주요 컨텐츠로 이동

Get Started with AI Agents on Databricks - Korean

이 과정은 AI 에이전트, 현대 AI 애플리케이션에서의 역할, 그리고 Databricks 플랫폼에서 AI 에이전트 애플리케이션을 구축하는 방법에 대한 입문 과정입니다. AI 에이전트의 원칙, 전통적인 AI 시스템과의 차이점을 학습하고, 핵심 구성 요소를 탐험합니다. 인터랙티브 데모와 실습을 통해 Databricks AI와 Agent Bricks를 사용하여 Databricks에서 AI 에이전트를 구축, 배포 및 평가하는 방법을 살펴봅니다. 이 과정을 마치면 Databricks Data + AI Platform을 사용하여 AI 에이전트를 생성하고 배포하는 방법을 이해하게 됩니다.

참고: SCORM 강의 파일의 경우, 콘텐츠를 완료한 후 SCORM 창을 닫아야 합니다. ‘다음 레슨’ 버튼은 클릭하지 마세요. 클릭하면 SCORM 모듈이 완료로 표시되지 않을 수 있습니다.


Languages Available: English | 日本語 | 한국어 | 普通话 

Skill Level
Onboarding
Duration
2h
Prerequisites

본 콘텐츠는 다음과 같은 기술/지식/능력을 갖춘 참가자를 대상으로 개발되었습니다:  

• 왼쪽 탐색 메뉴 접근 및 AI/ML 기능 찾기를 위한 UI 사용을 포함한 Databricks 워크스페이스 탐색.

• Databricks 내 거버넌스 및 데이터 관리 레이어로서의 Unity Catalog에 대한 인식.

• Databricks UI 워크플로에 대한 기본 경험 (예: 리소스 구성, 배포된 엔드포인트 접근).

• 프로그래밍 방식으로 통합하는 경우, 에이전트 엔드포인트를 쿼리하기 위해 제공된 코드 스니펫(예: Python, SQL 또는 curl)을 실행할 수 있는 능력.

• UI에서 코드 예제를 복사하여 붙여넣고 간단한 매개변수(예: 엔드포인트 이름)를 수정하는 것에 대한 기본적인 친숙함.

• 기본적인 SQL 작성 경험.

• 고급 프로그래밍은 필요하지 않지만, 필요한 경우 APIs 또는 엔드포인트와 상호작용하기 위한 지침을 따르는 데 익숙해야 합니다.

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

See all our registration options

Registration options

Databricks has a delivery method for wherever you are on your learning journey

Runtime

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

지금 등록하세요

Instructors

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

지금 등록하세요

Learning

Blended Learning

Self-paced and weekly instructor-led sessions for every style of learner to optimize course completion and knowledge retention. Go to Subscriptions Catalog tab to purchase

Purchase now

Scale

Skills@Scale

Comprehensive training offering for large scale customers that includes learning elements for every style of learning. Inquire with your account executive for details

Upcoming Public Classes

Data Engineer

Data Ingestion with Lakeflow Connect - Korean

이 과정은 다양한 소스에서 Databricks로 데이터를 수집하기 위한 확장 가능하고 간소화된 솔루션인 LakeFlow Connect에 대한 포괄적인 입문 내용을 제공합니다. LakeFlow Connect 커넥터의 다양한 유형(Standard 및 Managed)을 탐색하는 것으로 시작하여, 배치, 증분 배치, 스트리밍 수집을 포함한 다양한 데이터 수집 기법을 학습합니다. 또한 UC 테이블 사용의 주요 이점과 메달리온 아키텍처도 살펴봅니다.

다음으로, LakeFlow Connect Standard Connectors를 사용하여 클라우드 오브젝트 스토리지에서 데이터를 수집하는 실용적인 기술을 개발합니다. 여기에는 CREATE TABLE AS SELECT(CTAS), COPY INTO, Auto Loader와 같은 방법을 활용하는 내용이 포함되며, 각 접근 방식의 이점과 고려 사항을 중점적으로 다룹니다. 또한 Databricks Data Intelligence Platform으로 수집하는 과정에서 브론즈 레벨 테이블에 메타데이터 컬럼을 추가하는 방법도 학습합니다. 이어서 rescued data 컬럼을 사용하여 테이블 스키마와 일치하지 않는 레코드를 처리하는 방법과 해당 데이터를 관리 및 분석하는 전략을 다룹니다. 반정형 JSON 데이터를 수집하고 평탄화하는 기법도 살펴봅니다.

그 다음으로, LakeFlow Connect Managed Connectors를 사용하여 데이터베이스 및 SaaS(Software-as-a-Service) 애플리케이션에서 데이터를 가져오는 엔터프라이즈급 데이터 수집 방법을 탐색합니다. 또한 수집 워크로드에 파트너 도구를 통합하는 옵션으로 Partner Connect도 소개합니다.

