘텐츠 생성을 가능하게 하는 생성형 AI와 예측 및 분류를 가능하게 하는 예측형 AI를 모두 포괄하는 통합 플랫폼

(코딩X) AutoML/ 사용자 지정학습을 통해 ML 구축할 수 있음

1. 매끄러움 : Vertex AI는 데이터 업로드 및 준비부터 모델 학습 및 운영에 이르기까지 원활한 사용자 경험을 제공

2. 확장성 : Vertex AI에서 제공하는 머신 러닝 운영(MLOps)은 머신 러닝 프로덕션을 모니터링하고 관리하여 스토리지 및 컴퓨팅 성능을 자동으로 확장할 수 있도록 지원

3. 지속가능성 : Vertex AI를 사용하여 생성된 모든 아티팩트와 기능은 재사용 및 공유

4. 빠른속도 : Vertex AI는 경쟁사보다 코드 줄 수가 80% 적은 모델을 생성

AutoML : 머신러닝 모델을 개발하고 배포하는 과정을 자동화

최상의 결과를 얻으려면 새로운 데이터와 기능을 반복적으로 추가하고, 다양한 모델을 시도하고, 매개변수를 조정 -> 이런 수동 방식을 없애는 것을 목표로 함.

1. 데이터 처리 : 데이터 세트를 업로드하면 AutoML은 데이터 준비 프로세스의 일부를 자동화 | 머신러닝 모델에 입력할 수 있도록 특정 데이터 형식으로 변환

2. 최적의 모델 + 매개변수 조정 :

> 1) Neural architecture search 신경망 아키텍처 검색: 최적의 모델을 찾고 매개변수를 자동으로 조정하는 데 도움

여러 옵션 중에서 최적의 모델검색.

> 2) Transfer learning 전이 학습: 사전 학습된 모델을 활용하여 검색 속도를 높이는 데 도움

기존 지식을 바탕으로 새로운 것을 학습 -> 학습된 모델은 새로운 데이터를 사용하여 새로운 문제를 해결하기 위한 기반 모델로 활용

Ex) LLM : 범용적이며 특정 목적에 맞게 사전 학습 및 미세 조정가능 -> 처음부터 학습하지 않아도됨

3. 모델 조합해 예측을 위한 준비 끝냄.

AutoML은 고급 머신러닝 기술을 적용하여 특징 엔지니어링부터 아키텍처 검색, 하이퍼파라미터 튜닝, 모델 앙상블에 이르는 파이프라인을 자동화함. -> 코딩이 필요 없는 솔루션을 제공

Pre-Trained APIs

사전에 학습된 API를 사용하기 위해서는 많은 양의 고품질 학습 데이터가 필요함으로 이를 확보하는것을 목표로 삼아야 한다.

수십만 건의 레코드를 사용해 맞춤형 모델을 학습시킨다.

API는 SW구성 요소들이 서로 통신하는 방식을 정의한다.

API도 콘센트 다른것처럼 어떻게 사용하는지만 알면된다. (어떤 API를 사용해야 하는지, 어떤 매개변수를 어떤 형식으로 전달해야 하는지 알기만 하면 됨) > 모델 학습 및 배포등은 미리 정의된 함수 호출.

API사용 예시

대규모 언어 모델을 직접 학습 시킬 필요가 없음. 함수 호출과 동일한 방법으로 API 호출을 통해 사전 학습된 AI모델에 직접 접근 및 활용 가능.

구글 클라우드에서 지원하는 API 예시

Custom Traning (code기반 솔루션) -> 모델 직접 구축

AutoML UI : 편의성, 사전 학습 API제공 -> 학습 데이터 불필요

BUT 특수한 상황에서는 Custom T 활용할 수 있다. -> 모델 아키텍처 프레임워크 / 학습 로직에 대한 제어 및 유연성 필요.

