Get Started with Databricks for Generative AI - Korean

이 과정은 Mosaic AI 플랫폼을 실용적으로 소개하며, 제너레이티브 AI 시스템 구축 및 배포를 위한 key 구성 요소와 기능에 초점을 맞춥니다. 참가자들은 Databricks가 확장 가능한 제너레이티브 AI 솔루션 개발을 어떻게 촉진하는지 배우고 Vector Search, 에이전트 프레임워크, 모델 추적 및 로깅을 위한 MLFlow의 제너레이티브 AI 기능 같은 Mosaic AI 도구에 대해 알아봅니다. 이 과정에는 검색-증강 생성 (RAG) 파이프라인을 구성 및 평가하고, 제너레이티브 AI 에이전트를 배포하고, 평가 프레임워크를 활용하여 성능을 최적화하는 실무 경험이 포함돼요. 강좌가 끝나면 학습자들은 Mosaic AI를 사용하여 일반적인 제너레이티브 AI 애플리케이션을 설계, 배포 및 모니터링할 수 있는 기술을 갖추게 될 거예요.

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

Skill Level

Onboarding

Duration

Prerequisites

콘텐츠는 다음과 같은 기술/지식/능력을 가진 참가자를 위해 개발되었습니다.

제너레이티브 AI 엔지니어링 주제에 대한 기본 지식이 추천됩니다.

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

Self-Paced

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

Instructor-Led

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

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

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

DevOps Essentials for Data Engineering - Korean

이 과정에서는 Databricks를 사용하여 작업하는 데이터 엔지니어를 위해 특별히 설계된 소프트웨어 엔지니어링 모범 사례와 DevOps 원칙을 살펴봅니다. 참가자는 코드 품질, 버전 제어, 문서화, 테스트와 같은 핵심 주제에 대한 강력한 기반을 구축하게 됩니다. 이 과정에서는 DevOps를 강조하여 핵심 구성 요소, 이점, 데이터 엔지니어링 워크플로 최적화에서 지속적인 통합 및 배포(CI/CD)의 역할에 대해 다룹니다.

PySpark에서 모듈성 원칙을 적용하여 재사용 가능한 구성 요소를 만들고 효율적으로 코드를 구성하는 방법을 학습합니다. 실습 경험에는 pytest 프레임워크를 사용하여 PySpark 함수에 대한 단위 테스트를 설계하고 구현하는 것과 DLT 및 Workflows를 사용하여 Databricks 데이터 파이프라인에 대한 통합 테스트를 수행하여 안정성을 보장하는 것이 포함됩니다.

또한 이 과정에서는 Databricks Git 폴더를 사용하여 지속적인 통합 관행을 통합하는 것을 포함하여 Databricks 내에서 필수적인 Git 작업도 다룹니다. 마지막으로 REST API, CLI, SDK, Databricks Asset Bundles(DAB) 등 Databricks 자산에 대한 다양한 배포 방법을 간략하게 살펴보고 파이프라인을 배포하고 관리하는 기술에 대한 지식을 얻습니다.

과정을 마치면 소프트웨어 엔지니어링과 DevOps 모범 사례에 능숙해져서 확장 가능하고 유지 관리가 가능하며 효율적인 데이터 엔지니어링 솔루션을 구축할 수 있게 됩니다.

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

Paid & Subscription

Lab

Associate

Machine Learning Practitioner

Get Started with Databricks for Machine Learning - Korean

이 과정에서는 Databricks Data Intelligence Platform을 사용하여 기본적인 머신 러닝 워크플로를 실행하고 데이터 과학 워크로드를 지원하는 데 필요한 기본 기술을 개발하게 됩니다. Databricks Notebooks를 사용한 기능 엔지니어링과 MLflow를 사용한 모델 수명 주기 추적 등의 주제를 다루며 머신 러닝 실무자의 관점에서 플랫폼을 탐색해 보겠습니다. 또한 Mosaic AI Model Serving을 통한 실시간 모델 추론에 대해 알아보고 AutoML을 통한 모델 개발에 대한 Databricks의 "글래스 박스" 접근 방식을 경험하게 됩니다. 이 과정에는 강사가 진행하는 세 가지 데모가 포함되어 있으며, 데모에서 다룬 개념을 강화하는 포괄적인 랩으로 마무리됩니다.

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

Build Data Pipelines with Delta Live Tables - Korean

이 과정에서는 Spark SQL 및 Python에서 Delta Live Tables(DLT)를 사용하여 레이크하우스의 여러 테이블을 통해 데이터를 점진적으로 수집하고 처리하는 데이터 파이프라인을 정의하고 예약하는 방법을 알아봅니다. 이 과정에서는 DLT를 시작하는 방법, DLT가 데이터 파이프라인에서 데이터 종속성을 추적하는 방법, Delta Live Tables UI를 사용하여 데이터 파이프라인을 구성 및 실행하는 방법, Python 또는 Spark SQL을 사용하여 데이터를 수집하고 처리하는 데이터 파이프라인을 정의하는 방법을 다룹니다. Auto Loader 및 DLT를 사용하는 레이크하우스의 여러 테이블, APPLY CHANGES INTO 구문을 사용하여 변경 데이터 캡처(CDC) 피드를 처리하는 방법, 파이프라인에서 생성된 이벤트 로그 및 데이터 아티팩트를 검토하고 DLT 구문 문제를 해결하는 방법을 다룹니다.

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

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

Paid & Subscription

Lab

Associate