기업을 위한 Gen AI 구현 가이드 Top 25+ 구글 인사이트 by Miyeon. Jo 2025년 08월 06일 AI를 배우는 가장 좋은 방법은 직접 만들어 보는 것입니다. 개방형 모델을 빠르게 배포하는 방법을 찾는 것부터 복잡하고 다중 에이전트 시스템을 구축하는 것까지, 시중에는 엄청난 양의 리소스가 넘쳐나기 때문에 어려움을 느끼기 쉽습니다.이러한 목적을 위해 저희는 Google Cloud에 대한 25개 이상의 유용한 사용 가이드를 엄선하여 생생한 컬렉션(정보 링크)으로 구성했습니다. 이 컬렉션은 네 가지 영역으로 나뉩니다.빠른 모델 배포: 효율적인 CI/CD 파이프라인을 구축하고, Llama 3와 같은 대규모 모델을 고성능 인프라에 배포하고, Vertex AI Studio에서 개방형 모델을 활용하세요.Gen AI 앱 및 다중 에이전트 시스템 구축: LangGraph를 사용하여 문서 요약기, 다중 턴 채팅 앱, 고급 연구 에이전트를 구축하세요.Fine tuning(미세 조정), 평가 및 RAG(검색 증강 생성): 지도 미세 조정, RAG, 인간 피드백 기반 강화 학습(RLHF)을 통해 모델을 개선하세요.통합(Integrations): 다국어 모바일 챗봇을 구축하거나 Google Cloud 데이터베이스와 통합하여 AI를 세상과 연결하세요.이 페이지를 북마크하고 링크 된 가이드의 최신 내용을을 자주 확인해 보세요. 1. 빠른 모델 배포 원하는 방식으로 배포: Gemma 3는 Google GenAI API, Vertex AI, Cloud Run, Cloud TPU, Cloud GPU 등 다양한 배포 옵션과 플랫폼 간 통합을 제공하여 사용 사례에 가장 적합한 옵션을 유연하게 선택할 수 있도록 지원합니다. 고성능 A3 VM에 Llama 3와 같은 대규모 모델을 배포합니다. 이 가이드는 AI 하이퍼컴퓨터 클러스터(GPU가 있는 A3 VM)를 프로비저닝하고 JAX를 사용하여 대규모 오픈 모델을 배포하여 최대 성능을 달성하는 Terraform 스크립트를 제공합니다. GitHub 프로비저닝 문서. AI 하이퍼컴퓨터에서 DeepSeek 모델과 Llama 4 모델에 액세스합니다. 이 TPU 레시피는 Trillium TPU와 JetStream MaxText Engine을 사용하여 Llama-4-Scout-17B-16E 모델을 배포하는 단계를 설명합니다. AI 하이퍼컴퓨터 Github 저장소의 추론 레시피를 사용하여 Llama4 Scout 및 Maverick 모델 또는 DeepSeekV3/R1 모델을 지금 바로 배포할 수 있습니다. Vertex AI Studio에서 오픈 모델을 사용합니다. 모델 선택은 더 이상 Gemini에만 국한되지 않습니다. Claude 모델도 선택할 수 있습니다. Vertex AI Studio에서 오픈 모델을 사용하는 방법의 문서가 링크되어 있습니다. 10분 이내에 Google Cloud Run에 원격 MCP 서버를 빌드하고 배포합니다. MCP 서버 호스팅을 위한 공식 Cloud Run 문서를 직접 참고하여 이 링크의 블로그에서는 원격 MCP 서버를 직접 설정하는 간단한 과정을 보여줍니다. 블로그. 2. Gen AI 앱 및 다중 에이전트 시스템 구축 Gemini Pro를 사용하여 문서(텍스트) 요약기를 만듭니다. 이 Python 노트북은 Vertex AI SDK를 사용하여 Gemini Pro 모델과 상호 작용하는 방법을 보여줍니다. 이 실습 과제는 긴 문서의 간결한 요약을 생성하는 것입니다. Github 레시피. Gemini를 사용하여 멀티턴 채팅 애플리케이션을 구축합니다. 이 노트북은 Gemini API를 사용하여 대화 내역을 기억할 수 있는 상태 저장 멀티턴 채팅 서비스를 구축하는 방법을 보여줍니다. 공식 문서. LangGraph를 사용하여 멀티모달 리서치 에이전트를 구축합니다. 루프 방식으로 작동하는 진정한 AI 에이전트를 구축하기 위한 고급 레시피입니다. LangGraph를 사용하여 에이전트가 웹을 검색하고, Gemini를 사용하여 결과에서 이미지를 분석하고, 최종 답변을 합성할 수 있는 워크플로를 생성합니다. 샘플 코드. 블로그. AI가 좋은 SQL 쿼리(텍스트-SQL)를 작성하도록 합니다. 최첨단 컨텍스트 구축 및 테이블 검색 방식, LLM-as-a-Judge 기법을 활용한 텍스트-SQL 품질 평가 방법, LLM 프롬프트 및 후처리에 대한 최적의 접근법, 그리고 시스템이 사실상 인증된 정답을 제공할 수 있도록 하는 기법에 대해 알아보세요. 가이드. 독립형 ADK/MCP 에이전트를 A2A 호환 컴포넌트로 변환하고 이러한 에이전트를 관리하는 오케스트레이터를 구축합니다. 프로젝트 소스 코드. 공식 A2A Python SDK. 공식 A2A 샘플 프로젝트 ADK를 사용하여 간단한 다중 에이전트 시스템(이 경우 여행 계획 시스템)을 구축합니다. 프로젝트 소스 코드를 살펴보세요. Google ADK를 사용하여 대화형 데이터 익명화 에이전트를 구축합니다. 에이전트는 테이블의 스키마와 데이터를 대화형으로 분석하여 민감한 열을 식별한 다음, 즉시 실행 가능한 SQL 스크립트를 제안 및 생성하여 익명화 및 샘플링된 복사본을 생성합니다. 프로젝트 샘플 코드를 살펴보세요. Imagen 3와 Gemini를 사용하여 강력한 브랜드 로고를 제작해 보세요. Imagen 3, Gemini, 그리고 Python 라이브러리 Pillow를 사용하여 로고로 브랜드 스타일을 구축하는 방법을 알아보세요. 샘플 코드도 제공됩니다. 3. Fine tuning(미세 조정), 평가 및 검색 RAG(증강 생성) Gemini를 활용한 Supervised Fine Tuning(지도 미세 조정)을 위한 최고의 모범 사례 가이드. 이 가이드는 개발자가 Supervised Fine Tuning 프로세스를 간소화하는 방법을 심층적으로 설명합니다. 여기에는 최적의 모델 버전 선택, 고품질 데이터세트 제작, 문제 진단 및 해결 도구를 포함한 모델 평가 모범 사례가 포함됩니다. 전체 가이드. Gen AI Github 저장소. Vertex AI RAG를 시작하기 위한 최고의 가이드. Vertex AI RAG Engine을 이해하는 데 필요한 주요 개념을 북마크하세요. 이러한 개념은 RAG(검색 증강 생성) 프로세스 순서대로 나열되어 있습니다. 시작하기 노트북. 프로덕션에 바로 적용 가능한 RAG 시스템 설계. 생성 AI 앱에서 Vertex AI와 벡터 검색의 엔드 투 엔드 역할을 이해하기 위한 포괄적인 아키텍처 가이드. 시스템 다이어그램, 설계 고려 사항 및 모범 사례가 포함되어 있습니다. 공식 아키텍처 가이드. 고급 RAG 기술: Vertex RAG Engine 검색 품질 평가 및 하이퍼파라미터 튜닝. RAG Engine을 사용하여 검색을 위한 하이퍼파라미터 튜닝을 평가하고 수행하는 방법을 알아보세요. Github 저장소. 강화 학습(RLHF)을 사용하여 모델 미세 조정. 이 튜토리얼은 Vertex AI에서 사람 피드백을 기반으로 한 강화 학습(RLHF)을 사용하여 대용량 언어 모델(LLM)을 튜닝하는 방법을 보여줍니다. 이 워크플로는 사람으로부터 수집된 피드백을 사용하여 모델의 정확도를 향상시킵니다. Colab. Vertex AI에서 비디오 입력을 미세 조정합니다. 콘텐츠 관리, 비디오 자막, 상세 이벤트 현지화 작업이 포함된 경우 이 가이드가 도움이 될 것입니다. 샘플 노트북. 개발 중에 텍스트 프롬프트와 모델을 빠르게 비교합니다. 이 “Rapid Evaluation” SDK를 사용하여 다양한 텍스트 기반 프롬프트 또는 모델의 출력을 나란히 빠르게 비교할 수 있습니다. Colab. Explainable AI를 사용하여 특성 기여도(Feature attribution)을 가져옵니다. 분류 및 회귀 모델의 경우, Vertex Explainable AI를 사용하여 모델이 특정 예측을 내린 이유를 파악합니다. 관련 문서. RAG 검색을 최적화하세요. 근본 원인 분석부터 테스트 프레임워크 구축까지, 환각을 최소화하고 AI 애플리케이션에 대한 신뢰를 구축하는 단계별 방법을 소개합니다. 블로그. 4. 통합(Integrations) 모바일용 다국어 챗봇 구축. Android에서 다국어 챗봇을 구축하기 위한 완벽한 엔드 투 엔드 가이드입니다. Gemma, Gemini API, MCP를 결합하여 강력하고 글로벌하게 사용 가능한 애플리케이션을 구축합니다. Github 저장소. 블로그. 외부 MCP 서버에 연결하는 ADK 에이전트를 개발합니다. MCP를 활용하여 위키백과 문서에 액세스하는 ADK 에이전트의 예시를 살펴보세요. 이는 외부 특수 데이터를 검색하는 일반적인 사용 사례입니다. 또한 MCP 통신을 위한 SSE(Server-Sent Events)를 대체하도록 설계된 차세대 전송 프로토콜인 Streamable HTTP도 소개합니다. 가이드. 텍스트 서비스용 Vertex AI 임베딩과 StackOverflow 데이터세트를 사용하여 텍스트 임베딩을 인코딩합니다. 벡터 검색은 완전 관리형 서비스로 운영 오버헤드를 더욱 줄여줍니다. Google Research에서 개발한 근사 최근접 이웃(ANN) 기술을 기반으로 합니다. 노트북. MCP를 Google Cloud 데이터베이스와 통합합니다. MCP 호환 AI 어시스턴트(Claude Code, Cursor, Windsurf, Cline 등)를 Google Cloud Databases와 통합하는 방법을 알아보세요. 이 블로그에서는 데이터베이스 쿼리를 처리하는 애플리케이션 코드 작성, 새 애플리케이션의 스키마 설계, 데이터 모델 변경 시 코드 리팩토링, 통합 테스트용 데이터 생성 방법 등을 안내합니다. 블로그 출처https://cloud.google.com/blog/products/ai-machine-learning/top-gen-ai-how-to-guides-for-enterprise?hl=en 2025년 08월 06일
[다시보기] 2025 제3회 한국인공지능·소프트웨어산업협회 공공 로드쇼 다시보기 by Miyeon. Jo 2025년 08월 01일 [다시보기] 2025 제3회 한국인공지능·소프트웨어산업협회 공공 로드쇼 다시보기 안녕하세요.Cloud & AI 매니지드 서비스 전문 기업 베스핀글로벌입니다.얼마 전 베스핀글로벌과 한국인공지능·소프트웨어산업협회가 준비한‘2025 제3회 생성형AI 공공 로드쇼’가 원주, 대전, 광주에서 성황리에 개최되었습니다.많은 공공기관 관계자분들께서 AI 및 클라우드 혁신 사례에 깊은 관심을 보여주셨고, 현장에서도 실질적인 인사이트와 활발한 논의가 이어졌는데요.현장에 직접 참석하지 못하신 분들도 유익한 내용을 함께 나누시길 바라는 마음으로,발표 영상을 다시보기로 준비했습니다.지금 바로 영상으로 알찬 세미나 현장을 만나보세요! 영상으로 확인하기신청 시 바로 영상을 보실 수 있으며, 담당자 확인 후 기재해 주신 메일로 발표 자료를 전달해 드립니다. 2025년 08월 01일
Looker 개발자, 지속적 통합(Continuous Integration) 도입으로 속도와 정확성 확보 구글 인사이트 by Miyeon. Jo 2025년 07월 24일 수천 개의 연결 가능한 데이터 소스와 무수히 많은 맞춤형 도구를 기본으로 제공하는 Looker는 개발자들이 클라우드 우선의 오픈소스 친화적인 모델을 활용하여 새로운 데이터 해석 및 경험을 창출할 수 있도록 돕습니다. 오늘, 저희는 Looker를 위한 지속적 통합(Continuous Integration for Looker) 출시를 통해 현대 소프트웨어 엔지니어링 원칙을 적용하여 개발 속도를 높이고 개발자들이 Looker를 새로운 영역으로 확장할 수 있도록 지원합니다.개발자로서 여러분은 연결의 안정성, 데이터의 정확성, 그리고 코드의 일관된 실행을 중요하게 생각합니다. 그리고 만약 그렇지 않을 때, 빌드가 왜 실패했는지 알아내거나 자신의 도구에 접근할 수 없는 사용자들의 불만을 듣는 데 오랜 시간을 소비하고 싶지 않을 것입니다.Looker를 위한 지속적 통합은 코드 개발 워크플로우를 간소화하고, 최종 사용자 경험을 향상시키며, 변경 사항을 더 빠르게 배포하는 데 필요한 자신감을 제공합니다.지속적 통합을 사용하면 LookML 코드를 작성할 때에도 대시보드가 손상되지 않고 Looker 콘텐츠가 데이터베이스 변경으로부터 보호됩니다. 이는 사용자가 데이터 불일치를 발견하기 전에 이를 미리 감지하는 데 도움이 되며, Looker 환경에서 직접 강력한 개발 유효성 검사 기능을 제공합니다.지속적 통합을 통해 데이터 파이프라인, 모델, 보고서 및 대시보드에 대한 변경 사항을 자동으로 통합하여 비즈니스 인텔리전스(BI) 자산이 지속적으로 정확하고 신뢰할 수 있도록 보장할 수 있습니다. 개발자들은 코드 품질을 유지하고, 신뢰성을 보장하며, 콘텐츠를 효과적으로 관리하는 데 도움이 되는 도구의 혜택을 받습니다. 조직 내에서 Looker가 널리 채택되어 더 많은 사용자가 새로운 대시보드와 보고서를 만들고 더 많은 데이터 소스에 Looker를 연결함에 따라 데이터 및 콘텐츠 오류의 잠재력이 증가할 수 있습니다.지속적 통합은 새로운 코드가 프로덕션에 푸시되기 전에 사전 테스트를 수행하여 강력한 사용자 경험과 성공을 보장하는 데 기여합니다.구체적으로, Looker의 지속적 통합은 다음을 제공합니다: 조기 오류 감지 및 데이터 품질 향상: 프로덕션 환경에서 예상치 못한 오류를 최소화합니다. Looker의 새로운 지속적 통합 기능은 LookML 개발자들이 새로운 코드 변경 사항이 배포되기 전에 문제를 파악하여 더 높은 데이터 품질을 확보할 수 있도록 돕습니다.다음 기능을 제공하는 검증 도구(Validators):Looker의 차원(dimension) 및 측정(measure) 정의를 손상시킬 수 있는 업스트림 SQL 변경 사항을 표시합니다.오래된 LookML 정의를 참조하는 대시보드 및 Look을 식별합니다.다른 유효성 검사의 일부로 LookML의 오류 및 안티패턴을 검증합니다.향상된 개발자 효율성: 워크플로우를 간소화하고 지속적 통합 파이프라인을 통합하여, 코드 품질 및 종속성을 자동으로 확인하는 보다 효율적인 개발 및 코드 검토 프로세스를 통해 영향력 있는 데이터 경험 제공에 집중할 수 있습니다.배포에 대한 신뢰도 향상: 프로젝트가 철저히 테스트되었음을 알고 LookML 코드, SQL 쿼리 및 대시보드가 견고하고 신뢰할 수 있다는 확신을 갖고 배포할 수 있습니다. Looker 내에서 직접 지속적 통합 관리 이제 Looker는 단일 통합 UI 내에서 지속적 통합 테스트 스위트, 실행, 그리고 관리자 구성을 관리할 수 있도록 해줍니다. 이를 통해 다음을 수행할 수 있습니다.Looker 내에서 지속적 통합 실행 상태를 쉽게 모니터링하고 테스트 스위트를 직접 관리할 수 있습니다.강력한 검증 도구를 활용하여 SQL 쿼리, LookML 코드 및 콘텐츠의 정확성과 효율성을 보장할 수 있습니다.필요할 때마다 수동으로 또는 풀 리퀘스트(pull requests)나 스케줄을 통해 지속적 통합 실행을 자동으로 트리거하여 테스트 프로세스를 제어할 수 있습니다.오늘날 빠르게 변화하는 데이터 환경에서 속도, 정확성, 그리고 신뢰는 매우 중요합니다.Looker의 지속적 통합은 데이터 팀이 개발 모범 사례를 추진하고, 프로덕션에 오류를 도입할 위험을 줄이며, 조직의 데이터에 대한 신뢰를 높이는 데 도움을 줍니다. 그 결과, LOB(Line-of-Business) 사용자를 포함한 모든 사용자에게 지속적으로 신뢰할 수 있는 Looker 경험을 제공하여 모든 사용 사례에서 신뢰성을 높입니다. Looker의 지속적 통합은 현재 프리뷰(미리보기)로 제공됩니다. 출처 https://cloud.google.com/blog/products/business-intelligence/introducing-continuous-integration-for-looker?hl=en 2025년 07월 24일