코딩 시작 전

pre-built container : 파이썬 TensorFlow, pyTorch 같은 플랫폼 필요.

custom contatiner : 빈 방과 같음. 환경, 시스템 유형, 디스크 등등 세부 사항 직접 결정

중 골라야함.

vertex ai workbench = 단일 개발 환경 (like jupiterNotebook) / colab enterprise = vertex Ai 플랫폼

라이브러리 사용 가능 머신러닝 구축하는데 필요한 도구 제공 (tensorFlow / scikit-learn / PyTorch)

TF는 여러 추상화 계층을 포함하고 있음 (TF API를 이용해서 머신러닝 모델 개발 및 학습)

LOW LEVEL API (하드웨어) 를 기반으로 HIGH LV API 구축한다.

1. 모델 생성. 3층 신경망으로 정의한 모습.

2. 활성화 함수 모델 학습시키는 방법을 지정. 모델 컴파일 (함수 지정해 성능 측정 등등)

3. FIT 메소드로 모델 학습. (EX. 훈련 데이터 / 출력 정의)

엔티티 분석 / 감정 분석 / 구문분석 / 콘텐츠 분류

CALL API

curl " https :// .... "

curl = url 약자. 클라이언트 - 서버 간 데이터 전송 파이썬/ 자바 sdk 등의 다른 언어를 사용해 api 호출 가능.

export API_KEY="API KEY 쓰기"

AI agnets

Briquette — Mon, 6 Apr 2026 22:35:44 +0900

Ai agnets / Agentic AI 가 사용자를 대신해 의사결정을 내림

Agentic AI : 에이전트를 통합적으로 관리하는 시스템

AI agnets: 생성형 인공지능에서 인공지능 에이전트는 추론을 위한 인공지능 모델, 외부 상호작용을 위한 도구, 그리고 원하는 목표를 달성하기 위한 정교한 조정 기능을 결합한 애플리케이션

핵심 특징을 가진 논리적 아키텍처에 의해 좌우 : 목표지향적, 인공지능 , 실행도구 활용, 자율적 작동가능한 추론/의사결정능력

1. 모델 : 추론 중심역할 수행

2. 도구 : 행위자가 행동할 수 있도록 연결 -> API

3. 오케스트레이션 : 에이전트의 작동을 관리하는 순환 프로세스 -> 신경계처럼.. 통신망 역할 (뇌결정 -> 도구사용행동 -> 피드백 다시 뇌로 전달 -> 다음단계결정)

필요

모델 정확도 향상을 위한 접지 및 RAG 기법과 더불어 신속한 설계, 매개변수 효율적 튜닝, 전체 미세 조정 등 다양한 튜닝 기법

인공지능 에이전트 구성요소

도구를 활용하는 데 도움이 되는 의사결정 트리

Introduction to AI and Machine Learning on Google Cloud

Briquette — Sun, 5 Apr 2026 22:32:08 +0900

1. 구글은 개인/조직 관계없이 인공지능 경험 공유

2. 생성형 AI분야에서 획기전 발전 -> 머신러닝 혁명 주도

3. 책임감 있는 AI지향

예측 인공지능 : 전통적 | 판별 인공지능 = 기존 데이터 사용해 정보 분류, 과거 패턴 기반 미래 결과 예츨 이미 존재 하는것을 학습해 정보에 입각한 결정을 내림. -> 검증된 방법을 사용해 예측

생성형 인공지능 : 예측 기능 확장해 요약 생성, 복잡한 상관관계 밝히거나 새로운 콘텐츠 생성.. -> 텍스트, 이미지, 비디오 등..

구글 클라우드 인프라

애플리케이션 | 솔루션 분야 -> 사용자/분석가가 아이디어를 프로토타입화 할 수 있도록 즉시 사용 가능한 옵션 제공

개발

AI 인프라에서 시작됨. 토대 제공

모듈 1. 토대

2. 인공지능 생성

3. 머신러닝 모델 학습

4. 데이터 준비 ~ 모델 학습/배포

인공지능 인프라

데이터 및 AI제품 = 비즈니스 통찰력, 데이터 파이프라인, 머신러닝 모델 수집/저장/처리/공

컴퓨팅 / 스토리지 = 컴퓨팅과 스토리지를 분리 (디커플링)해 독립적으로 확장 할 수 있음.

