Advanced Techniques with Apache Spark Declarative Pipelines - Korean

이 과정에서는 Unity Catalog를 사용하여 Databricks에서 스케일에 맞는 데이터 거버넌스를 구현하는 방법을 학습합니다. 속성 기반 접근 제어, 관찰 가능성, 페더레이션 공유에 중점을 둡니다. 거버넌스 태그를 활용한 ABAC 구성, 레거시 세분화 제어에서의 마이그레이션, 감사 및 비용 모니터링을 위한 시스템 테이블 활성화 및 사용, 데이터 및 모델 품질을 위한 데이터 품질 모니터링 배포, 영향 분석 및 규정 준수를 위한 리니지 해석, 안전한 크로스 클라우드 협업을 위한 페더레이션 거버넌스 및 Delta Sharing 패턴 적용 방법을 다룹니다.

참고: SCORM 강의 파일의 경우, 콘텐츠를 완료한 후 SCORM 창을 닫아 주세요. ‘다음 레슨’ 버튼을 클릭하지 마세요. 클릭하면 SCORM 모듈이 완료된 것으로 표시되지 않을 수 있습니다.

이 과정은 참가자들이 MLOps와 모델 라이프사이클 관리에 중점을 두어 머신 러닝 모델 운영을 종합적으로 탐구할 수 있도록 가이드를 제공합니다. 초반부에서는 필수 MLOps 구성 요소와 모범 사례를 다루며, 참가자들이 머신 러닝 모델을 효과적으로 운영화하기 위한 탄탄한 기반을 갖출 수 있도록 합니다. 과정 후반부에서는 모델 라이프사이클의 기본 개념을 심층적으로 살펴보고, Unity Catalog와 연계된 Model Registry를 활용하여 효율적인 모델 관리를 위해 라이프사이클을 원활하게 탐색하는 방법을 시연합니다. 과정이 마무리될 즈음에는 참가자들이 실질적인 인사이트와 MLOps 원칙에 대한 균형 잡힌 이해를 갖추게 되며, 복잡한 머신 러닝 모델 운영 환경을 탐색하는 데 필요한 역량을 습득하게 됩니다.

참고: SCORM 강의 파일을 이용할 때는 콘텐츠를 모두 학습한 후 SCORM 창을 닫으시기 바랍니다. ‘다음 강의’ 버튼을 클릭하지 마십시오. 클릭할 경우 SCORM 모듈이 완료로 표시되지 않을 수 있습니다.

이 과정은 Databricks에서 생성형 AI 에이전트를 배포하고 모니터링하는 엔드투엔드 수명 주기를 다룹니다. 참가자들은 Declarative Automation Bundles(DABs)를 사용하여 에이전트를 Databricks Apps로 배포하고, Model Context Protocol(MCP)을 통해 도구를 통합하며, MLflow Tracing으로 에이전트를 계측하고, 스코어러, 멀티턴 판정자, 온라인 평가를 활용하여 생산 품질을 평가하는 방법을 학습합니다. 실습 데모와 실습 과제를 통해 참가자들은 Databricks 플랫폼에서 생산 수준의 AI Agents를 구축하고, 관찰하며, 모니터링하는 실무 경험을 쌓게 됩니다.

참고: SCORM 강의 파일의 경우 콘텐츠를 완료한 후 SCORM 창을 닫아 주세요. ‘다음 수업’ 버튼은 클릭하지 마세요. 클릭하면 SCORM 모듈이 완료로 표시되지 않을 수 있습니다.