Google Vertex AI란 무엇인가요?

AI 도구를 사용해 보면서 초기 테스트부터 모니터링을 통한 실제 운영까지, 진정한 엔드투엔드 마법이 어디에서 일어나는지 궁금하셨다면, 바로 이 제품이 그 답입니다. 구글의 Vertex AI는 모델 플레이그라운드, 다중 루프 연산(MLOP), 데이터 연결, 벡터 검색 기능을 하나의 엔터프라이즈급 플랫폼에 통합했습니다. 소규모로 시작하여 점차 확장해 나갈 수 있습니다. 이 두 가지를 모두 한 곳에서 제공하는 제품은 의외로 드뭅니다.

아래는 핵심만 간략히 살펴보는 투어입니다.Google Vertex AI란 무엇인지, 그리고 여러분의 스택에 어떻게 어울리는지, 무엇부터 시도해봐야 하는지, 비용은 어떻게 발생하는지, 또 어떤 경우에는 다른 대안이 더 나은지 등을 알려드리겠습니다. 준비하세요. 내용이 많지만, 생각보다 간단합니다. 🙂

이 글을 읽고 나서 읽어보시면 좋을 만한 글들:

🔗 AI 트레이너란 무엇인가요?
인공지능 훈련기가 인간의 피드백과 라벨링을 통해 모델을 개선하는 방법을 설명합니다.

🔗 AI 차익거래란 무엇인가: 유행어 뒤에 숨겨진 진실
AI 차익거래, 그 사업 모델 및 시장에 미치는 영향에 대해 분석합니다.

🔗 기호적 인공지능이란 무엇인가: 알아야 할 모든 것
기호적 인공지능의 논리 기반 추론 방식과 머신러닝과의 차이점을 다룹니다.

🔗 인공지능 개발에 사용되는 프로그래밍 언어는 무엇인가요?
파이썬, R, 그리고 다른 언어들을 인공지능 개발 및 연구에 활용하는 방식을 비교합니다.

🔗 AIaaS(인공지능서비스)란 무엇인가?
AIaaS 플랫폼, 이점 및 기업이 클라우드 기반 AI 도구를 활용하는 방법에 대해 설명합니다.

구글 버텍스 AI란 무엇일까요? 🚀

Google Vertex AI는 기존 ML과 최신 생성형 AI를 모두 포괄하는 AI 시스템을 구축, 테스트, 배포 및 관리하기 위한 Google Cloud의 완전 관리형 통합 플랫폼입니다. 모델 스튜디오, 에이전트 도구, 파이프라인, 노트북, 레지스트리, 모니터링, 벡터 검색 및 Google Cloud 데이터 서비스와의 긴밀한 통합을 결합합니다[1].

간단히 말하면, 기초 모델로 프로토타입을 만들고, 이를 조정하고, 보안 엔드포인트에 배포하고, 파이프라인으로 자동화하고, 모든 것을 모니터링하고 관리하는 곳입니다. 중요한 것은 이 모든 작업을 한 곳에서 수행한다는 점입니다. 이는 첫날에는 생각만큼 중요하지 않습니다[1].

실제 사례를 빠르게 살펴보면, 팀은 스튜디오에서 간단한 프롬프트를 스케치하고, 최소한의 노트북을 구성하여 실제 데이터를 기반으로 입출력을 테스트한 다음, 이러한 자산을 등록된 모델, 엔드포인트 및 간단한 파이프라인으로 승격시키는 과정을 거칩니다. 두 번째 주에는 일반적으로 모니터링 및 알림 설정을 진행합니다. 핵심은 거창한 작업이 아니라 반복 가능성입니다.

