Data Analysis with Databricks - Korean

이 과정은 Databricks를 활용하여 머신러닝을 위한 데이터를 준비하는 기본 사항에 중점을 둡니다. 수강생들은 전통적인 머신러닝 애플리케이션에 적합한 데이터를 탐색, 정리 및 구성하는 데 필요한 핵심 기술을 습득하게 됩니다. 주요 주제로는 데이터 시각화, 특징 공학, 최적의 특징 저장 전략 등이 포함됩니다. 실습을 통해 수강생들은 Databricks 환경에서 머신러닝용 데이터 세트를 효율적으로 준비하는 실무 경험을 쌓게 됩니다. 본 과정은 준전문가 수준의 데이터 과학자 및 머신러닝 실무자, 그리고 데이터 준비 역량을 강화하여 성공적인 머신러닝 모델 배포를 위한 탄탄한 기반을 마련하고자 하는 분들을 대상으로 합니다. 

Languages Available: English | 日本語 | Português BR | 한국어

이 과정은 최신 인기 프레임워크와 Databricks 기능을 활용하여 생성형 AI 애플리케이션을 구축하고자 하는 데이터 과학자, 머신러닝 엔지니어 및 기타 데이터 실무자를 대상으로 합니다.

참고: Databricks Academy는 Databricks 환경 내 강의 세션을 노트북 기반 형식으로 전환하며, 처음 세 모듈 강의에서 슬라이드 데크 사용을 중단합니다. 강의 노트북은 Vocareum 랩 환경에서 확인할 수 있습니다.

Databricks 기반 검색 에이전트 구축

이 과정은 Databricks Data Intelligence Platform에서 검색 에이전트를 구축하기 위한 실습 중심 교육을 제공합니다. 참가자는 비정형 문서를 구조화된 데이터로 파싱하고, 검색 워크플로우를 위해 콘텐츠를 변환 및 분할하며, 문서 검색을 위한 벡터 검색 솔루션을 구축하고, MLflow 및 Agent Bricks를 사용하여 운영 환경에 바로 적용 가능한 에이전트를 개발하는 방법을 학습합니다. 본 과정은 문서 처리부터 임베딩 생성, 벡터 인덱싱, 거버넌스 기능을 갖춘 에이전트 배포에 이르는 완전한 에이전트 라이프사이클을 다룹니다.

Databricks에서 단일 에이전트 애플리케이션 구축

이 과정은 Databricks Data Intelligence Platform에서 단일 에이전트 애플리케이션을 구축하기 위한 실습 교육을 제공합니다. 수강생은 Unity catalog 기능을 도구로 활용하는 AI 에이전트 생성, MLflow를 통한 포괄적인 추적 및 모니터링 구현, LangChain과 같은 기존 프레임워크와 Agent Bricks와 같은 최신 솔루션을 모두 사용한 에이전트 배포 방법을 학습합니다. 본 과정은 AI Playground에서의 초기 도구 생성 및 테스트부터 거버넌스, 평가, 지속적인 개선 기능을 갖춘 프로덕션 배포에 이르기까지 에이전트의 전체 라이프사이클을 다룹니다.

Databricks에서의 에이전트 평가

이 과정은 MLflow의 평가 프레임워크를 활용해 AI 에이전트를 체계적으로 평가하는 방법을 가르치며, 전통적인 소프트웨어 테스트가 해결할 수 없는 비결정론적 AI 시스템의 독특한 도전 과제를 다룹니다. 학생들은 올바름과 안전성 같은 공통 기준에 대한 기본 내장 평가자, 사업 구체화 요구사항을 위한 가이드라인 평가자, 그리고 특화된 필요에 맞는 맞춤형 평가자 등 다양한 평가 방식을 구현하는 법을 배웁니다. 이 과정은 엄선된 데이터셋을 이용한 오프라인 평가와 온라인 생산 모니터링을 모두 포함하며, MLflow의 추적 기능을 활용해 에이전트 실행 패턴을 이해하고 다양한 이해관계자 유형으로부터 인간 피드백을 수집하는 실무 경험을 제공합니다. 실습 시연과 실험을 통해 학생들은 AI 에이전트 개발 수명 주기 전반에 걸쳐 지속적인 품질 개선을 이끄는 평가 워크플로우를 만드는 기술을 개발합니다.

생성형 AI 애플리케이션 배포 및 모니터링

이 과정에서는 생성형 AI 애플리케이션을 배포, 운영 및 모니터링하는 방법에 대한 자세한 내용을 다룹니다. 이 과정에서는 Model Serving과 같은 도구를 사용하여 생성형 AI 애플리케이션을 배포하는 기술을 습득할 수 있습니다. 또한 모범 사례와 권장 아키텍처에 따라 생성형 AI 애플리케이션을 운영하는 방법도 다룹니다. 마지막으로, Lakehouse Monitoring을 사용하여 생성형 AI 애플리케이션과 그 구성 요소를 모니터링하는 방법에 대해 설명합니다.

Languages Available: English | 日本語 | Português BR | 한국어

본 과정은 참가자들에게 MLOps 및 모델 라이프사이클 관리에 중점을 둔 머신러닝 모델 운영에 대한 포괄적인 탐구를 안내합니다. 초기 단계에서는 필수적인 MLOps 구성 요소와 모범 사례를 다루어 참가자들이 머신러닝 모델을 효과적으로 운영화할 수 있는 탄탄한 기반을 마련합니다. 과정 후반부에서는 모델 라이프사이클의 기본 원리를 심층적으로 살펴보고, 효율적인 모델 관리를 위해 Unity catalog와 연계된 Model Registry를 활용하여 이를 원활하게 관리하는 방법을 시연합니다. 과정 종료 시 참가자들은 MLOps 원칙에 대한 실용적인 통찰력과 포괄적인 이해를 얻게 되며, 복잡한 머신러닝 모델 운영 환경을 탐색하는 데 필요한 기술을 갖추게 될 것입니다.

Languages Available: English | 日本語 | Português BR | 한국어