네트워킹 / 보안

처리능력 = 하드웨어

CPU / GPU는 인공지능과 같이 급증하는 수요를 충족할 만큼의 확장성이 나오지 않음.

TPU (텐서 처리 장치) 도입 = AI워크로드를 가속화 하기 위해 맞춤 제작한 애플리케이션별 칩

TPU는 CPU나 GPU같은 범용 하드웨어와 달리 특정 도메인에 특화된 하드웨어 역할을 함.

특정 영역의 계산 요구 사항을 충족하도록 아키텍처를 조정해 효율성을 높임.

AI / ML 분야에서 GPU, CPU보다 빠르고 효율이 뛰어남.

<저장장치>

확장성을 확보하기 위해 스토리지는 디커플 되어야함 (분리)

클라우드 컴퓨팅 : 컴퓨팅, 스토리지 별도 확장 가능.

이 시스템은 클라우드 스토리지에 저장된 로그 파일이나 이미지와 같은 비정형 데이터도 쿼리할 수 있는데, 이를 위해 해당 데이터에 대한 구조화된 참조를 제공하는 외부 테이블을 생성함.

데이터를 AI로 변환하는 프로젝트를 구축하려면 데이터 수집 및 처리, 저장 및 분석, AI를 활용한 활성화 등 데이터-AI 워크플로를 통해 이러한 제품들을 통합해야 함.

1. Pub/Sub, Dataflow, Dataproc, Cloud Data Fusion과 같은 도구를 사용하여 실시간 및 배치 방식으로 다양한 소스의 데이터를 수집하고 처리

2. 클라우드 스토리지와 같은 솔루션에 데이터를 저장

3. 다양한 도구를 사용해서 분석

( SQL 데이터베이스에는 BigQuery, AlloyDB, Cloud SQL 및 Spanner를 사용

NoSQL 데이터베이스에는 Bigtable과 Firestore를 사용

시각화를 위해 Looker를 사용)_

4. AI를 활용하여 인사이트를 활성화

예측 모델을 학습시켜 예측을 수행하거나, Gen AI를 활용하여 콘텐츠를 제작하고 실행

AI = 인공지능

ML = AI의 하위 분야로, 명시적 프로그래밍 없이 학습. > 지도학습/ 비지도학습

GenAI = 요청에 따라 콘텐츠 생성/작업 수행 LLM등을 사용. ...

지도 학습 : 정답 /라벨이 있는 그림으로부터 학습 ( 지도 학습은 레이블이 지정된 데이터를 다루고, 작업 중심적이며, 목표를 설정)

비지도 학습 : 정답 없이 데이터로부터 학습 (레이블이 지정되지 않은 데이터를 다루고, 데이터 기반이며, 패턴을 식별)

지도 학습과 비지도 학습을 쉽게 구분하는 방법은 지도 학습은 각 데이터 포인트에 레이블이나 답을 제공하는 반면, 비지도 학습은 그렇지 않음

지도학습

1. 분류 (범주형 변수 예측)

2. 회귀분석 (과거데이터 기반으로 예측) 선형 회귀 모델과 같은 머신러닝 모델을 사용하여 회귀 문제를 해결

로지스틱 회귀 모델은 분류 문제에 사용되고, 선형 회귀 모델은 회귀 문제에 사용

비지도학습

1. 클러스터링 (유사 특성을 갖는 데이터 포인트 그룹화 -> 클러스터로 분류) = k-평균 클러스터링...