에이전트 개발 키트: 멀티 에이전트 애플리케이션 개발 간소화 구글 인사이트 by Miyeon. Jo 2025년 07월 10일 AI의 세계는 단일 목적 모델을 넘어 지능적이고 자율적인 멀티 에이전트 시스템으로 빠르게 이동하고 있습니다. 그러나 이러한 멀티 에이전트 시스템 개발에는 새로운 과제가 수반됩니다. 그래서 오늘 저희는 Google Cloud NEXT 2025에서 ADK(에이전트 개발 키트)를 선보였습니다. ADK는 에이전트 및 멀티 에이전트 시스템의 풀 스택 엔드 투 엔드 개발을 단순화하도록 설계된 Google의 새로운 오픈소스 프레임워크입니다. ADK는 개발자가 더 큰 유연성과 정밀한 제어로 바로 프로덕션 환경에 사용할 수 있는 에이전틱 애플리케이션을 개발할 수 있도록 지원합니다.ADK는 Agentspace 및 Google CES(Customer Engagement Suite)와 같은 Google 제품 내에서 에이전트를 구동하는 프레임워크와 동일합니다. 오픈소싱 ADK를 통해, 빠르게 변화하는 에이전트 환경에서 개발자에게 개발을 위한 강력하고 유연한 도구를 제공하는 것이 목표입니다. ADK는 유연성이 뛰어나고 다양한 모델을 사용하며 다양한 배포 환경에 맞게 프로덕션 환경에서 바로 사용할 수 있는 에이전트를 개발할 수 있도록 설계되었습니다.ADK의 핵심 요소: 개발, 상호작용, 평가, 배포ADK는 전체 에이전트 개발 수명 주기 전반에 걸쳐 다음과 같은 기능을 제공합니다.디자인 단계부터 멀티 에이전트 제공: 여러 전문 에이전트를 계층적으로 구성하여 확장 가능한 모듈식 애플리케이션을 개발해 보세요. 복잡한 조정과 위임을 활성화하세요.풍부한 모델 생태계: 필요에 가장 적합한 모델을 선택하세요. ADK는 Gemini든 Vertex AI Model Garden을 통해 액세스할 수 있는 모델이든 여러분이 선택한 모델과 함께 작동합니다. 이 프레임워크는 또한 LiteLLM 통합을 제공하므로 Anthropic, Meta, Mistral AI, AI21 Labs 등 다양한 공급자가 제공하는 여러 모델 중에서 선택할 수 있습니다!풍부한 도구 생태계: 에이전트에 다양한 기능을 제공해 보세요. 사전 구축된 도구(Search, Code Exec)나 MCP(Model Context Protocol) 도구를 사용하거나, 타사 라이브러리(LangChain, LlamaIndex)를 통합하거나, 다른 에이전트를 도구(LangGraph, CrewAI 등)로 사용할 수도 있습니다.기본 제공 스트리밍: ADK 고유의 양방향 오디오 및 동영상 스트리밍 기능을 사용하여 실제 사람과의 대화에서처럼 에이전트와 상호작용할 수 있습니다. 코드 몇 줄 만으로 에이전트와 작업하는 방식을 바꾸는 자연스러운 상호작용을 만들 수 있습니다. 즉, 단순한 텍스트를 넘어 풍부하고 다양한 대화로 넘어갈 수 있습니다.유연한 조정: 예측 가능한 파이프라인을 위해 워크플로 에이전트(Sequential, Parallel, Loop)를 사용하여 워크플로를 정의하거나 적응형 동작을 위해 LLM 기반 동적 라우팅(LlmAgent 전송)을 활용할 수 있습니다.통합 개발자 환경: 강력한 CLI와 시각적 Web UI로 로컬에서 개발, 테스트, 디버깅할 수 있습니다. 이벤트, 상태 및 에이전트 실행을 단계별로 검사할 수 있습니다.기본 제공 평가: 사전 정의된 테스트 사례에 대한 최종 응답 품질과 단계별 실행 경로를 모두 분석하여 에이전트 성과를 체계적으로 평가할 수 있습니다.손쉬운 배포: 에이전트를 컨테이너화하고 어디서나 배포할 수 있습니다.첫 번째 에이전트 시작하기docs의 예제를 살펴보도록 권하지만 핵심 아이디어는 Python의 단순함입니다. 여러분이 에이전트의 논리, 에이전트가 사용할 수 있는 도구, 에이전트가 정보를 처리하는 방식을 정의하면 됩니다. ADK는 상태를 관리하고, 도구 호출을 조정하고, 기본 LLM과 상호작용할 수 있는 구조를 제공합니다. 다음은 기본 에이전트를 보여주는 예시입니다.코드는 빠른 시작 가이드에서 찾을 수 있습니다from google.adk.agents import LlmAgent from google.adk.tools import google_Search dice_agent = LlmAgent( model="gemini-2.0-flash-exp", # 필수: LLM 지정 name="question_answer_agent", # 필수: 고유한 에이전트 이름 description="A helpful assistant agent that can answer questions.", instruction="""Respond to the query using google search""", tools=[google_search], # 도구의 인스턴스 제공 ) # adk web을 사용하여 실행할 수 있음Python이 간단한 예는 기본 구조를 보여줍니다. ADK가 진정으로 빛을 발하는 순간은 일관되게 제어 상태를 유지하면서도 여러 에이전트와 정교한 도구 사용, 동적 조정이 관련된 보다 복잡한 애플리케이션을 개발할 때입니다.ADK는 에이전트와 상호작용하는 방식(CLI, Web UI, API Server, API(Python))을 유연하게 변경할 수 있습니다. 에이전트를 정의하는 방식(agent.py 내의 핵심 논리)은 에이전트와 상호작용을 위해 선택하는 방식에 관계없이 동일합니다. 차이점은 상호작용을 시작하고 관리하는 방법에 있습니다. ADK 설명서에서 그 모든 예를 찾을 수 있습니다.ADK architectureADK를 사용한 멀티 에이전트 애플리케이션 개발ADK는 단일 에이전트를 넘어 도구를 활용하는 협업 멀티 에이전트 시스템을 개발할 때 그 진가를 발휘합니다. 기본 에이전트가 대화를 바탕으로 작업을 위임할 수 있는 전문 에이전트 팀을 만든다고 상상해 보세요. ADK를 사용하면 계층 구조와 지능형 라우팅을 통해 이를 쉽게 수행할 수 있습니다.예시를 살펴보겠습니다. 날씨 관련 쿼리를 처리하는 WeatherAgent가 인사말을 전문 GreetingAgent에 위임하는 예입니다.1. 도구 정의: 에이전트는 도구를 사용하여 작업을 수행합니다. 여기서 WeatherAgent는 날씨 데이터를 가져올 도구가 필요합니다. 우리가 Python 함수를 정의하면 ADK는 docstring을 사용하여 이 함수를 언제 어떻게 사용할지 이해합니다.def get_weather(city: str) -> Dict: # 모범 사례: 더욱 쉬운 디버깅을 위한 도구 실행 기록 print(f"--- Tool: get_weather called for city: {city} ---") city_normalized = city.lower().replace(" ", "") # 기본 입력 정규화 # 단순화를 위한 모의 날씨 데이터(1단계 구조와 일치) mock_weather_db = { "newyork": {"status": "success", "report": "The weather in New York is sunny with a temperature of 25°C."}, "london": {"status": "success", "report": "It's cloudy in London with a temperature of 15°C."}, "tokyo": {"status": "success", "report": "Tokyo is experiencing light rain and a temperature of 18°C."}, "chicago": {"status": "success", "report": "The weather in Chicago is sunny with a temperature of 25°C."}, "toronto": {"status": "success", "report": "It's partly cloudy in Toronto with a temperature of 30°C."}, "chennai": {"status": "success", "report": "It's rainy in Chennai with a temperature of 15°C."}, } # 모범 사례: 도구 내에서 잠재적 오류를 적절하게 처리 if city_normalized in mock_weather_db: return mock_weather_db[city_normalized] else: return {"status": "error", "error_message": f"Sorry, I don't have weather information for '{city}'."}Python2. 에이전트 및 에이전트의 관계 정의: LlmAgent를 사용하여 에이전트를 생성합니다. 지시문 및 설명 필드에 각별히 주의하세요. LLM은 역할을 이해하고 하위 에이전트에 대한 자동 위임을 사용한 위임 결정을 내릴 때 이들 필드에 크게 의존합니다.greeting_agent = Agent( model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"), name="greeting_agent", instruction="You are the Greeting Agent. Your ONLY task is to provide a friendly greeting to the user. " "Do not engage in any other conversation or tasks.", # 위임에 중요한 점: 기능에 대한 명확한 설명 description="Handles simple greetings and hellos", ) farewell_agent = Agent( model=LiteLlm(model="anthropic/claude-3-sonnet-20240229"), name="farewell_agent", instruction="You are the Farewell Agent. Your ONLY task is to provide a polite goodbye message. " "Do not perform any other actions.", # 위임에 중요한 점: 기능에 대한 명확한 설명 description="Handles simple farewells and goodbyes", ) root_agent = Agent( name="weather_agent_v2", model="gemini-2.0-flash-exp", description="You are the main Weather Agent, coordinating a team. - Your main task: Provide weather using the `get_weather` tool. Handle its 'status' response ('report' or 'error_message'). - Delegation Rules: - If the user gives a simple greeting (like 'Hi', 'Hello'), delegate to `greeting_agent`. - If the user gives a simple farewell (like 'Bye', 'See you'), delegate to `farewell_agent`. - Handle weather requests yourself using `get_weather`. - For other queries, state clearly if you cannot handle them.", tools=[get_weather], # 루트 에이전트에는 여전히 날씨 도구가 필요함 sub_agents=[greeting_agent, farewell_agent] ) Python위임의 작동 방식:기본 에이전트 동작은 위임을 허용하는 것입니다.사용자 메시지를 처리할 때 LLM은 쿼리와 현재 에이전트의 description, 관련 에이전트(계층 구조에 정의된 상위/하위 에이전트)의 description 필드를 고려합니다.LLM이 해당 설명을 바탕으로 다른 에이전트가 더 적합하다고 판단하는 경우(예: 사용자가 GreetingAgent 설명과 일치하는 “Hi”라고 말하는 경우) 전송을 시작합니다.분명하고 확실한 설명이 무엇보다도 중요합니다! LLM은 설명을 사용하여 작업을 효과적으로 라우팅합니다.이 설정에서 사용자가 “Hi”로 시작하는 경우 WeatherAgent(입력을 처리하는 루트 에이전트인 경우)는 날씨 쿼리가 아님을 인식하고, 설명을 통해 GreetingAgent가 적합한지 확인하며, 자동으로 컨트롤을 전송할 수 있습니다. 사용자가 “What’s the weather in Chicago?”(시카고의 날씨는 어떤가요?)라고 물으면 WeatherAgent는 get_weather 도구를 사용하여 이 질문을 직접 처리합니다.이 예는 ADK의 계층적 구조와 설명 중심의 위임을 통해 어떻게 체계적이고 유지 관리 가능하며 정교한 멀티 에이전트 애플리케이션을 개발할 수 있는지 그 방법을 보여줍니다.수명 주기 완료: 평가 및 배포날씨 에이전트와 같은 지능형 에이전트 개발은 기본적인 것입니다. 하지만 이를 사용자에게 안정적으로 제공하기 위해서는 엄격한 평가와 원활한 배포라는 중요한 다음 단계를 거쳐야 합니다. 실제로 가동하기 전에 에이전트가 예측 가능하고 올바르게 작동하도록 하는 것이 가장 중요합니다. ADK의 통합 평가 도구는 바로 이런 목적에 딱 맞게 설계되어 있어, evaluation.test.json 또는 test.json 같이 사전 정의된 데이터 세트를 기준으로 실행 경로와 응답 품질을 체계적으로 테스트할 수 있습니다. AgentEvaluator.evaluate()를 사용하여 테스트 세트 내에서 프로그래밍 방식으로 이러한 검사를 실행할 수 있습니다. ADK eval 명령줄 도구 또는 웹 UI를 통해 직접적으로 평가를 사용할 수도 있습니다.성능에 만족할 경우 ADK는 모든 컨테이너 런타임에 배포하는 옵션을 통하거나 또는 Vertex AI Agent Engine과의 통합을 사용해서 프로덕션으로 진행하는 명확하고 간소화된 경로를 제공합니다. 이를 통해 완벽하게 관리되고 확장 가능한 엔터프라이즈급 런타임을 활용하여 개발 수명 주기를 완료하고 정교한 프로토타입에서 강력하고 프로덕션 환경에 바로 사용할 수 있는 에이전틱 애플리케이션으로 전환할 수 있습니다.내게 적합한 프레임워크 선택: ADK냐 Genkit이냐?ADK를 사용한 멀티 에이전트 시스템 개발의 가능성을 탐색하면서 ADK가 Google에서 제공하는 GenAI 개발 도구의 더욱 광범위한 환경에 어떻게 부합하는지 궁금하실 수도 있습니다. Genkit 프레임워크와 같은 다양한 SDK와 프레임워크가 사용 가능하지만 ADK가 상대적으로 어디에 포커스를 두고 있는지 이해하면 알기 쉽습니다. 간단히 비교해보자면 다음과 같습니다.에이전트 개발 키트:복잡한 에이전트와 멀티 에이전트 시스템에 최적화된 ADK는 다양한 모델을 지원하는 LiteLLM과 Vertex AI Model Garden에 대한 기본 통합을 통해 에이전트 개발을 위한 더 높은 수준의 추상화를 제공합니다.에이전트의 동작과 상호작용을 정의하는 데 중점을 둡니다.양방향 스트리밍을 지원합니다.Genkit:매우 다양한 AI 기반 경험을 구축하기 위한 기본 구성 요소를 제공합니다.AI 관련 상호작용을 반복, 테스트, 디버깅하기 위한 개발자 도구를 포함합니다.커뮤니티 플러그인을 통해 Google AI, Vertex AI 및 타사의 다양한 대형 언어 모델을 지원합니다.적합한 도구 선택결국, 최선의 선택은 프로젝트의 구체적인 목표에 달려 있습니다. 잘 정의된 프레임워크 내에서 복잡한 협업 에이전트 시스템을 개발할 경우 ADK는 강력한 솔루션을 제공합니다. 유연성과 광범위한 모델 지원이 필요한 다른 많은 GenAI 프로젝트에는 Genkit이 탁월한 선택입니다.어디에서나 작동하지만 Google Cloud에 최적화된 ADKADK는 다양한 도구와 연동해 작동할 수 있는 유연성을 제공하지만, Google Cloud 생태계 내에서, 특히 Gemini 모델 및 Vertex AI와 원활하게 통합되도록 최적화되어 있습니다. 개발자는 이러한 맞춤형 설계를 통해 Gemini 2.5 Pro Experimental에서 볼 수 있는 향상된 추론이나 도구 사용 같은 Gemini의 고급 기능을 최대한 활용할 수 있습니다. 이 맞춤형 설계는 또한 확장성을 위해 이러한 에이전트를 Vertex AI의 완전 관리형 엔터프라이즈급 런타임에 배포할 수 있는 직접적인 기본 경로를 제공합니다.결정적으로, 이러한 심층적인 통합은 더 광범위한 엔터프라이즈 환경으로 확장됩니다. 에이전트는 ADK를 사용하여 사전 구축된 100개 이상의 커넥터를 통해 시스템과 데이터에 직접 연결하고, Application Integration으로 구축된 워크플로를 활용하며, 데이터를 중복할 필요 없이 AlloyDB, BigQuery, NetApp 등의 시스템에 저장된 데이터에 액세스할 수 있습니다.또한 ADK로 개발된 에이전트는 Apigee를 통해 관리되는 조직의 기존 API 투자를 안전하게 활용할 수 있으며, 이미 확립된 인터페이스를 활용하여 기능을 더욱 향상시킬 수 있습니다.고급 AI 모델과 확장 가능한 배포, 다양한 데이터 소스, 기존 API를 아우르는 이러한 포괄적인 연결성 덕분에 ADK는 Google Cloud 환경 내에서 사용될 때 매우 강력해집니다.ADK로 차세대 에이전트 개발ADK는 차세대 AI 애플리케이션 개발을 위한 강력하고 유연한 오픈소스 기반을 제공합니다. ADK는 다음을 제공하여 멀티 에이전트 개발의 핵심 과제를 해결합니다.에이전트 동작 및 조정에 대한 정확한 제어.도구와 통합을 위한 풍부한 생태계.빌드와 디버깅을 위한 통합 개발자 경험.신뢰할 수 있는 에이전트에 필수적인 강력한 평가 프레임워크.관리형 옵션을 포함한 배포에 대한 명확한 경로. 출처 Google for Developers 2025년 07월 10일