Google Vertex AI가 훌륭한 이유는 무엇일까요? ✅

라이프사이클을 위한 하나의 지붕 - 스튜디오에서 프로토타입 제작, 버전 등록, 배치 또는 실시간 배포, 드리프트 및 문제 모니터링. 접착 코드 감소. 탭 감소. 수면 시간 증가[1].
Model Garden + Gemini 모델 - 텍스트 및 멀티모달 작업을 위한 최신 Gemini 제품군을 포함하여 Google 및 파트너의 모델을 검색, 맞춤 설정 및 배포합니다[1].
Agent Builder - 평가 지원 및 관리형 런타임을 통해 도구와 데이터를 오케스트레이션할 수 있는 작업 중심의 다단계 에이전트를 구축합니다[2].
신뢰성을 위한 파이프라인 - 반복 가능한 학습, 평가, 튜닝 및 배포를 위한 서버리스 오케스트레이션. 세 번째 재학습이 시작될 때 감사하게 생각할 것입니다[1].
대규모 벡터 검색 - Google의 프로덕션급 인프라를 기반으로 구축된 RAG, 추천 및 의미 검색을 위한 대규모, 저지연 벡터 검색[3].
BigQuery를 사용한 기능 관리 - 오프라인 저장소를 복제하지 않고 BigQuery에서 기능 데이터를 유지하고 Vertex AI Feature Store를 통해 온라인으로 기능을 제공합니다[4].
워크벤치 노트북 - Google 클라우드 서비스(BigQuery, Cloud Storage 등)에 연결된 관리형 Jupyter 환경[1].
책임감 있는 AI 옵션 - 생성 작업 부하에 대한 안전 도구 및 제로 데이터 보존 제어(적절하게 구성된 경우)[5].

여러분이 실제로 만지게 될 핵심 부품들 🧩

1) 버텍스 AI 스튜디오 - 프롬프트가 성장하는 곳 🌱

UI에서 기초 모델을 플레이, 평가 및 조정합니다. 빠른 반복, 재사용 가능한 프롬프트, 그리고 무언가가 "클릭"되면 프로덕션으로 넘기기에 적합합니다[1].

2) 모델 가든 - 당신의 모델 카탈로그 🍃

Google 및 파트너 모델의 중앙 집중식 라이브러리입니다. 몇 번의 클릭만으로 검색, 맞춤 설정 및 배포가 가능하며, 보물찾기 대신 실제 시작점을 제공합니다[1].

3) 에이전트 빌더 - 안정적인 자동화를 위한 도구 🤝

에이전트가 데모에서 실제 작업으로 발전함에 따라 도구, 기반 및 오케스트레이션이 필요합니다. Agent Builder는 다중 에이전트 경험이 실제 세계의 혼란 속에서 무너지지 않도록 스캐폴딩(세션, 메모리 뱅크, 내장 도구, 평가)을 제공합니다[2].

4) 파이프라인 - 어차피 같은 내용을 반복하게 될 테니까요 🔁

서버리스 오케스트레이터를 사용하여 ML 및 gen-AI 워크플로를 자동화합니다. 아티팩트 추적 및 재현 가능한 실행을 지원합니다. 이를 모델용 CI라고 생각하면 됩니다[1].

5) 워크벤치 - 번거로운 과정 없이 노트북을 관리할 수 있습니다 📓

BigQuery, 클라우드 스토리지 등에 쉽게 접근할 수 있는 안전한 JupyterLab 환경을 구축하세요. 탐색, 특징 엔지니어링 및 제어 실험에 유용합니다[1].

6) 모델 레지스트리 - 영구적인 버전 관리 🗃️

모델, 버전, 계보를 추적하고 엔드포인트에 직접 배포합니다. 레지스트리를 사용하면 엔지니어링 부서로의 전달이 훨씬 덜 번거로워집니다[1].

7) 벡터 검색 - 끊김 없는 RAG 🧭

Google의 프로덕션 벡터 인프라를 사용하여 의미 검색을 확장합니다. 이는 지연 시간이 사용자에게 보이는 채팅, 의미 검색 및 추천에 유용합니다[3].

8) 피처 스토어 - BigQuery를 핵심 데이터 소스로 유지하세요 🗂️

BigQuery에 있는 데이터를 사용하여 온라인에서 기능을 관리하고 제공합니다. 복사 횟수 감소, 동기화 작업 감소, 정확도 향상[4].

9) 모델 모니터링 - 신뢰하되 검증하라 📈

일정 변경 점검을 예약하고, 알림을 설정하고, 생산 품질을 계속 모니터링하세요. 트래픽이 변경되는 순간, 이것이 필요할 것입니다[1].