2. 연관성 분석 (상관관계 파악) = 연관 규칙 기법과 Apriori 같은 알고리즘을 사용하여 연관 문제를 해결

3. 차원 축소 (데이터 세트의 차원 / 특징 갯수를 줄여 효율성 향상) = 주성분 분석과 같은 머신러닝 기법을 사용

Predictive AI, generative AI, data to AI, BigQuery, Vertex AI, BigQuery ML.

Gen AI => 텍스트, 코드, 이미지, 음성, 비디오, 심지어 3D를 포함한 멀티모달 형식일 수 잇음.

사용자를 대신하여 자율적이고 목표 지향적인 조치를 취할수도 있음.

1. Foundation 모델 : 구글 AI인프라 기반으로 구축 = 언어, 이미지, 비디오 이해

2. Gen AI dev : app 프로토타입 만들기, AI 에이전트 배포, 모델 미세ㅔ조정

3. Gen AI app

Vertex AI Studio, Agent Builder, Model Garden과 같은 도구를 사용하면 애플리케이션 프로토타입을 제작하고, AI 에이전트를 배포하고, 모델을 미세 조정할 수 있음.

Foundaion Model :

기존 콘텐츠로 학습 -> 훈련,-> FM 생성. (매개변수 수 많음. 훈련데이터 방대, 높은 계산능력... 요구 되는 대규모 모델)

멀티모달 기능 : 범용성과 여러 모달리티의 데이터를 처리할 수 있는 능력

LLM과 같은 FM은 광범위한 기능을 갖추고 있기 때문에 수평적 AI 범주에 속하게 된다.

*특정 산업에 맞춰 조정된 모델은 수직적 AI솔루션으로 간주된다.

개발자가 모델을 활용해 멀티 모달 기능을 사용하는 APP만드는 방법

VERTEX AI STUDIO = GENAI

개발자와 FM간의 직관적 인터페이스 제공 -> 코드 작성 필요없음. +프로토타입 제작 가능.

질문 설계 : 원하는 응답을 얻기 위한 질문을 만드는 과정.

프롬포트 엔지니어링 : 고품질 출력을 생성하도록 효과적으로 안내하기 위해 프롬포트 설계/개선/최적화하는 반복적 프로세스

프롬포트 :

작업, 맥락(문맥), 예시

작업 : ~~해줘

맥락 : AI한테 너는 ~~야

예시 : 응답/ 단계별 지침 / 출력형식 등을 보여줌

좋은 프롬프트는 내용(지시사항, 맥락, 예시)과 구조(순서, 레이블, 구분 기호)를 모두 고려함.

Temperature은 범위를 확장하여 발생 확률이 낮은, 더 드문 단어까지 포함하므로 창의적이거나 예상치 못한 콘텐츠를 생성하는 데 유용

Top K를 사용하면 모델이 가장 가능성이 높은 K개의 단어 중에서 무작위로 단어를 선택할 수 있음 ( 높은 점수를 받은 단어들에게 동등한 기회를 제공)

Top P(확률) 모델이 가능성의 합이 P이상인 가장 작은 부분집합에서 단어 반환 (P 75 => 누적 확률이 75보다 큰 단어 집합에서 샘플링)

단어의 확률 분포 ( 모델 매개변수(모델 유형, 온도, Top K, Top P)에 대한 개요)

Vertex AI Studio사용시 프롬프트를 비교해 어떤 프롬프트가 가장 좋은 결과를 도출하는지 확인가능 ( 프롬프트, 모델 및/또는 매개변수 설정이 출력에 어떤 영향을 미치는지 확인.)

GenAi가 정확/최신 결과를 제공하도록 하려면 :

Grounding = 검색증강생성(RAG)이용.

Grounding은 이러한 모델을 신뢰할 수 있는 외부 데이터 소스에 연결하여 모델의 답변이 최신 정보와 일치하는지 확인

2. 모델 튜닝

특정 하위 작업 예제로 구성된 훈련 데이터 세트를 모델에 제공하여 Gen AI의 정확도를 향상

미세조정 : 모델의 내부 지식과 능력을 정교하게 다듬음.