[프로모션] 오직 여기서만, 베스핀글로벌 Security프로모션 by Miyeon. Jo 2025년 06월 30일 [프로모션] 오직 여기서만, 베스핀글로벌 Security프로모션 안녕하세요,AI 매니지드 서비스 전문 기업 베스핀글로벌입니다.오늘부터 6월 30일까지, 진화하는 보안 위협으로부터 고객님의 자산을 더욱 안전하게 보호해 드릴보안 강화 특별 프로모션을 진행합니다. 본 프로모션은 베스핀글로벌 부스에 방문하셨던 고객님께만 제공되는 한정 혜택으로,선착순 마감될 수 있으니 지금 바로 신청하시고, 소중한 기회를 놓치지 마세요! 베스핀글로벌 보안 강화 특별 프로모션 한정기간으로 진행되는 보안 강화 프로모션,6월 30일까지만 진행합니다. 서두르세요! Security 프로모션 신청하기 프로모션 신청 시, 담당자 확인 후 기입해주신 연락처로 연락드릴 예정입니다. 2025년 06월 30일 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에서 Python의 검색 결과가 0이 되는 경우 구글 인사이트 by Miyeon. Jo 2024년 12월 17일 #Vertex AI Agent Builder #Generative AI #Google CloudGoogle 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에 대해 Python에서 검색 할 때 검색 결과가 0 건이되는 경우의 대처법에 대해 소개합니다.소개이 기사에서는 Google Cloud(이전 GCP)에서 제공하는 검색 엔진 서비스인 Vertex AI Search 에서 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱을 Python에서 검색하는 방법을 소개합니다.Vertex AI Search 앱을 Python에서 검색하는 방법에는 두 가지가 있습니다.파이썬 클라이언트 를 사용하는 방법Requests 라이브러리를 사용하여 직접 Google Cloud APIs 에 액세스하는 방법그러나 구현 방법에 따라서는 검색 결과가 0건이 되어 버리는 경우가 있습니다.검색에 실패하는 경우Google Cloud APIs 채널이 v1alpha가 아닌 경우이 문서를 작성한 2024년 12월 현재 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에 대한 검색은 ‘Python Client를 사용하는 방법’과 ‘직접 Google Cloud APIs에 액세스하는 방법’ 모두 v1alpha 에서 만 예상대로 작동합니다. 반면 v1 또는 v1beta를 사용하면 검색 결과가 0입니다. Google Cloud APIs에서 v1alpha는 API 버전을 나타내는 채널 중 하나입니다. 성이 있기 때문에 프로덕션 환경에서의 사용은 사용되지 않습니다.참고 : 버전 관리서비스 계정을 사용하는 경우Google Cloud APIs는 일반적으로 Google 계정 또는 서비스 계정 자격 증명을 사용하여 액세스합니다.그러나 2024년 12월 현재 서비스 계정을 사용하여 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱으로 검색하면 서버 측 오류(500 Internal Server Error)가 발생합니다.대처법본 사건에 대한 2024년 12월 현재의 대처법은 다음과 같습니다.v1alpha 채널의 클라이언트 라이브러리 사용서비스 계정이 아닌 Google 계정 자격 증명 사용파이썬 클라이언트샘플 코드Python Client를 사용하는 경우 샘플 코드는 다음과 같습니다.from google.cloud.discoveryengine_v1alpha import SearchServiceClient, SearchRequestfrom google.protobuf.json_format import MessageToDict PROJECT_ID = "xxx" # Google Cloud 프로젝트 IDVERTEX_AI_APP_ID = "xxx" # Vertex AI Search 앱 ID client = SearchServiceClient(credentials=credentials) serving_config = f "projects/{PROJECT_ID}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/servingConfigs/default_serving_config" content_search_spec = SearchRequest.ContentSearchSpec ( # 스 니펫을 출력하지 않음 snippet_spec=SearchRequest.ContentSearchSpec().SnippetSpec( return_snippet= False ), # 요약문을 출력한다 summary_spec=SearchRequest.ContentSearchSpec().SummarySpec( summary_result_count= 3 , include_citations = False , # Gemini Pro를 사용하도록 지정 model_spec=SearchRequest.ContentSearchSpec().SummarySpec().ModelSpec( version= "gemini-1.5-flash-001/answer_gen/v1" ) )) # Vertex AI Search에 검색어 던지기response = client.search( SearchRequest ( serving_config=serving_config, query= "G-gen이란?" , page_size= 3 , content_search_spec=content_search_spec )) # 요약 문을 표준 출력print (response.summary.summary_text) # 검색 결과를 표준 출력for r in response.results: r_dct = MessageToDict(r._pb) print (r_dct)참고 : Class SearchServiceClient포인트o 라이브러리 채널 지정from google.cloud.discoveryengine_v1alpha import SearchServiceClient, SearchRequest_v1alpha google -cloud-discoveryengine을 가져올 때 채널 지정은 명시 적으로 지정해야합니다 . , 검색결과가 0개입니다.# 지정되지 않음from google.cloud.discoveryengine import SearchServiceClient, SearchRequest # v1 지정from google.cloud.discoveryengine_v1 import SearchServiceClient, SearchRequest # v1beta 지정from google.cloud.discoveryengine_v1beta import SearchServiceClient, SearchRequestCredentialsclient = SearchServiceClient(credentials=credentials)에서 매개변수로 제공하는 자격 증명은 서비스 계정이 아니며 Google 계정이어야 합니다.Google 계정 자격 증명의 경우 변수 유형이, google.oauth2.credentials.Credentials서비스 계정 자격 증명의 경우 변수 유형 google.oauth2.service_account.Credentials입니다.Requests 라이브러리를 사용한 직접 액세스샘플 코드Requests 라이브러리를 사용하여 Google Cloud APIs에 직접 액세스하는 예제 코드는 다음과 같습니다.import requests PROJECT_NUMBER = "xxx" # Google Cloud 프로젝트 번호VERTEX_AI_APP_ID = "xxx" # Vertex AI Search 앱 ID # API URLurl = f "https://discoveryengine.googleapis.com/v1alpha/projects/{PROJECT_NUMBER}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/servingConfigs/default_search" # 요청 헤더headers={ "Authorization" : "Bearer " + credentials.token, "Content-Type" : "application/json" ,} # 요청 본문session = f "projects/{PROJECT_NUMBER}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/sessions/-"data={ "query" : "G-gen이란?" , "pageSize" : 3 , "contentSearchSpec" : { "snippetSpec" : { "returnSnippet" : False }, "extractiveContentSpec" : { "maxExtractiveAnswerCount" : 1 } }, "session" : session} # 검색 요청 제출response = requests.post(f "{url}:search" , headers=headers, json=data) # 검색 결과를 표준 출력for r in response.json().get( "results" ): print (r) data={ "query" : { "text" : "G-gen이란?" , "queryId" : response.json().get( "sessionInfo" ).get( "queryId" ) }, "session" : response.json().get( "sessionInfo" ).get( "name" ), "answerGenerationSpec" : { "modelSpec" : { "modelVersion" : "gemini-1.5-flash-001/answer_gen/v1" } }} # 요약 요청 제출response = requests.post(f "{url}:answer" , headers=headers, json=data) # 요약 문을 표준 출력print (response.json().get( "answer" ).get( "answerText" ))참고 : Method: projects.locations.collections.dataStores.servingConfigs.search 출처 https://blog.g-gen.co.jp/entry/google-drive-vertex-ai-search-apps-with-python 2024년 12월 17일 Google Cloud와 GitHub Actions (Terraform)를 함께 사용하는 Direct Workload Identity를 만드는 bash 스크립트 구글 인사이트 by Miyeon. Jo 2024년 12월 17일 #Workload Identity #Google Cloud #Terraform #GuiHub ActionsGoogle Cloud와 GitHub Actions (Terraform)를 함께 사용하는 Direct Workload Identity를 만드는 bash 스크립트를 소개합니다.소개개요이번 컨텐츠에서 소개하는 것은 Google Cloud와 GitHub Actions (Terraform) 간의 협력에 필요한 Direct Workload Identity 리소스를 만드는 bash 스크립트입니다.이번에 소개하는 것은 Workload Identity 풀에 필요한 권한 (IAM role) 를 직접 부여하는 형식 Workload Identity 리소스를 만드는 스크립트입니다.이 방법은 서비스 계정을 지불하거나 서비스 계정을 차용할 수 있는 권한이 필요하지 않기 때문에 기존보다 안전한 협력이 가능하며 Google Cloud 및 GitHub 공식 문서에서도 권장됩니다.참고: 액세스 관리참고: (Preferred) Direct Workload Identity Federation제한사항권장 형식이지만 Direct Workload Identity에는 사용 가능한 제품 및 기능에 제한이 있습니다.지원되지 않는 제품 및 기능을 관리하려면 기존 형식(서비스 계정 권한을 차용하는 형식)의 Workload Identity를 사용하십시오.참고: ID 연계: 제품 및 제한 사항전제 조건이 bash 스크립트는 Debian GNU/Linux 12 (bookworm)위에 개발되어 동작 확인되고 있습니다.또한 다음 소프트웨어가 설치되어 있다고 가정합니다. 괄호 안은 개발시 버전입니다.gcloud( Google Cloud SDK 486.0.0)스크립트를 실행할 때는 대상 프로젝트에 대해 gcloud CLI를 인증해야 합니다.참고 : 사용자 계정을 사용하여 권한 부여참고 : 서비스 계정을 사용하여 승인면책사항이번 컨텐츠에서 소개하는 프로그램의 소스 코드는 자신의 책임하에 사용, 인용, 변경, 재배포할 수 있습니다.다만, 동 소스 코드에 의해 발생한 불이익이나 트러블에 대해서는, 당사는 일절의 책임을 지지 않습니다.소스 코드상기를 면책사항을 이해한 후, 이용해 주십시오.init.sh#!