데이터 스택에 어떻게 통합될까요? 🧵

BigQuery - 거기 있는 데이터로 학습하고, 배치 예측을 테이블로 다시 푸시하고, 예측을 다운스트림의 분석 또는 활성화에 연결합니다[1][4].
클라우드 스토리지 - 블롭 레이어를 다시 만들지 않고 데이터 세트, 아티팩트 및 모델 출력을 저장합니다[1].
Dataflow 및 관련 도구 - 전처리, 강화 또는 스트리밍 추론을 위해 파이프라인 내에서 관리형 데이터 처리를 실행합니다[1].
엔드포인트 또는 배치 - 앱 및 에이전트용 실시간 엔드포인트를 배포하거나 전체 테이블의 점수를 매기기 위해 배치 작업을 실행합니다. 둘 다 사용할 가능성이 높습니다[1].

실제로 효과가 있는 일반적인 사용 사례 🎯

채팅, 코파일럿, 에이전트 - 데이터, 도구 사용 및 다단계 흐름에 기반을 둡니다. 에이전트 빌더는 단순히 새로움이 아니라 신뢰성을 위해 설계되었습니다[2].
RAG 및 의미 검색 - 벡터 검색과 Gemini를 결합하여 자체 콘텐츠를 사용하여 질문에 답합니다. 속도는 우리가 생각하는 것보다 훨씬 중요합니다[3].
예측 ML - 테이블 형식 또는 이미지 모델을 학습하고 엔드포인트에 배포하고 드리프트를 모니터링하고 임계값이 초과되면 파이프라인을 사용하여 재학습합니다. 고전적이지만 중요합니다[1].
분석 활성화 - BigQuery에 예측을 작성하고, 잠재고객을 구축하고, 캠페인 또는 제품 결정에 정보를 제공합니다. 마케팅과 데이터 과학이 만나는 좋은 순환입니다[1][4].

Vertex AI와 인기 대안 제품 비교표 📊

간략한 개요입니다. 다소 주관적인 의견이 포함되어 있을 수 있습니다. 서비스 및 지역에 따라 정확한 기능과 가격이 다를 수 있다는 점을 유의하시기 바랍니다.

플랫폼	최고의 관객	작동 원리
버텍스 AI	Google Cloud 기반 팀, gen-AI + ML 혼합	통합 스튜디오, 파이프라인, 레지스트리, 벡터 검색 및 강력한 BigQuery 연결[1].
AWS 세이지메이커	심층적인 머신러닝 도구가 필요한 AWS 우선 조직	다양한 학습 및 배포 옵션을 제공하는, 성숙하고 완벽한 전체 수명 주기를 지원하는 머신러닝 서비스입니다.
Azure ML	마이크로소프트와 연계된 기업 IT	Azure 기반의 통합 ML 라이프사이클, 디자이너 UI 및 거버넌스.
데이터브릭스 ML	레이크하우스 팀, 노트북 중심의 작업 흐름	강력한 데이터 기반 워크플로우와 프로덕션 머신러닝 기능을 갖추고 있습니다.

네, 표현이 어색하네요. 실제 표는 때때로 그렇습니다.

비용을 누구나 이해하기 쉽게 설명해 드릴게요 💸

주로 세 가지 항목에 대한 비용을 지불하는 것입니다

모델 사용료는 작업량 및 사용 등급에 따라 책정됩니다.
사용자 지정 학습 및 튜닝 작업을 위한 컴퓨팅
온라인 엔드포인트 또는 배치 작업에 서비스를 제공합니다

정확한 수치와 최신 변경 사항은 Vertex AI 및 생성형 제품의 공식 가격 페이지를 확인하세요. 나중에 감사하게 될 팁: 무거운 것을 배포하기 전에 Studio와 프로덕션 엔드포인트에 대한 프로비저닝 옵션과 할당량을 검토하세요[1][5].

보안, 거버넌스 및 책임감 있는 AI 🛡️

Vertex AI는 책임감 있는 AI 지침 및 안전 도구와 데이터 보존을 0으로 만드는 (예: 데이터 캐싱을 비활성화하고 적용 가능한 경우 특정 로그를 선택 해제)[5]. 역할 기반 액세스, 개인 네트워킹 및 감사 로그를 결합하여 규정 준수에 유리한 빌드를 만듭니다[1].