접지 (grounding) : 외부의 실시간 신뢰할 수 있는 정보로 지식 강화

프롬프트 디자인: AI 모델의 매개변수를 변경하지 않고 대신, 모델이 어떻게 반응해야 하는지를 안내함

> GenAI 빠른 실험, 맞춤화 가능 / 전문적 ML/코딩기술 필요 X

매개변수 효율 튜닝(어댑터 튜닝이라고도 함)은 대규모 모델을 특정 작업이나 영역에 효율적으로 적용할 수 있도록 해줌

-> 모델의 매개변수 중 작은 부분만 업데이트 한다. => 높은 품질의 결과 얻을 수 있음.

튜닝 작업의 결과물 : 새롭게 학습된 매개변수와 기존 모델을 결합한 새로운 모델

Cloud Speech API: 3 Ways

Briquette — Sat, 4 Apr 2026 23:29:59 +0900

하다가 많이 막혀서... 개인 복습 용으로 과정을 정리해보았다.

API키 활성화.

콘솔들어가서 = 누르고 API 및 서비스

원하는 API검색해서 활성화 한다.

Credentials 검색해서 활성화 하면됨

{
    'input':{
        'text':'Cloud Text-to-Speech API allows developers to include
           natural-sounding, synthetic human speech as playable audio in
           their applications. The Text-to-Speech API converts text or
           Speech Synthesis Markup Language (SSML) input into audio data
           like MP3 or LINEAR16 (the encoding used in WAV files).'
    },
    'voice':{
        'languageCode':'en-gb',
        'name':'en-GB-Standard-A',
        'ssmlGender':'FEMALE'
    },
    'audioConfig':{
        'audioEncoding':'MP3'
    }
}

검색

lab-vm이 있는걸 확인할 수 있다.

하고 하라는대로 하면 된다.

i를 눌러서 입력 모드로 들어가면 되고 ESC를 눌러서 빠져나온뒤 :wq 를 하면됨.

강의 듣고 할걸 ㅠㅠ 초보자용이라고 적혀있어서 메뉴얼 잘 되어있는 줄 알았는데 아니었다..... 찾느라 힘들었음.

Introduction to Responsible AI

Briquette — Fri, 3 Apr 2026 13:14:59 +0900

AI 책임감 있게 사용하기

AI를 책임감 있게 개발하려면 문제, 제한사항, 의도치 않은 결과에 대한 이해가 필요하다.

좋은 관행 필요. (문제 복제 / 편향 시키지 않도록)

1. 모두에게 책임을 짐 (built for everyone)

2. 안전 (Accountalbe and safe)

3. 프라이버시 존중 (Respects privacy)

4. 과학적 우수성에 추진 (Driven by scientific excellence)

Responsibility by design - Framework to guide - responsible decision- making

AI원칙을 프레임워크로 활용해 책임감 있는 의사결정 안내.

인공지능과 관련된 일반적 오해는 기계가 중심적인 의사결정을 한다는 것.

실제론 설계/ 제작/ 어떻게 사용할지 결정하는 것은 사람임. (자신의 가치에 기반한 선택을 함)

모든 의사결정 포인트가 고려/ 평가를 필요로함. -> 사회 여러 영역에 영향을 미칠 가능성이 있음)

윤리 / 책임 중요!!

평가, 검토를 통해 AI와 관련된 제품, 비즈니스 결정을 내림 -> 엄격함, 일관성 심어줘야한다.

투명성, 공정성, 책임성, 프라이버시에 대한 일관된 아이디어 집합...

구체적 기준

1. Bold innovation

대담한 혁신 .

2. Responsible development and deployment

책임 있는 개발, 배포

3. Collaborative progress, together

협력적 진보 = 개인/집단의 이익을 위해 ai를 활용할 수 있도록 타인에게 힘을 실어주는 도구.