/bin/bash # 오류 처리 : 오류가 발생하면 스크립트 종료 set -e # 변수 설정 PROJECT_ID = "" # 프로젝트 ID (ex: gha-demo-prj) PROJECT_NUMBER = "" # 프로젝트 번호 (ex: 1234567890) ORGANIZATION_ID = "" # 프로젝트 조직 ID (ex: 0123456789) WORKLOAD_IDENTITY_POOL = "" # Workload Identity 풀 이름(ex: gha-demo-pool) WORKLOAD_IDENTITY_PROVIDER = "" # Workload Identity 공급자 이름(ex: gha-demo-provider) GITHUB_REPO = "" # GitHub 리포지토리 이름(ex: gha-demo-org/gha-demo-repo) # 로그 출력 함수 log() { echo " [INFO] $1 " } log_error() { echo " [ERROR] $1 " >&2 } # 1. IAM Credential API 사용 if! gcloud services list --enabled --filter =" name:iamcredentials.googleapis.com " --format =" value(name) " | grep " iamcredentials.googleapis.com " > /dev/null 2 >& 1 ; then log " IAM Credential API 사용 중... " gcloud services enable iamcredentials.googleapis.com --project =" $PROJECT_ID " else log " IAM Credential API가 이미 활성화되어 있습니다. " fi # 2. Workload Identity 풀 만들기 if! gcloud iam workload-identity-pools describe $WORKLOAD_IDENTITY_POOL --location =" global " --project =" $PROJECT_ID " > /dev/null 2 >& 1 ; then log " Workload Identity 풀 생성 중: $WORKLOAD_IDENTITY_POOL " gcloud iam workload-identity-pools create $WORKLOAD_IDENTITY_POOL \ --project =" $PROJECT_ID " \ --location =" global " \ --display-name =" $WORKLOAD_IDENTITY_POOL " else log " Workload Identity 풀이 이미 있습니다. $WORKLOAD_IDENTITY_POOL " fi # 3. Workload Identity 공급자 만들기 if! gcloud iam workload-identity-pools providers describe $WORKLOAD_IDENTITY_PROVIDER --workload-identity-pool =" $WORKLOAD_IDENTITY_POOL " --location =" global " --project =" $PROJECT_ID " > /dev/null 2 >& 1 ; then log " Workload Identity 공급자 생성 중: $WORKLOAD_IDENTITY_PROVIDER " gcloud iam workload-identity-pools providers create-oidc $WORKLOAD_IDENTITY_PROVIDER \ --project =" $PROJECT_ID " \ --location =" global " \ --workload-identity-pool =" $WORKLOAD_IDENTITY_POOL " \ --display-name =" $WORKLOAD_IDENTITY_PROVIDER " \ --issuer-uri =" https://token.actions.githubusercontent.com " \ --attribute-mapping =" google.subject=assertion.sub,attribute.actor=assertion.actor,attribute.repository=assertion.repository " \ --attribute-condition =" assertion.repository==' $GITHUB_REPO ' " else log " Workload Identity 공급자가 이미 존재합니다. $WORKLOAD_IDENTITY_PROVIDER " fi # 4. 조직 수준에서 역할 부여 log " 조직 수준에서 역할 부여 확인 " for role in " roles/resourcemanager.organizationAdmin " " roles/owner " ; do if! gcloud organizations get-iam-policy $ORGANIZATION_ID --flatten =" bindings[].members " --filter =" bindings.members:principalSet://iam.googleapis.com/projects/ $PROJECT_NUMBER /locations/global/workloadIdentityPools/ $WORKLOAD_IDENTITY_POOL AND bindings.role: $role " --format =" value(bindings.role) " | grep " $role " > /dev/null 2 >& 1 ; then log " Workload Identity 풀에 $role 을 부여하는 중: $WORKLOAD_IDENTITY_POOL " gcloud organizations add-iam-policy-binding $ORGANIZATION_ID \ --member =" principalSet://iam.googleapis.com/projects/ $PROJECT_NUMBER /locations/global/workloadIdentityPools/ $WORKLOAD_IDENTITY_POOL /attribute.repository/ $GITHUB_REPO " \ --role =" $role " else log " $role이 이미 Workload Identity 풀에 부여되었습니다. $WORKLOAD_IDENTITY_POOL " fi done log " Direct Workload Identity 설정이 완료되었습니다. "스크립트 사용법인증먼저 실행 대상 프로젝트에 gcloud CLI 인증을 통과합니다.# 실행 대상 프로젝트 확인$gcloud config list[ core ]account = test-user@demo.g-gen.co.jpdisable_usage_reporting = Trueproject = gha-demo-prj Your active configuration is: [ gha-demo-prj ] # gcloud CLI 인증$gcloud auth login ~~중략~~ You are now logged in as [ test-user@demo.g-gen.co.jp ] .Your current project is [ gha-demo-prj ] .변수 설정7~12행 변수에 환경 정보를 입력합니다. ※ 본 스크립트에서는 서비스 계정의 변수 정의가 없습니다.실행스크립트에 실행 권한을 부여하고 실행합니다.※ 본 스크립트에서는 다음 리소스를 작성하지 않습니다.서비스 계정서비스 계정 대여를 위한 IAM PolicyWorkload Identity 풀과 서비스 계정 연결# 실행 권한 부여$ chmod +x init.sh$ ls -l-rwxr-xr-x 1 test-user test-user 3784 Nov 12 14:27 init.sh# 스크립트 실행$./init.sh[ INFO ] IAM Credential API가 이미 활성화되어 있습니다.[ INFO ] Workload Identity 풀 생성 중 : gha-demo-poolCreated workload identity pool [ gha-demo-pool ] .[ INFO ] Workload Identity 공급자 생성 중 : gha-demo-providerCreated workload identity pool provider [ gha-demo-provider ] .[ INFO ] 조직 수준에서 역할 부여 확인[ INFO ] roles / resourcemanager.organizationAdmin을 Workload Identity 풀에 부여하는 중 : gha-demo-poolUpdated IAM policy for organization [ 0123456789 ] . ~~중략~~ [ INFO ] roles / owner를 Workload Identity 풀에 부여 중 : gha-demo-poolUpdated IAM policy for organization [ 0123456789 ] . ~~중략~~ [ INFO ] Workload Identity 설정이 완료되었습니다.구성이 스크립트로 작성된 Workload Identity를 사용하여 Google Cloud 프로젝트에 대한 terraform planGitHub terraform applyActions를 사용하여 자동화합니다.워크 플로우나 Terraform 소스 코드는 다음 항 에 기재된 것을 사용합니다. 면책사항소스 코드 (Terraform)o Terraform 디렉토리 구성1.2├── .github3│ └── workflows4│ └── terraform.yaml5├── env6│ └── demo7│ ├── backend.tf8│ ├── locals.tf9│ ├── main.tf10│ └── versions.tf11├── modules12│ └── apis13│ ├── main.tf14│ ├── outputs.tf15│ └── variables.tf16├── .gitignore17├── init.sh18└── README.mdo 워크플로 (terraform.yaml)다음 값을 사용자 환경에서 작성한 자원으로 대체하십시오.38행 : Workload Identity 공급자Direct Workload Identity에서는 google-github-actions/auth@v2서비스 계정을 정의할 필요가 없습니다.name : terraform # main 브랜치에 대한 Pull request 및 Mergeon : pull_request : branches : - main push : branches : - main # 작업 (GitHUb runners에서 실행)jobs : terraform-workflow : runs-on : ubuntu-latest permissions : id-token : write contents : read pull-requests : write strategy : matrix : # tf_working_dir에 main.tf (호출자)의 디렉토리를 지정합니다. tf_working_dir : - ./env/demo steps : - uses : actions/checkout@v4 name : Checkout id : checkout # Workload Identity 협력 # https://cloud.google.com/iam/docs/using-workload-identity-federation#generate-automatic - id : 'auth' name : 'Authenticate to Google Cloud' uses : 'google-github-actions/auth@v2' with : workload_identity_provider : 'projects/1234567890/locations/global/workloadIdentityPools/gha-demo-pool/providers/gha-demo-provider' # https://github.com/marketplace/actions/setup-tfcmt - uses : shmokmt/actions-setup-tfcmt@v2 name : Setup tfcmt # https://github.com/marketplace/actions/setup-github-comment - uses : shmokmt/actions-setup-github-comment@v2 name : Setup github-comment # https://github.com/actions/setup-node # https://github.com/hashicorp/setup-terraform/issues/84 - uses : actions/setup-node@v4 with : node-version : '18' - uses : hashicorp/setup-terraform@v3 name : Setup terraform - name : Terraform fmt id : fmt run : | cd ${{ matrix.tf_working_dir }} terraform fmt -recursive continue-on-error : true - name : Terraform Init id : init run : | cd ${{ matrix.tf_working_dir }} terraform init -upgrade - name : Terraform Validate id : validate run : | cd ${{ matrix.tf_working_dir }} terraform validate # main 브랜치에 pull request 했을 때에 terraform plan 를 실행 - name : Terraform Plan id : plan if : github.event_name == 'pull_request' run : | cd ${{ matrix.tf_working_dir }} export GITHUB_TOKEN=${{ secrets.GITHUB_TOKEN }} tfcmt -var target:${{ matrix.tf_working_dir }} plan - terraform plan --parallelism=50 github-comment hide -condition 'Comment.Body contains "No changes."' continue-on-error : true # terraform status로 실패하면 workflow 중지 - name: Terraform Plan Status id: status if: steps.plan.outcome == 'failure' run: exit 1 # main 브랜치에 push 했을 때에 terraform apply 를 실행 - name: Terraform Apply id: apply if: github.ref == 'refs/heads/main' && github.event_name == 'push' run: | cd ${{ matrix.tf_working_dir }} export GITHUB_TOKEN=${{ secrets.GITHUB_TOKEN }} tfcmt -var target:${{ matrix.tf_working_dir }} apply -- terraform apply -auto-approve -input=false --parallelism=50o env/demo 부하(호출측)#backend.tfterraform { backend " gcs " { bucket = " gha-demo-prj-tfstate " prefix = " terraform/state " }} #locals.tflocals { project_id = " gha-demo-prj " apis = [ " artifactregistry.googleapis.com ", " cloudapis.googleapis.com ", " cloudasset.googleapis.com ", " cloudresourcemanager.googleapis.com ", " iam.googleapis.com ", " iamcredentials.googleapis.com ", " servicemanagement.googleapis.com ", " serviceusage.googleapis.com ", " sts.googleapis.com ", ]} #main.tfmodule " apis " { source = " ../../modules/apis " project_id = local.project_id apis = local.apis} #versions.tfterraform { required_version = " ~> 1.9.7 " required_providers { google = { source = " hashicorp/google " version = " ~> 6.6.0 " } }} provider " google " { user_project_override = true}o modules/apis 부하(모듈)#main.tfresource " google_project_service " " apis " { for_each = toset ( var.apis ) project = var.project_id service = each.value disable_on_destroy = false} resource " null_resource " " delay " { provisioner " local-exec " { command = " 슬립 180 " } depends_on = [ google_project_service.apis ]} #outputs.tfoutput " enabled_apis " { description = " List of enabled APIs for the project " value = [ for service in google_project_service.apis : service.id ]} #variables.tfvariable " apis " { description = " List of APIs to enable " type = list ( string )} variable " project_id " { description = " The ID of the project to create resources in " type = string}풀 요청 (terraform plan)Direct Workload Identity 에서도, main 브랜치에의 풀 리퀘스트를 트리거에가 실행 terraform plan되었습니다 . terraform apply병합 (terraform apply)Direct Workload Identity 에서도, main 브랜치에의 병합을 트리거에가 terraform apply실행되었습니다※ 병합의 경우는, 스킵 terraform plan됩니다.