Vertex AI가 완벽할 때와 과도할 때 🧠

인공지능(AI) 및 머신러닝을 위한 단일 환경, 강력한 BigQuery 통합, 파이프라인, 레지스트리 및 모니터링을 포함하는 프로덕션 경로를 원하는 경우에 적합합니다 . 데이터 과학 및 애플리케이션 엔지니어링 팀이 함께 작업하는 경우 공유 인터페이스를 통해 더욱 편리하게 사용할 수 있습니다
간단한 모델 호출이나 관리, 재학습, 모니터링이 필요 없는 단일 목적 프로토타입만 필요한 경우에는 과도한 기능입니다 . 그런 경우에는 더 간단한 API 인터페이스로도 충분할 수 있습니다

솔직히 말해서, 대부분의 프로토타입은 실패하거나 아니면 오히려 발전하게 됩니다. Vertex AI는 후자를 해결합니다.

빠른 시작 - 10분 맛 테스트 ⏱️

Vertex AI Studio를 열어 모델로 프로토타입을 만들고 마음에 드는 프롬프트를 몇 개 저장하세요. 실제 텍스트와 이미지로 테스트해 보세요[1].
Workbench 에서 최소한의 앱이나 노트북에 가장 적합한 프롬프트를 연결하세요 . 깔끔하고 간편합니다[1].
앱의 백킹 모델 또는 튜닝된 자산을 모델 레지스트리 이름 없는 아티팩트를 함부로 사용하지 않도록 합니다[1].
데이터를 로드하고 출력을 평가하고 별칭 뒤에 새 버전을 배포하는 파이프라인을 생성합니다 . 반복성이 영웅주의를 능가합니다[1]
드리프트를 포착하고 기본 알림을 설정하기 위해 모니터링을 추가하세요 . 미래의 당신은 이를 위해 커피를 사줄 것입니다[1].

선택 사항이지만 스마트합니다. 사용 사례가 검색형이거나 채팅형인 경우 처음부터 벡터 검색 과 접지를 추가하세요. 이는 좋은 것과 놀랍도록 유용한 것 사이의 차이입니다[3]

구글 버텍스 AI란 무엇일까요? - 간단하게 설명해 드릴게요 🧾

Google Vertex AI란 무엇인가요? Google Cloud의 올인원 플랫폼으로 에이전트, 파이프라인, 벡터 검색, 노트북, 레지스트리 및 모니터링을 위한 내장 도구를 통해 프롬프트부터 프로덕션까지 AI 시스템을 설계, 배포 및 관리할 수 있습니다. 팀이 제품을 출시할 수 있도록 지원하는 방식으로 구성되어 있습니다[1].

다양한 선택지를 한눈에 살펴보고, 올바른 길을 선택하세요 🛣️

이미 AWS를 깊이 있게 사용하고 있다면 SageMaker는 마치 원래 쓰던 것처럼 느껴질 겁니다. Azure 환경에서는 Azure ML을. 팀원들이 노트북이나 데이터센터에서 작업하는 환경이라면 Databricks ML이 탁월한 선택입니다. 어느 쪽도 틀린 것은 아니며, 결국 데이터의 중요도와 거버넌스 요구 사항에 따라 결정됩니다.

자주 묻는 질문(FAQ) - 속사포처럼 🧨

Vertex AI는 생성 AI에만 사용되는가? No-Vertex AI는 데이터 과학자와 ML 엔지니어를 위한 MLOps 기능을 사용하여 기존 ML 학습 및 서비스도 제공합니다[1].
BigQuery를 기본 저장소로 유지할 수 있나요? 예 - Feature Store를 사용하여 BigQuery에 기능 데이터를 유지하고 오프라인 저장소를 복제하지 않고 온라인으로 제공할 수 있습니다[4].
Vertex AI는 RAG에 도움이 되나요? 네, Vector Search는 이를 위해 구축되었으며 스택의 나머지 부분과 통합됩니다[3].
비용을 어떻게 관리하나요? 소규모로 시작하고, 측정하고, 할당량/프로비저닝 및 워크로드 클래스 가격을 검토한 후 확장하세요[1][5].

참고 자료

[1] Google Cloud - Vertex AI 소개(통합 플랫폼 개요) - 자세히 보기

[2] Google Cloud - Vertex AI Agent Builder 개요 - 자세히 보기

[3] Google Cloud - Vertex AI RAG 엔진을 사용한 Vertex AI 벡터 검색 - 자세히 보기

[4] Google Cloud - Vertex AI의 기능 관리 소개 - 자세히 보기

[5] Google Cloud - Vertex AI의 고객 데이터 보존 및 데이터 제로 보존 - 자세히 보기

회사 소개

블로그로 돌아가기

상품이 장바구니에 추가되었습니다