마지막으로, MERGE INTO 운영 및 Databricks Marketplace 활용을 포함한 대안적인 수집 전략으로 과정을 마무리하며, 현대적인 데이터 엔지니어링 사용 사례를 지원하기 위한 탄탄한 기반을 갖출 수 있도록 합니다.

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

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

Free
4h
Associate
Machine Learning Practitioner

Feature Engineering at Scale - Korean

이 과정에서는 Databricks 플랫폼에서 엔드투엔드 특성 엔지니어링 파이프라인을 설계, 스케일링 및 운영화하는 방법에 대한 포괄적인 이해를 습득합니다. 커리큘럼은 세 가지 점진적 모듈로 구성되어 있습니다: Spark의 분산 실행 및 최적화 기초 마스터링, Auto Loader 및 선언적 LakeFlow 파이프라인을 활용한 확장 가능한 데이터 수집 구현, 그리고 Databricks 특성 저장소를 활용한 생산 수준의 MLOps로의 발전입니다.

Catalyst Optimizer 및 Spark UI를 활용한 Spark 성능 디버깅, 자동화된 품질 검사를 포함한 강건한 브론즈-실버-골드 메달리온 아키텍처 구축, SparkML을 활용한 확장 가능한 특성 변환 구현 등 실습 학습 경험에 참여합니다. 본 과정은 온라인 특성 저장소를 통한 실시간 특성 서빙 배포, 온디맨드 변환을 포함한 FeatureSpec 정의, Unity Catalog를 활용한 거버넌스 및 리니지 추적 적용으로 마무리됩니다.

과정을 마치면 엔터프라이즈 스케일에서 머신 러닝을 위한 완전한 특성 라이프사이클을 관리할 수 있는 역량을 갖추게 됩니다. 즉, 성능이 뛰어나고 신뢰할 수 있으며 거버넌스가 적용된 생산 준비 완료 파이프라인을 설계할 수 있습니다.

참고: SCORM 강의 파일의 경우 콘텐츠를 완료한 후 SCORM 창을 닫아 주세요. ‘Next Lesson’ 버튼은 클릭하지 마세요. 클릭하면 SCORM 모듈이 완료된 것으로 표시되지 않을 수 있습니다.

Free
3h
Professional
Data Engineer

Build Data Pipelines with Apache Spark Declarative Pipelines - Korean

이 과정에서는 여러 스트리밍 테이블과 구체화된 보기를 통한 증분 배치 또는 스트리밍 수집 및 처리를 위해 Databricks의 Lakeflow 선언적 파이프라인를 사용하여 데이터 파이프라인을 구축하는 데 필요한 필수 개념과 기술을 사용자에게 소개합니다. Lakeflow 선언적 파이프라인를 처음 접하는 데이터 엔지니어를 위해 설계된 이 과정은 증분 데이터 처리, 스트리밍 테이블, 구체화된 보기 및 임시 보기와 같은 핵심 구성 요소에 대한 포괄적인 개요를 제공하고 구체적인 목적과 차이점을 강조합니다.

다루는 주제는 다음과 같습니다.

- SQL을 사용하여 Lakeflow의 다중 파일 편집기로 ETL 파이프라인 개발 및 디버깅 (Python 코드 예제 제공)

- Lakeflow 선언적 파이프라인이 파이프라인 그래프

를 통해 파이프라인의 데이터 종속성을 추적하는 방법- 파이프라인 컴퓨팅 리소스, 데이터 자산, 트리거 모드 및 기타 고급 옵션

 구성 다음으로, 이 과정에서는 Lakeflow의 데이터 품질 기대치를 소개하고, 데이터 무결성을 검증하고 적용하기 위해 기대치를 파이프라인에 통합하는 프로세스를 안내합니다. 그런 다음 학습자는 스케줄링 옵션, 프로덕션 모드, 파이프라인 이벤트 로깅을 활성화하여 파이프라인 성능 및 상태를 모니터링하는 등 파이프라인을 프로덕션에 적용하는 방법을 살펴봅니다.

마지막으로, 이 과정에서는 Lakeflow Declarative Pipelines 내에서 APPLY CHANGES INTO 구문을 사용하여 Change Data Capture  (CDC)를 구현하여 느리게 변화하는 차원(SCD 유형 1 및 유형 2)을 관리하여 사용자가 CDC를 자신의 파이프라인에 통합할 수 있도록 준비하는 방법을 다룹니다.

참고: 이 과정은 'Databricks을 사용한 데이터 엔지니어링' 과정 시리즈의 일부입니다.

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

Free
4h
Associate

Questions?

If you have any questions, please refer to our Frequently Asked Questions page.