<병합을 트리거로 terraform apply 자동 실행> 출처 https://blog.g-gen.co.jp/entry/create-direct-workload-identity-for-gha-terraform 2024년 12월 17일 [산업별 AI 활용사례] IT·공공·교육·금융·제조·리테일·소비재 산업의 AI 활용사례 by Miyeon. Jo 2024년 11월 25일 [산업별 AI 활용사례] IT·공공·교육·금융·제조·리테일·소비재 산업의 AI 활용사례 안녕하세요 AI 매니지드 서비스 전문 기업 베스핀글로벌입니다. 모바일로 세상과 소통하며, 인공지능 스피커에게 명령을 내리는 일상이 자연스러워진 지금, 우리는 AI 시대의 한복판에 서 있습니다. 하지만 정작 업무 현장에서의 우리는 AI를 얼마나 잘 활용하고 있을까요? 서류를 일일이 작성하던 시대에서 클라우드 기반 문서 작성 및 공유가 일반화된 것처럼, 사무실 업무 방식도 AI와 함께 빠르게 진화하고 있습니다. 과연 AI를 잘 활용하는 기업들은 어떻게 쓰고있을까요? 실제 기업에서 AI가 어떻게 활용되고 있는지, 산업별 AI 활용 사례 5가지를 보여드리고자 합니다. 🤖 산업별 AI 활용 사례 IT 공공 및 교육 금융 및 핀테크 제조 및 하이테크 리테일/소비재(CPG) 산업별 비즈니스 AI 고객 사례 산업군 서비스 요구사항 사용기술 도입효과 IT 사내 업무용 어시스턴트 AI 검색 및 사내 업무 자동화 자연어 처리, 머신러닝, RAG 총무, 인사, 복지, 비즈니스 지원, IT 시스템 지원 등 사내 업무 안내 및 신청 업무 자동화 공공 및 교육 대규모 문의 및 상담 응대, 상담사 어시스턴트 데이터 통합 및 활용, 법/규정 제도 실시간 반영, 인프라 개선 AI 에이전트, SoTA LLM, RAG, 파인튜닝 상담사 실시간 지원, 업무 생산성 향상 금융 및 핀테크 고객 맞춤형 추천 서비스, AI 금융 비서 상품 가입 설계 자동화, 약관 및 상품 설명서 검색 및 안내 RAG, SoTA LLM, 파인튜닝, LLMOps 가입 히스토리 기반 개인화 상품 안내, 사내 비용 절감, AI 금융약관검토 서비스 제조 및 하이테크 생산, 공정, 품질 등 데이터 플랫폼, AI 활용 업무 자동화 데이터 분석 및 활용, AI 자동화 시스템 Data Warehouse, Data Lake, SoTA LLM, sLLM, RAG, STT/TTS 데이터 통합 및 분석/운영, 제조 공정의 자동화와 데이터 기반 의사 결정을 통한 생산성 향상 리테일/소비재(CPG) 고객, 영업, 품질, 마케팅 통합 데이터 플랫폼 고객/영업 데이터 통합 및 분석, 데이터 적시성 개선 Data Lake, Data Migration, DataOps, ETL 유통/공급망 운영 효율성 증대 및 프로세스 최적화, 마케팅 캠페인 연계 ITㅣ비즈니스 AI 고객 사례 데이터 폭증, 클라우드 시대의 도래, AI 기술의 발전 등 IT 산업의 패러다임이 변화하면서 기업들은 더욱 복잡하고 다양한 문제에 직면하고 있습니다. 이러한 문제를 해결하기 위해 자연어 처리, 머신러닝 기술을 기반으로 개발된 지능형 사내 업무 어시스턴트는 업무 자동화, 데이터 기반 의사 결정 지원, 협업 환경 개선 등을 통해 기업의 디지털 전환을 가속화하고 기업 경쟁력을 강화하는 데 기여하고 있습니다. 산업별 AI 고객 사례 원문 신청을 하시면 바로 원문을 확인하실 수 있습니다! 산업별 AI 활용 사례 원문보기 산업별 AI 활용 사례 원문은 신청 즉시 기재해주신 이메일로 발송드립니다. 2024년 11월 25일 온라인 교육 플랫폼 B사 by Miyeon. Jo 2024년 08월 22일 온라인 교육 플랫폼 B사 산업 분야교육 국가대한민국 상품 및 서비스헬프나우 에이전틱 AI 플랫폼 Company Overview B사는 사이버평생교육원과 원격평생교육원을 운영하는 교육 기업입니다. 국내 최초로 학점은행제 사이버평생교육원을 설립하였고, 현재는 매달 5천여 명의 수강생에게 국가평생교육진흥원에서 인정받은 온라인 교육 콘텐츠를 제공하고 있습니다. 모든 수강생에게 강의 교안과 가이드북, 실습 정보 등을 무료로 지원하며 수강생 밀착 관리를 위한 실시간 학습 케어 시스템을 갖춘 것이 특징입니다. B사는 국내 교육의 디지털 혁신을 선도하면서, 학습자 중심의 교육 환경을 조성하는 것을 목표로 하고 있습니다. Challenge B사는 수강생 수의 증가와 함께 학생들이 자주 문의하는 학사 일정, 과목 추천, 수강 신청 등 다양한 정보에 대해 신속하고 정확한 답변을 제공해야 하는 과제에 직면했습니다. 하지만 기존에 사용하던 상담 챗봇은 문장 인식이 정확하지 않고 사용도 다소 불편하여, 제대로 된 답변을 얻어내기가 어려웠습니다. 이로 인해 상담사와의 통화가 불가능한 평일 저녁이나 주말에는 수강생이 구체적이고 신뢰할 수 있는 정보를 얻을 수 없었습니다. 따라서 더 정확하고 편리한 챗봇으로 24시간 연중 무휴 답변을 지원할 수 있는 시스템을 도입함으로써 고객의 상담 만족도를 높이는 것이 필요했습니다. Solution “생성형 AI 도입과 활용을 가장 빠르고 적합하게 지원하는 솔루션입니다.헬프나우 에이전틱 AI 플랫폼 덕분에 복잡한 개발 과정 없이 챗봇 설계와 학습, 테스트까지 단 2달 만에 완료할 수 있었습니다” 베스핀글로벌은 헬프나우 에이전틱 AI 플랫폼(HelpNow Agentic AI Platform)’을 통해 맞춤형 AI 챗봇을 구축했습니다. 해당 챗봇은 구글 다이얼로그플로우(Dialogflow) 및 오픈AI의 GPT-4, 구글 PaLM 2 등 LLM을 바탕으로 자주 묻는 질문에 대해 즉각적이고 개인화된 응답을 제공합니다. 또한 B사의 내부 시스템과 연동되어 학사 일정, 자격증 안내, 수강 신청 등에 대한 정확한 정보를 365일 24시간 실시간으로 지원합니다. 헬프나우 에이전틱 AI 플랫폼의 특징지식 관리: 기업의 내외부 데이터 및 LLM을 연동하여, 정확하고 신뢰할 수 있는 지식 기반 답변 제공강력한 검색 성능: Advance RAG, Multi Modal RAG, Modular RAG와 같은 최첨단 기술을 적용하여, 대량의 지식 데이터에서도 신속하고 정확한 검색 가능대화 상태 관리: 실시간 대화를 상태 기반으로 관리하여, 대화의 문맥을 이해 및 유지하고 상황에 맞는 적절한 답변 지원사용자 피드백 및 동적 프롬프트: 사용자의 피드백을 바탕으로 LLM을 지속적으로 파인튜닝하며, 더 나은 응답을 유도하는 동적 Few-Shot 프롬프트 제공콜봇 및 음성봇: 자체 보이스 게이트웨이와 LLM 기반 음성 처리 기술을 통해 인바운드 및 아웃바운드 콜 자동화는 물론, 웹 기반 디바이스에서 음성봇 지원 Benefit 베스핀글로벌의 헬프나우 에이전틱 AI 플랫폼을 도입함으로써 B사는 24시간 고객 지원이 가능한 생성형 AI 챗봇을 구축, 상담 만족도를 극대화하는 동시에 비용과 소요 시간을 크게 단축할 수 있었습니다. 더불어 상담원의 생산성을 획기적으로 향상시키는 등 다음과 같은 주요 성과를 얻었습니다:1) 시간과 장소에 구애받지 않는 서비스 제공수강생들은 상담사가 근무하지 않는 평일 저녁이나 주말은 물론, 언제 어디서나 필요한 정보를 손쉽게 얻을 수 있어 챗봇에 대한 만족도를 높일 수 있게 되었습니다.2) 상담원의 업무 효율성 향상반복적인 문의에 대한 응답을 자동화하여 내부 업무 부담을 줄이고 생산성을 크게 향상시켰습니다. 단순 응답에 소요되던 시간을 줄이고 보다 밀도 높고 전문적인 상담을 진행할 수 있게 됨으로써, 상담원의 업무 효율성을 높일 수 있었습니다.3) 높은 정확도와 신뢰성으로 만족도 제고생성형 AI 기술을 활용하여 AI 상담 챗봇이 학습자가 질문하고자 하는 내용을 정확하게 파악하고 이에 따른 최적의 답변을 제공함으로써, 고객의 편의성을 크게 제고하였습니다.4) 신속한 도입과 비용 절감기존의 복잡한 개발 과정 대신에 노코드 기반의 헬프나우 에이전틱 AI 플랫폼을 채택함으로써 2개월 내외의 빠른 챗봇 구축과 함께 비용 또한 절감할 수 있었습니다. 이로써 B사는 최소한의 자원으로 최대의 효과를 얻게 되었습니다. Market Overview 디지털 전환과 AI 기술의 발전으로 인해 교육 분야에서도 AI를 활용한 맞춤형 서비스 제공이 중요한 경쟁력으로 자리 잡고 있습니다. 특히 온라인 교육의 수요가 증가함에 따라 학습자 개개인의 요구를 신속하게 파악하고 응대할 수 있는 AI 에이전트 솔루션의 중요성이 더욱 부각되고 있습니다.헬프나우 에이전틱 AI 플랫폼은 이러한 시장의 요구를 충족시키기 위해 설계된 혁신적인 플랫폼으로, 교육 기업들이 변화하는 흐름에 신속하게 대응할 수 있도록 지원합니다. B사 역시 사이버평생교육원에 이어 원격평생교육원에도 헬프나우 에이전틱 AI 플랫폼을 도입함으로써, 빠르게 발전해나가는 교육 환경에 맞춰 변화에 앞장서고 있습니다. 온라인 교육의 미래를 선도하며 지속적인 성장을 거듭할 B사의 앞날을 기대합니다. 문의하기 헬프나우 에이전틱 AI 플랫폼 보러가기 2024년 08월 22일 오이사공5240 by Miyeon. Jo 2024년 05월 24일 오이사공5240 산업 분야IT 국가대한민국 상품 및 서비스오라클 클라우드 오이사공5240의 오라클 클라우드(OCI) 도입 사례 (주)오이사공은 정통 인사관리 시스템(e-HR)을 클라우드로 제공하는 클라우드 기반 통합 인사관리 서비스 전문 기업입니다. 주당 52시간 넘게 일하는 것이 숙명이었던 인사팀의 격무를 40시간으로 줄여보자는 목적으로 창업하였습니다. 대표 서비스는 가장 효과적인 근태관리 시스템인 ‘오이사공5240’으로 근로기준법에 기반한 대한민국의 모든 근태 제도를 시스템으로 제공합니다. 교대 근무, 근태관리, 휴가 처리, 급여관리, 평가 제도, 복지 등 인사관리에 필요한 여러 프로세스를 자동화해 효율적으로 해결합니다. Challenge 오이사공은 클라우드 기반의 서비스를 제공하며 창업 초기부터 클라우드를 사용하고 있었습니다. 그런데 고객수가 늘어나며 클라우드 리소스와 비용도 더불어 증가하게 되어 고민이 커져 갔습니다. 기존에 사용하고 있는 클라우드 서비스가 있었기에 성능은 유지하면서 비용을 절감할 수 있는 방안을 찾고 있었던 중 베스핀글로벌의 제안으로 오라클 클라우드(OCI, Oracle Cloud Infrastructure) 시범 운영을 체험하게 되었습니다. Solution 오라클 클라우드 사용 평가 및 도입 한 달여간 베스핀글로벌에서 제안한 오라클 클라우드(OCI) 환경을 테스트하며 기존에 사용하던 클라우드 인프라 보다 속도가 50% 이상 빨라지고 비용 또한 40% 절감되는 것이 확인되어 OCI로 전환을 빠르게 결정하였습니다. 무엇보다 ORACLE DBMS를 라이선스 구매 없이 서비스 가능한점이 매우 만족스러웠습니다. 또한, 기존 클라우드 컴퓨팅 환경에서 OCI로 마이그레이션하는데 추가 비용이 발생할 것이라고 예측하였습니다만, 예상과 달리 기존 환경을 그대로 이관하는데 문제가 없어서 별도의 클라우드 전환 비용이 발생하지 않았습니다. 오라클 클라우드의 장점 즉시 사용 가능한 가상화, 맞춤형 보안 칩 등을 통해 간편한 워크로드 마이그레이션 지원 현대적 클라우드 네이티브 애플리케이션 구축을 위한 다양한 OCI 플랫폼 및 개발 서비스 제공 애플리케이션을 자동으로 보안∙튜닝∙확장하는 자율 운영 서비스 제공 오라클 공용 리전 및 전용 리전, VMware 등을 통해 효과적인 하이브리드 클라우드 지원 클라우드 보안 서비스 및 보안 도구를 기본으로 제공해 강력한 보안 환경 구축 지원 경쟁력 있는 가격 정책과 추가 비용 없이 이용 가능한 다양한 클라우드 운영 서비스 제공 손쉬운 클라우드 전환을 통해 Cloud ExaCc/Cs 환경 100% 구현 가능 Benefit “B2B 서비스를 운영하는 기업에게 OCI는 성능과 비용 모든 면에서 우수성을 높이는 탁월한 선택입니다. OCI 전환 후 놀랍게도 속도는 50% 증가하고 비용은 40% 절감되었습니다. 고객 또한 빨라진 플랫폼 속도에 만족도가 크게 향상되었습니다.” – 오이사공 CIO 홍창기 전무 오라클 클라우드 사용 평가 및 도입 오라클 클라우드(OCI) 전환 후 클라우드 속도는 훨씬 빨라졌고, 고객 수가 2~3배 증가했음에도 비용은 오히려 줄어들었습니다. 또한 우리의 서비스를 이용하는 고객사들도 빨라진 서비스 환경에 만족도가 크게 올라가게 되는 연쇄 효과까지 발생하게 되었습니다. 베스핀글로벌은 초기 클라우드 전환 검토 단계부터 오이사공과 함께하였으며, 기존 클라우드 대비 성능과 비용 모두에서 큰 효과를 볼 수 있도록 OCI를 추천하고 전환 작업까지 민첩하게 지원하였습니다.베스핀글로벌은 오라클의 Cloud Focused Partner이자, 국내에서 가장 많은 OCI 전문가를 보유하고 있는 오라클 클라우드 파트너사입니다. OCI 전문가 100 명 이상, OCI Certifications 150개 이상 보유하고 있습니다. 보유 자격증 분야도 Infrastructure, Databass, Cloud Operation, Architect 등 매우 다양합니다. 클라우드 역량은 기본, OCI 경험까지 갖춘 전문 인력을 갖추고 있어 기업들의 만족도도 높은 편입니다. 2023년 한 해에만 50여 개의 새로운 기업들이 베스핀글로벌의 지원으로 OCI를 도입했습니다. 풍부한 경험의 OCI 전문가들은 고객의 안정적인 클라우드 전환을 속도감 있게 지원하며 Learn-DO-Share 철학에 기반해 고객에게 클라우드 노하우도 전수합니다. Market Overview 최근 몇 년간 오라클의 행보는 눈길을 사로잡고 있습니다. 오라클은 2019년 Gen2 기반의 2세대 클라우드 서비스인 ‘오라클 클라우드 (OCI, Oracle Cloud Infrastructure)’를 시작했습니다. 클라우드 사업에 투자를 늘리며 제품 포트폴리오도 확장하고, 기술력도 높이고, 매력적인 가격 경쟁력까지 갖추고 CSP 시장에 적극적으로 사업을 개진하고 있는데요. 특히, 스타트업과 중소기업 등으로 구성된 SMB(Small and Medium Business) 고객층들을 새롭게 확보하며 시장을 넓히고 있습니다. 이러한 노력의 결과, 2024년 3월, 오라클 주가가 사상 최고치를 경신했습니다. 이는 2024 회계연도 Q3(2023/12/1-2024/2/29) 매출이 호실적을 기록했기 때문입니다. 클라우드(IaaS+SaaS) 매출은 $5.1billion(약 6조 9천억 원)을 기록하며 25% 증가했고, 그 중 클라우드 인프라 매출은 $1.8billion(약 2조 4천억 원)으로 49% 증가하며 매 분기 50% 안팎의 증가세를 유지했습니다. 오라클 클라우드(OCI)가 이렇게 단기간에 성장할 수 있었던 것은 크게 두 가지 이유로 함축 됩니다. 먼저 오라클 DBMS를 클라우드로 전환하려면 아무래도 타 CSP에서는 모든 기능을 100% 구현하기가 어렵기 때문에 OCI가 최선의 선택지가 됩니다. 둘째로 국내 기준 오라클 클라우드와 클라우드 Top 3사의 CPU, 디스크 용량, 네트워크 비용 등을 동일 스펙으로 가정해 비교해 보면, 총 클라우드 인프라 비용이 최소 30% ~ 최대 60%까지 저렴합니다. 그리고 오라클 클라우드 사례를 발굴하고, 아웃바운드 데이터 송신 10TB를 매월 무상으로 지원하는 등 공격적인 마케팅도 펼치고 있습니다. 앞으로 오라클 클라우드의 선전이 기대되는 이유입니다. 문의하기 2024년 05월 24일 Load More Posts
Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에서 Python의 검색 결과가 0이 되는 경우 구글 인사이트 by Miyeon. Jo 2024년 12월 17일 #Vertex AI Agent Builder #Generative AI #Google CloudGoogle 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에 대해 Python에서 검색 할 때 검색 결과가 0 건이되는 경우의 대처법에 대해 소개합니다.소개이 기사에서는 Google Cloud(이전 GCP)에서 제공하는 검색 엔진 서비스인 Vertex AI Search 에서 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱을 Python에서 검색하는 방법을 소개합니다.Vertex AI Search 앱을 Python에서 검색하는 방법에는 두 가지가 있습니다.파이썬 클라이언트 를 사용하는 방법Requests 라이브러리를 사용하여 직접 Google Cloud APIs 에 액세스하는 방법그러나 구현 방법에 따라서는 검색 결과가 0건이 되어 버리는 경우가 있습니다.검색에 실패하는 경우Google Cloud APIs 채널이 v1alpha가 아닌 경우이 문서를 작성한 2024년 12월 현재 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱에 대한 검색은 ‘Python Client를 사용하는 방법’과 ‘직접 Google Cloud APIs에 액세스하는 방법’ 모두 v1alpha 에서 만 예상대로 작동합니다. 반면 v1 또는 v1beta를 사용하면 검색 결과가 0입니다. Google Cloud APIs에서 v1alpha는 API 버전을 나타내는 채널 중 하나입니다. 성이 있기 때문에 프로덕션 환경에서의 사용은 사용되지 않습니다.참고 : 버전 관리서비스 계정을 사용하는 경우Google Cloud APIs는 일반적으로 Google 계정 또는 서비스 계정 자격 증명을 사용하여 액세스합니다.그러나 2024년 12월 현재 서비스 계정을 사용하여 Google 드라이브를 데이터 소스로 사용하는 Vertex AI Search 앱으로 검색하면 서버 측 오류(500 Internal Server Error)가 발생합니다.대처법본 사건에 대한 2024년 12월 현재의 대처법은 다음과 같습니다.v1alpha 채널의 클라이언트 라이브러리 사용서비스 계정이 아닌 Google 계정 자격 증명 사용파이썬 클라이언트샘플 코드Python Client를 사용하는 경우 샘플 코드는 다음과 같습니다.from google.cloud.discoveryengine_v1alpha import SearchServiceClient, SearchRequestfrom google.protobuf.json_format import MessageToDict PROJECT_ID = "xxx" # Google Cloud 프로젝트 IDVERTEX_AI_APP_ID = "xxx" # Vertex AI Search 앱 ID client = SearchServiceClient(credentials=credentials) serving_config = f "projects/{PROJECT_ID}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/servingConfigs/default_serving_config" content_search_spec = SearchRequest.ContentSearchSpec ( # 스 니펫을 출력하지 않음 snippet_spec=SearchRequest.ContentSearchSpec().SnippetSpec( return_snippet= False ), # 요약문을 출력한다 summary_spec=SearchRequest.ContentSearchSpec().SummarySpec( summary_result_count= 3 , include_citations = False , # Gemini Pro를 사용하도록 지정 model_spec=SearchRequest.ContentSearchSpec().SummarySpec().ModelSpec( version= "gemini-1.5-flash-001/answer_gen/v1" ) )) # Vertex AI Search에 검색어 던지기response = client.search( SearchRequest ( serving_config=serving_config, query= "G-gen이란?" , page_size= 3 , content_search_spec=content_search_spec )) # 요약 문을 표준 출력print (response.summary.summary_text) # 검색 결과를 표준 출력for r in response.results: r_dct = MessageToDict(r._pb) print (r_dct)참고 : Class SearchServiceClient포인트o 라이브러리 채널 지정from google.cloud.discoveryengine_v1alpha import SearchServiceClient, SearchRequest_v1alpha google -cloud-discoveryengine을 가져올 때 채널 지정은 명시 적으로 지정해야합니다 . , 검색결과가 0개입니다.# 지정되지 않음from google.cloud.discoveryengine import SearchServiceClient, SearchRequest # v1 지정from google.cloud.discoveryengine_v1 import SearchServiceClient, SearchRequest # v1beta 지정from google.cloud.discoveryengine_v1beta import SearchServiceClient, SearchRequestCredentialsclient = SearchServiceClient(credentials=credentials)에서 매개변수로 제공하는 자격 증명은 서비스 계정이 아니며 Google 계정이어야 합니다.Google 계정 자격 증명의 경우 변수 유형이, google.oauth2.credentials.Credentials서비스 계정 자격 증명의 경우 변수 유형 google.oauth2.service_account.Credentials입니다.Requests 라이브러리를 사용한 직접 액세스샘플 코드Requests 라이브러리를 사용하여 Google Cloud APIs에 직접 액세스하는 예제 코드는 다음과 같습니다.import requests PROJECT_NUMBER = "xxx" # Google Cloud 프로젝트 번호VERTEX_AI_APP_ID = "xxx" # Vertex AI Search 앱 ID # API URLurl = f "https://discoveryengine.googleapis.com/v1alpha/projects/{PROJECT_NUMBER}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/servingConfigs/default_search" # 요청 헤더headers={ "Authorization" : "Bearer " + credentials.token, "Content-Type" : "application/json" ,} # 요청 본문session = f "projects/{PROJECT_NUMBER}/locations/global/collections/default_collection/engines/{VERTEX_AI_APP_ID}/sessions/-"data={ "query" : "G-gen이란?" , "pageSize" : 3 , "contentSearchSpec" : { "snippetSpec" : { "returnSnippet" : False }, "extractiveContentSpec" : { "maxExtractiveAnswerCount" : 1 } }, "session" : session} # 검색 요청 제출response = requests.post(f "{url}:search" , headers=headers, json=data) # 검색 결과를 표준 출력for r in response.json().get( "results" ): print (r) data={ "query" : { "text" : "G-gen이란?" , "queryId" : response.json().get( "sessionInfo" ).get( "queryId" ) }, "session" : response.json().get( "sessionInfo" ).get( "name" ), "answerGenerationSpec" : { "modelSpec" : { "modelVersion" : "gemini-1.5-flash-001/answer_gen/v1" } }} # 요약 요청 제출response = requests.post(f "{url}:answer" , headers=headers, json=data) # 요약 문을 표준 출력print (response.json().get( "answer" ).get( "answerText" ))참고 : Method: projects.locations.collections.dataStores.servingConfigs.search 출처 https://blog.g-gen.co.jp/entry/google-drive-vertex-ai-search-apps-with-python 2024년 12월 17일
Google Cloud와 GitHub Actions (Terraform)를 함께 사용하는 Direct Workload Identity를 만드는 bash 스크립트 구글 인사이트 by Miyeon. Jo 2024년 12월 17일 #Workload Identity #Google Cloud #Terraform #GuiHub ActionsGoogle Cloud와 GitHub Actions (Terraform)를 함께 사용하는 Direct Workload Identity를 만드는 bash 스크립트를 소개합니다.소개개요이번 컨텐츠에서 소개하는 것은 Google Cloud와 GitHub Actions (Terraform) 간의 협력에 필요한 Direct Workload Identity 리소스를 만드는 bash 스크립트입니다.이번에 소개하는 것은 Workload Identity 풀에 필요한 권한 (IAM role) 를 직접 부여하는 형식 Workload Identity 리소스를 만드는 스크립트입니다.이 방법은 서비스 계정을 지불하거나 서비스 계정을 차용할 수 있는 권한이 필요하지 않기 때문에 기존보다 안전한 협력이 가능하며 Google Cloud 및 GitHub 공식 문서에서도 권장됩니다.참고: 액세스 관리참고: (Preferred) Direct Workload Identity Federation제한사항권장 형식이지만 Direct Workload Identity에는 사용 가능한 제품 및 기능에 제한이 있습니다.지원되지 않는 제품 및 기능을 관리하려면 기존 형식(서비스 계정 권한을 차용하는 형식)의 Workload Identity를 사용하십시오.참고: ID 연계: 제품 및 제한 사항전제 조건이 bash 스크립트는 Debian GNU/Linux 12 (bookworm)위에 개발되어 동작 확인되고 있습니다.또한 다음 소프트웨어가 설치되어 있다고 가정합니다. 괄호 안은 개발시 버전입니다.gcloud( Google Cloud SDK 486.0.0)스크립트를 실행할 때는 대상 프로젝트에 대해 gcloud CLI를 인증해야 합니다.참고 : 사용자 계정을 사용하여 권한 부여참고 : 서비스 계정을 사용하여 승인면책사항이번 컨텐츠에서 소개하는 프로그램의 소스 코드는 자신의 책임하에 사용, 인용, 변경, 재배포할 수 있습니다.다만, 동 소스 코드에 의해 발생한 불이익이나 트러블에 대해서는, 당사는 일절의 책임을 지지 않습니다.소스 코드상기를 면책사항을 이해한 후, 이용해 주십시오.init.sh#!/bin/bash # 오류 처리 : 오류가 발생하면 스크립트 종료 set -e # 변수 설정 PROJECT_ID = "" # 프로젝트 ID (ex: gha-demo-prj) PROJECT_NUMBER = "" # 프로젝트 번호 (ex: 1234567890) ORGANIZATION_ID = "" # 프로젝트 조직 ID (ex: 0123456789) WORKLOAD_IDENTITY_POOL = "" # Workload Identity 풀 이름(ex: gha-demo-pool) WORKLOAD_IDENTITY_PROVIDER = "" # Workload Identity 공급자 이름(ex: gha-demo-provider) GITHUB_REPO = "" # GitHub 리포지토리 이름(ex: gha-demo-org/gha-demo-repo) # 로그 출력 함수 log() { echo " [INFO] $1 " } log_error() { echo " [ERROR] $1 " >&2 } # 1. IAM Credential API 사용 if! gcloud services list --enabled --filter =" name:iamcredentials.googleapis.com " --format =" value(name) " | grep " iamcredentials.googleapis.com " > /dev/null 2 >& 1 ; then log " IAM Credential API 사용 중... " gcloud services enable iamcredentials.googleapis.com --project =" $PROJECT_ID " else log " IAM Credential API가 이미 활성화되어 있습니다. " fi # 2. Workload Identity 풀 만들기 if! gcloud iam workload-identity-pools describe $WORKLOAD_IDENTITY_POOL --location =" global " --project =" $PROJECT_ID " > /dev/null 2 >& 1 ; then log " Workload Identity 풀 생성 중: $WORKLOAD_IDENTITY_POOL " gcloud iam workload-identity-pools create $WORKLOAD_IDENTITY_POOL \ --project =" $PROJECT_ID " \ --location =" global " \ --display-name =" $WORKLOAD_IDENTITY_POOL " else log " Workload Identity 풀이 이미 있습니다. $WORKLOAD_IDENTITY_POOL " fi # 3. Workload Identity 공급자 만들기 if! gcloud iam workload-identity-pools providers describe $WORKLOAD_IDENTITY_PROVIDER --workload-identity-pool =" $WORKLOAD_IDENTITY_POOL " --location =" global " --project =" $PROJECT_ID " > /dev/null 2 >& 1 ; then log " Workload Identity 공급자 생성 중: $WORKLOAD_IDENTITY_PROVIDER " gcloud iam workload-identity-pools providers create-oidc $WORKLOAD_IDENTITY_PROVIDER \ --project =" $PROJECT_ID " \ --location =" global " \ --workload-identity-pool =" $WORKLOAD_IDENTITY_POOL " \ --display-name =" $WORKLOAD_IDENTITY_PROVIDER " \ --issuer-uri =" https://token.actions.githubusercontent.com " \ --attribute-mapping =" google.subject=assertion.sub,attribute.actor=assertion.actor,attribute.repository=assertion.repository " \ --attribute-condition =" assertion.repository==' $GITHUB_REPO ' " else log " Workload Identity 공급자가 이미 존재합니다. $WORKLOAD_IDENTITY_PROVIDER " fi # 4. 