DevOps Essentials for Data Engineering - Korean

이 과정에서는 기존 소프트웨어 테스트로는 처리할 수 없는 비결정론적 AI 시스템의 고유한 과제를 해결하기 위해 MLflow의 평가 프레임워크를 사용하여 AI Agents를 체계적으로 평가하는 방법을 학습합니다. 학생들은 Unity Catalog에 등록되어 있으며 Unity Gateway를 통해 모델을 호출하는 공유 도구 호출 에이전트를 평가합니다. 이때 정확성 및 안전성과 같은 일반적인 기준에는 기본 내장 판정자를, 비즈니스별 요구 사항에는 가이드라인 판정자를, 특수한 요구 사항에는 커스텀 판정자를 사용합니다. 이 과정에서는 선별된 데이터셋을 사용한 오프라인 평가와 Unity Catalog에 MLflow Traces를 저장하는 것을 포함한 온라인 생산 모니터링을 모두 다룹니다. 학생들은 MLflow 트레이싱을 사용하여 에이전트 실행 패턴을 파악하고, 개발자 및 Databricks App을 통해 에이전트를 검토하는 도메인 전문가로부터 사람의 피드백을 수집합니다. 실습 시연과 실험을 통해 학생들은 AI Agent 개발 생애 주기 전반에 걸쳐 지속적인 품질 향상을 이끄는 평가 Workflows를 구축하는 역량을 개발합니다.

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 과정에서는 Databricks Data + AI Platform을 사용하여 간단한 데이터 사이언스 및 머신 러닝 워크플로를 수행하는 데 필요한 기본 기술을 학습합니다. 워크스페이스 둘러보기와 Notebooks 사용 방법을 안내받게 됩니다. 탐색적 데이터 분석과 특성 엔지니어링을 탐험하고, MLflow로 모델을 추적 및 관리하며, Databricks Genie Code를 사용하여 실험하고, Databricks Model Serving으로 모델을 배포합니다. 마지막으로, 이 과정은 엔드투엔드 머신 러닝 라이프사이클을 다루는 종합 실습을 통해 이러한 기술들을 통합합니다.

Languages Available: English | 日本語 | Português BR | 한국어 | Français | Español | 普通话

회사 AI Assistant를 효과적으로 활용하기 위한 프롬프팅의 두 가지 기초 과정입니다. 1부(기초)에서는 프롬프트의 구체성이 답변 품질에 미치는 영향을 설명하고, RAG 아키텍처를 통해 내부 지식을 기반으로 동작하는 어시스턴트를 뛰어나지만 문자 그대로 받아들이는 인턴으로 비유하며, 접근 가능한 정보와 그렇지 않은 정보를 다루고, 신뢰하되 검증하는 사고방식을 강조하며, C-O-I-E 프레임워크(Context, Outcome, Instruction, Example)를 소개합니다. 2부(기법)에서는 프롬프팅 기법의 툴킷을 구축하고 기법 선택 방법을 학습합니다. 구체적으로는 작업에 맞는 접근 방식 선택, 콘텐츠 생성(제로샷 및 퓨샷), 추론(chain-of-thought, self-ask, meta-prompting), 워크플로(프롬프트 체이닝 및 단일 프롬프트와 체이닝의 선택 기준), 그리고 프롬프트의 명확한 구조화를 다룹니다.