조직 수준에서 역할 부여 log " 조직 수준에서 역할 부여 확인 " for role in " roles/resourcemanager.organizationAdmin " " roles/owner " ; do if! gcloud organizations get-iam-policy $ORGANIZATION_ID --flatten =" bindings[].members " --filter =" bindings.members:principalSet://iam.googleapis.com/projects/ $PROJECT_NUMBER /locations/global/workloadIdentityPools/ $WORKLOAD_IDENTITY_POOL AND bindings.role: $role " --format =" value(bindings.role) " | grep " $role " > /dev/null 2 >& 1 ; then log " Workload Identity 풀에 $role 을 부여하는 중: $WORKLOAD_IDENTITY_POOL " gcloud organizations add-iam-policy-binding $ORGANIZATION_ID \ --member =" principalSet://iam.googleapis.com/projects/ $PROJECT_NUMBER /locations/global/workloadIdentityPools/ $WORKLOAD_IDENTITY_POOL /attribute.repository/ $GITHUB_REPO " \ --role =" $role " else log " $role이 이미 Workload Identity 풀에 부여되었습니다. $WORKLOAD_IDENTITY_POOL " fi done log " Direct Workload Identity 설정이 완료되었습니다. "스크립트 사용법인증먼저 실행 대상 프로젝트에 gcloud CLI 인증을 통과합니다.# 실행 대상 프로젝트 확인$gcloud config list[ core ]account = test-user@demo.g-gen.co.jpdisable_usage_reporting = Trueproject = gha-demo-prj Your active configuration is: [ gha-demo-prj ] # gcloud CLI 인증$gcloud auth login ~~중략~~ You are now logged in as [ test-user@demo.g-gen.co.jp ] .Your current project is [ gha-demo-prj ] .변수 설정7~12행 변수에 환경 정보를 입력합니다. ※ 본 스크립트에서는 서비스 계정의 변수 정의가 없습니다.실행스크립트에 실행 권한을 부여하고 실행합니다.※ 본 스크립트에서는 다음 리소스를 작성하지 않습니다.서비스 계정서비스 계정 대여를 위한 IAM PolicyWorkload Identity 풀과 서비스 계정 연결# 실행 권한 부여$ chmod +x init.sh$ ls -l-rwxr-xr-x 1 test-user test-user 3784 Nov 12 14:27 init.sh# 스크립트 실행$./init.sh[ INFO ] IAM Credential API가 이미 활성화되어 있습니다.[ INFO ] Workload Identity 풀 생성 중 : gha-demo-poolCreated workload identity pool [ gha-demo-pool ] .[ INFO ] Workload Identity 공급자 생성 중 : gha-demo-providerCreated workload identity pool provider [ gha-demo-provider ] .[ INFO ] 조직 수준에서 역할 부여 확인[ INFO ] roles / resourcemanager.organizationAdmin을 Workload Identity 풀에 부여하는 중 : gha-demo-poolUpdated IAM policy for organization [ 0123456789 ] . ~~중략~~ [ INFO ] roles / owner를 Workload Identity 풀에 부여 중 : gha-demo-poolUpdated IAM policy for organization [ 0123456789 ] . ~~중략~~ [ INFO ] Workload Identity 설정이 완료되었습니다.구성이 스크립트로 작성된 Workload Identity를 사용하여 Google Cloud 프로젝트에 대한 terraform planGitHub terraform applyActions를 사용하여 자동화합니다.워크 플로우나 Terraform 소스 코드는 다음 항 에 기재된 것을 사용합니다. 면책사항소스 코드 (Terraform)o Terraform 디렉토리 구성1.2├── .github3│ └── workflows4│ └── terraform.yaml5├── env6│ └── demo7│ ├── backend.tf8│ ├── locals.tf9│ ├── main.tf10│ └── versions.tf11├── modules12│ └── apis13│ ├── main.tf14│ ├── outputs.tf15│ └── variables.tf16├── .gitignore17├── init.sh18└── README.mdo 워크플로 (terraform.yaml)다음 값을 사용자 환경에서 작성한 자원으로 대체하십시오.38행 : Workload Identity 공급자Direct Workload Identity에서는 google-github-actions/auth@v2서비스 계정을 정의할 필요가 없습니다.name : terraform # main 브랜치에 대한 Pull request 및 Mergeon : pull_request : branches : - main push : branches : - main # 작업 (GitHUb runners에서 실행)jobs : terraform-workflow : runs-on : ubuntu-latest permissions : id-token : write contents : read pull-requests : write strategy : matrix : # tf_working_dir에 main.tf (호출자)의 디렉토리를 지정합니다. tf_working_dir : - ./env/demo steps : - uses : actions/checkout@v4 name : Checkout id : checkout # Workload Identity 협력 # https://cloud.google.com/iam/docs/using-workload-identity-federation#generate-automatic - id : 'auth' name : 'Authenticate to Google Cloud' uses : 'google-github-actions/auth@v2' with : workload_identity_provider : 'projects/1234567890/locations/global/workloadIdentityPools/gha-demo-pool/providers/gha-demo-provider' # https://github.com/marketplace/actions/setup-tfcmt - uses : shmokmt/actions-setup-tfcmt@v2 name : Setup tfcmt # https://github.com/marketplace/actions/setup-github-comment - uses : shmokmt/actions-setup-github-comment@v2 name : Setup github-comment # https://github.com/actions/setup-node # https://github.com/hashicorp/setup-terraform/issues/84 - uses : actions/setup-node@v4 with : node-version : '18' - uses : hashicorp/setup-terraform@v3 name : Setup terraform - name : Terraform fmt id : fmt run : | cd ${{ matrix.tf_working_dir }} terraform fmt -recursive continue-on-error : true - name : Terraform Init id : init run : | cd ${{ matrix.tf_working_dir }} terraform init -upgrade - name : Terraform Validate id : validate run : | cd ${{ matrix.tf_working_dir }} terraform validate # main 브랜치에 pull request 했을 때에 terraform plan 를 실행 - name : Terraform Plan id : plan if : github.event_name == 'pull_request' run : | cd ${{ matrix.tf_working_dir }} export GITHUB_TOKEN=${{ secrets.GITHUB_TOKEN }} tfcmt -var target:${{ matrix.tf_working_dir }} plan - terraform plan --parallelism=50 github-comment hide -condition 'Comment.Body contains "No changes."' continue-on-error : true # terraform status로 실패하면 workflow 중지 - name: Terraform Plan Status id: status if: steps.plan.outcome == 'failure' run: exit 1 # main 브랜치에 push 했을 때에 terraform apply 를 실행 - name: Terraform Apply id: apply if: github.ref == 'refs/heads/main' && github.event_name == 'push' run: | cd ${{ matrix.tf_working_dir }} export GITHUB_TOKEN=${{ secrets.GITHUB_TOKEN }} tfcmt -var target:${{ matrix.tf_working_dir }} apply -- terraform apply -auto-approve -input=false --parallelism=50o env/demo 부하(호출측)#backend.tfterraform { backend " gcs " { bucket = " gha-demo-prj-tfstate " prefix = " terraform/state " }} #locals.tflocals { project_id = " gha-demo-prj " apis = [ " artifactregistry.googleapis.com ", " cloudapis.googleapis.com ", " cloudasset.googleapis.com ", " cloudresourcemanager.googleapis.com ", " iam.googleapis.com ", " iamcredentials.googleapis.com ", " servicemanagement.googleapis.com ", " serviceusage.googleapis.com ", " sts.googleapis.com ", ]} #main.tfmodule " apis " { source = " ../../modules/apis " project_id = local.project_id apis = local.apis} #versions.tfterraform { required_version = " ~> 1.9.7 " required_providers { google = { source = " hashicorp/google " version = " ~> 6.6.0 " } }} provider " google " { user_project_override = true}o modules/apis 부하(모듈)#main.tfresource " google_project_service " " apis " { for_each = toset ( var.apis ) project = var.project_id service = each.value disable_on_destroy = false} resource " null_resource " " delay " { provisioner " local-exec " { command = " 슬립 180 " } depends_on = [ google_project_service.apis ]} #outputs.tfoutput " enabled_apis " { description = " List of enabled APIs for the project " value = [ for service in google_project_service.apis : service.id ]} #variables.tfvariable " apis " { description = " List of APIs to enable " type = list ( string )} variable " project_id " { description = " The ID of the project to create resources in " type = string}풀 요청 (terraform plan)Direct Workload Identity 에서도, main 브랜치에의 풀 리퀘스트를 트리거에가 실행 terraform plan되었습니다 . terraform apply병합 (terraform apply)Direct Workload Identity 에서도, main 브랜치에의 병합을 트리거에가 terraform apply실행되었습니다※ 병합의 경우는, 스킵 terraform plan됩니다.<병합을 트리거로 terraform apply 자동 실행> 출처 https://blog.g-gen.co.jp/entry/create-direct-workload-identity-for-gha-terraform 2024년 12월 17일
[산업별 AI 활용사례] IT·공공·교육·금융·제조·리테일·소비재 산업의 AI 활용사례 by Miyeon. Jo 2024년 11월 25일 [산업별 AI 활용사례] IT·공공·교육·금융·제조·리테일·소비재 산업의 AI 활용사례 안녕하세요 AI 매니지드 서비스 전문 기업 베스핀글로벌입니다. 모바일로 세상과 소통하며, 인공지능 스피커에게 명령을 내리는 일상이 자연스러워진 지금, 우리는 AI 시대의 한복판에 서 있습니다. 하지만 정작 업무 현장에서의 우리는 AI를 얼마나 잘 활용하고 있을까요? 서류를 일일이 작성하던 시대에서 클라우드 기반 문서 작성 및 공유가 일반화된 것처럼, 사무실 업무 방식도 AI와 함께 빠르게 진화하고 있습니다. 과연 AI를 잘 활용하는 기업들은 어떻게 쓰고있을까요? 실제 기업에서 AI가 어떻게 활용되고 있는지, 산업별 AI 활용 사례 5가지를 보여드리고자 합니다. 🤖 산업별 AI 활용 사례 IT 공공 및 교육 금융 및 핀테크 제조 및 하이테크 리테일/소비재(CPG) 산업별 비즈니스 AI 고객 사례 산업군 서비스 요구사항 사용기술 도입효과 IT 사내 업무용 어시스턴트 AI 검색 및 사내 업무 자동화 자연어 처리, 머신러닝, RAG 총무, 인사, 복지, 비즈니스 지원, IT 시스템 지원 등 사내 업무 안내 및 신청 업무 자동화 공공 및 교육 대규모 문의 및 상담 응대, 상담사 어시스턴트 데이터 통합 및 활용, 법/규정 제도 실시간 반영, 인프라 개선 AI 에이전트, SoTA LLM, RAG, 파인튜닝 상담사 실시간 지원, 업무 생산성 향상 금융 및 핀테크 고객 맞춤형 추천 서비스, AI 금융 비서 상품 가입 설계 자동화, 약관 및 상품 설명서 검색 및 안내 RAG, SoTA LLM, 파인튜닝, LLMOps 가입 히스토리 기반 개인화 상품 안내, 사내 비용 절감, AI 금융약관검토 서비스 제조 및 하이테크 생산, 공정, 품질 등 데이터 플랫폼, AI 활용 업무 자동화 데이터 분석 및 활용, AI 자동화 시스템 Data Warehouse, Data Lake, SoTA LLM, sLLM, RAG, STT/TTS 데이터 통합 및 분석/운영, 제조 공정의 자동화와 데이터 기반 의사 결정을 통한 생산성 향상 리테일/소비재(CPG) 고객, 영업, 품질, 마케팅 통합 데이터 플랫폼 고객/영업 데이터 통합 및 분석, 데이터 적시성 개선 Data Lake, Data Migration, DataOps, ETL 유통/공급망 운영 효율성 증대 및 프로세스 최적화, 마케팅 캠페인 연계 ITㅣ비즈니스 AI 고객 사례 데이터 폭증, 클라우드 시대의 도래, AI 기술의 발전 등 IT 산업의 패러다임이 변화하면서 기업들은 더욱 복잡하고 다양한 문제에 직면하고 있습니다. 이러한 문제를 해결하기 위해 자연어 처리, 머신러닝 기술을 기반으로 개발된 지능형 사내 업무 어시스턴트는 업무 자동화, 데이터 기반 의사 결정 지원, 협업 환경 개선 등을 통해 기업의 디지털 전환을 가속화하고 기업 경쟁력을 강화하는 데 기여하고 있습니다. 산업별 AI 고객 사례 원문 신청을 하시면 바로 원문을 확인하실 수 있습니다! 산업별 AI 활용 사례 원문보기 산업별 AI 활용 사례 원문은 신청 즉시 기재해주신 이메일로 발송드립니다. 2024년 11월 25일 온라인 교육 플랫폼 B사 by Miyeon. Jo 2024년 08월 22일 온라인 교육 플랫폼 B사 산업 분야교육 국가대한민국 상품 및 서비스헬프나우 에이전틱 AI 플랫폼 Company Overview B사는 사이버평생교육원과 원격평생교육원을 운영하는 교육 기업입니다. 국내 최초로 학점은행제 사이버평생교육원을 설립하였고, 현재는 매달 5천여 명의 수강생에게 국가평생교육진흥원에서 인정받은 온라인 교육 콘텐츠를 제공하고 있습니다. 모든 수강생에게 강의 교안과 가이드북, 실습 정보 등을 무료로 지원하며 수강생 밀착 관리를 위한 실시간 학습 케어 시스템을 갖춘 것이 특징입니다. B사는 국내 교육의 디지털 혁신을 선도하면서, 학습자 중심의 교육 환경을 조성하는 것을 목표로 하고 있습니다. Challenge B사는 수강생 수의 증가와 함께 학생들이 자주 문의하는 학사 일정, 과목 추천, 수강 신청 등 다양한 정보에 대해 신속하고 정확한 답변을 제공해야 하는 과제에 직면했습니다. 하지만 기존에 사용하던 상담 챗봇은 문장 인식이 정확하지 않고 사용도 다소 불편하여, 제대로 된 답변을 얻어내기가 어려웠습니다. 이로 인해 상담사와의 통화가 불가능한 평일 저녁이나 주말에는 수강생이 구체적이고 신뢰할 수 있는 정보를 얻을 수 없었습니다. 따라서 더 정확하고 편리한 챗봇으로 24시간 연중 무휴 답변을 지원할 수 있는 시스템을 도입함으로써 고객의 상담 만족도를 높이는 것이 필요했습니다. Solution “생성형 AI 도입과 활용을 가장 빠르고 적합하게 지원하는 솔루션입니다.헬프나우 에이전틱 AI 플랫폼 덕분에 복잡한 개발 과정 없이 챗봇 설계와 학습, 테스트까지 단 2달 만에 완료할 수 있었습니다” 베스핀글로벌은 헬프나우 에이전틱 AI 플랫폼(HelpNow Agentic AI Platform)’을 통해 맞춤형 AI 챗봇을 구축했습니다. 해당 챗봇은 구글 다이얼로그플로우(Dialogflow) 및 오픈AI의 GPT-4, 구글 PaLM 2 등 LLM을 바탕으로 자주 묻는 질문에 대해 즉각적이고 개인화된 응답을 제공합니다. 또한 B사의 내부 시스템과 연동되어 학사 일정, 자격증 안내, 수강 신청 등에 대한 정확한 정보를 365일 24시간 실시간으로 지원합니다. 헬프나우 에이전틱 AI 플랫폼의 특징지식 관리: 기업의 내외부 데이터 및 LLM을 연동하여, 정확하고 신뢰할 수 있는 지식 기반 답변 제공강력한 검색 성능: Advance RAG, Multi Modal RAG, Modular RAG와 같은 최첨단 기술을 적용하여, 대량의 지식 데이터에서도 신속하고 정확한 검색 가능대화 상태 관리: 실시간 대화를 상태 기반으로 관리하여, 대화의 문맥을 이해 및 유지하고 상황에 맞는 적절한 답변 지원사용자 피드백 및 동적 프롬프트: 사용자의 피드백을 바탕으로 LLM을 지속적으로 파인튜닝하며, 더 나은 응답을 유도하는 동적 Few-Shot 프롬프트 제공콜봇 및 음성봇: 자체 보이스 게이트웨이와 LLM 기반 음성 처리 기술을 통해 인바운드 및 아웃바운드 콜 자동화는 물론, 웹 기반 디바이스에서 음성봇 지원 Benefit 베스핀글로벌의 헬프나우 에이전틱 AI 플랫폼을 도입함으로써 B사는 24시간 고객 지원이 가능한 생성형 AI 챗봇을 구축, 상담 만족도를 극대화하는 동시에 비용과 소요 시간을 크게 단축할 수 있었습니다. 더불어 상담원의 생산성을 획기적으로 향상시키는 등 다음과 같은 주요 성과를 얻었습니다:1) 시간과 장소에 구애받지 않는 서비스 제공수강생들은 상담사가 근무하지 않는 평일 저녁이나 주말은 물론, 언제 어디서나 필요한 정보를 손쉽게 얻을 수 있어 챗봇에 대한 만족도를 높일 수 있게 되었습니다.2) 상담원의 업무 효율성 향상반복적인 문의에 대한 응답을 자동화하여 내부 업무 부담을 줄이고 생산성을 크게 향상시켰습니다. 단순 응답에 소요되던 시간을 줄이고 보다 밀도 높고 전문적인 상담을 진행할 수 있게 됨으로써, 상담원의 업무 효율성을 높일 수 있었습니다.3) 높은 정확도와 신뢰성으로 만족도 제고생성형 AI 기술을 활용하여 AI 상담 챗봇이 학습자가 질문하고자 하는 내용을 정확하게 파악하고 이에 따른 최적의 답변을 제공함으로써, 고객의 편의성을 크게 제고하였습니다.4) 신속한 도입과 비용 절감기존의 복잡한 개발 과정 대신에 노코드 기반의 헬프나우 에이전틱 AI 플랫폼을 채택함으로써 2개월 내외의 빠른 챗봇 구축과 함께 비용 또한 절감할 수 있었습니다. 이로써 B사는 최소한의 자원으로 최대의 효과를 얻게 되었습니다. Market Overview 디지털 전환과 AI 기술의 발전으로 인해 교육 분야에서도 AI를 활용한 맞춤형 서비스 제공이 중요한 경쟁력으로 자리 잡고 있습니다. 특히 온라인 교육의 수요가 증가함에 따라 학습자 개개인의 요구를 신속하게 파악하고 응대할 수 있는 AI 에이전트 솔루션의 중요성이 더욱 부각되고 있습니다.헬프나우 에이전틱 AI 플랫폼은 이러한 시장의 요구를 충족시키기 위해 설계된 혁신적인 플랫폼으로, 교육 기업들이 변화하는 흐름에 신속하게 대응할 수 있도록 지원합니다. B사 역시 사이버평생교육원에 이어 원격평생교육원에도 헬프나우 에이전틱 AI 플랫폼을 도입함으로써, 빠르게 발전해나가는 교육 환경에 맞춰 변화에 앞장서고 있습니다. 온라인 교육의 미래를 선도하며 지속적인 성장을 거듭할 B사의 앞날을 기대합니다. 문의하기 헬프나우 에이전틱 AI 플랫폼 보러가기 2024년 08월 22일 오이사공5240 by Miyeon. Jo 2024년 05월 24일 오이사공5240 산업 분야IT 국가대한민국 상품 및 서비스오라클 클라우드 오이사공5240의 오라클 클라우드(OCI) 도입 사례 (주)오이사공은 정통 인사관리 시스템(e-HR)을 클라우드로 제공하는 클라우드 기반 통합 인사관리 서비스 전문 기업입니다. 주당 52시간 넘게 일하는 것이 숙명이었던 인사팀의 격무를 40시간으로 줄여보자는 목적으로 창업하였습니다. 대표 서비스는 가장 효과적인 근태관리 시스템인 ‘오이사공5240’으로 근로기준법에 기반한 대한민국의 모든 근태 제도를 시스템으로 제공합니다. 교대 근무, 근태관리, 휴가 처리, 급여관리, 평가 제도, 복지 등 인사관리에 필요한 여러 프로세스를 자동화해 효율적으로 해결합니다. Challenge 오이사공은 클라우드 기반의 서비스를 제공하며 창업 초기부터 클라우드를 사용하고 있었습니다. 그런데 고객수가 늘어나며 클라우드 리소스와 비용도 더불어 증가하게 되어 고민이 커져 갔습니다. 기존에 사용하고 있는 클라우드 서비스가 있었기에 성능은 유지하면서 비용을 절감할 수 있는 방안을 찾고 있었던 중 베스핀글로벌의 제안으로 오라클 클라우드(OCI, Oracle Cloud Infrastructure) 시범 운영을 체험하게 되었습니다. Solution 오라클 클라우드 사용 평가 및 도입 한 달여간 베스핀글로벌에서 제안한 오라클 클라우드(OCI) 환경을 테스트하며 기존에 사용하던 클라우드 인프라 보다 속도가 50% 이상 빨라지고 비용 또한 40% 절감되는 것이 확인되어 OCI로 전환을 빠르게 결정하였습니다. 무엇보다 ORACLE DBMS를 라이선스 구매 없이 서비스 가능한점이 매우 만족스러웠습니다. 또한, 기존 클라우드 컴퓨팅 환경에서 OCI로 마이그레이션하는데 추가 비용이 발생할 것이라고 예측하였습니다만, 예상과 달리 기존 환경을 그대로 이관하는데 문제가 없어서 별도의 클라우드 전환 비용이 발생하지 않았습니다. 오라클 클라우드의 장점 즉시 사용 가능한 가상화, 맞춤형 보안 칩 등을 통해 간편한 워크로드 마이그레이션 지원 현대적 클라우드 네이티브 애플리케이션 구축을 위한 다양한 OCI 플랫폼 및 개발 서비스 제공 애플리케이션을 자동으로 보안∙튜닝∙확장하는 자율 운영 서비스 제공 오라클 공용 리전 및 전용 리전, VMware 등을 통해 효과적인 하이브리드 클라우드 지원 클라우드 보안 서비스 및 보안 도구를 기본으로 제공해 강력한 보안 환경 구축 지원 경쟁력 있는 가격 정책과 추가 비용 없이 이용 가능한 다양한 클라우드 운영 서비스 제공 손쉬운 클라우드 전환을 통해 Cloud ExaCc/Cs 환경 100% 구현 가능 Benefit “B2B 서비스를 운영하는 기업에게 OCI는 성능과 비용 모든 면에서 우수성을 높이는 탁월한 선택입니다. OCI 전환 후 놀랍게도 속도는 50% 증가하고 비용은 40% 절감되었습니다. 고객 또한 빨라진 플랫폼 속도에 만족도가 크게 향상되었습니다.” – 오이사공 CIO 홍창기 전무 오라클 클라우드 사용 평가 및 도입 오라클 클라우드(OCI) 전환 후 클라우드 속도는 훨씬 빨라졌고, 고객 수가 2~3배 증가했음에도 비용은 오히려 줄어들었습니다. 또한 우리의 서비스를 이용하는 고객사들도 빨라진 서비스 환경에 만족도가 크게 올라가게 되는 연쇄 효과까지 발생하게 되었습니다. 베스핀글로벌은 초기 클라우드 전환 검토 단계부터 오이사공과 함께하였으며, 기존 클라우드 대비 성능과 비용 모두에서 큰 효과를 볼 수 있도록 OCI를 추천하고 전환 작업까지 민첩하게 지원하였습니다.베스핀글로벌은 오라클의 Cloud Focused Partner이자, 국내에서 가장 많은 OCI 전문가를 보유하고 있는 오라클 클라우드 파트너사입니다. OCI 전문가 100 명 이상, OCI Certifications 150개 이상 보유하고 있습니다. 보유 자격증 분야도 Infrastructure, Databass, Cloud Operation, Architect 등 매우 다양합니다. 클라우드 역량은 기본, OCI 경험까지 갖춘 전문 인력을 갖추고 있어 기업들의 만족도도 높은 편입니다. 2023년 한 해에만 50여 개의 새로운 기업들이 베스핀글로벌의 지원으로 OCI를 도입했습니다. 풍부한 경험의 OCI 전문가들은 고객의 안정적인 클라우드 전환을 속도감 있게 지원하며 Learn-DO-Share 철학에 기반해 고객에게 클라우드 노하우도 전수합니다. Market Overview 최근 몇 년간 오라클의 행보는 눈길을 사로잡고 있습니다. 오라클은 2019년 Gen2 기반의 2세대 클라우드 서비스인 ‘오라클 클라우드 (OCI, Oracle Cloud Infrastructure)’를 시작했습니다. 클라우드 사업에 투자를 늘리며 제품 포트폴리오도 확장하고, 기술력도 높이고, 매력적인 가격 경쟁력까지 갖추고 CSP 시장에 적극적으로 사업을 개진하고 있는데요. 특히, 스타트업과 중소기업 등으로 구성된 SMB(Small and Medium Business) 고객층들을 새롭게 확보하며 시장을 넓히고 있습니다. 이러한 노력의 결과, 2024년 3월, 오라클 주가가 사상 최고치를 경신했습니다. 이는 2024 회계연도 Q3(2023/12/1-2024/2/29) 매출이 호실적을 기록했기 때문입니다. 클라우드(IaaS+SaaS) 매출은 $5.1billion(약 6조 9천억 원)을 기록하며 25% 증가했고, 그 중 클라우드 인프라 매출은 $1.8billion(약 2조 4천억 원)으로 49% 증가하며 매 분기 50% 안팎의 증가세를 유지했습니다. 오라클 클라우드(OCI)가 이렇게 단기간에 성장할 수 있었던 것은 크게 두 가지 이유로 함축 됩니다. 먼저 오라클 DBMS를 클라우드로 전환하려면 아무래도 타 CSP에서는 모든 기능을 100% 구현하기가 어렵기 때문에 OCI가 최선의 선택지가 됩니다. 둘째로 국내 기준 오라클 클라우드와 클라우드 Top 3사의 CPU, 디스크 용량, 네트워크 비용 등을 동일 스펙으로 가정해 비교해 보면, 총 클라우드 인프라 비용이 최소 30% ~ 최대 60%까지 저렴합니다. 그리고 오라클 클라우드 사례를 발굴하고, 아웃바운드 데이터 송신 10TB를 매월 무상으로 지원하는 등 공격적인 마케팅도 펼치고 있습니다. 앞으로 오라클 클라우드의 선전이 기대되는 이유입니다. 문의하기 2024년 05월 24일 Load More Posts
온라인 교육 플랫폼 B사 by Miyeon. Jo 2024년 08월 22일 온라인 교육 플랫폼 B사 산업 분야교육 국가대한민국 상품 및 서비스헬프나우 에이전틱 AI 플랫폼 Company Overview B사는 사이버평생교육원과 원격평생교육원을 운영하는 교육 기업입니다. 국내 최초로 학점은행제 사이버평생교육원을 설립하였고, 현재는 매달 5천여 명의 수강생에게 국가평생교육진흥원에서 인정받은 온라인 교육 콘텐츠를 제공하고 있습니다. 모든 수강생에게 강의 교안과 가이드북, 실습 정보 등을 무료로 지원하며 수강생 밀착 관리를 위한 실시간 학습 케어 시스템을 갖춘 것이 특징입니다. B사는 국내 교육의 디지털 혁신을 선도하면서, 학습자 중심의 교육 환경을 조성하는 것을 목표로 하고 있습니다. Challenge B사는 수강생 수의 증가와 함께 학생들이 자주 문의하는 학사 일정, 과목 추천, 수강 신청 등 다양한 정보에 대해 신속하고 정확한 답변을 제공해야 하는 과제에 직면했습니다. 하지만 기존에 사용하던 상담 챗봇은 문장 인식이 정확하지 않고 사용도 다소 불편하여, 제대로 된 답변을 얻어내기가 어려웠습니다. 이로 인해 상담사와의 통화가 불가능한 평일 저녁이나 주말에는 수강생이 구체적이고 신뢰할 수 있는 정보를 얻을 수 없었습니다. 따라서 더 정확하고 편리한 챗봇으로 24시간 연중 무휴 답변을 지원할 수 있는 시스템을 도입함으로써 고객의 상담 만족도를 높이는 것이 필요했습니다. Solution “생성형 AI 도입과 활용을 가장 빠르고 적합하게 지원하는 솔루션입니다.헬프나우 에이전틱 AI 플랫폼 덕분에 복잡한 개발 과정 없이 챗봇 설계와 학습, 테스트까지 단 2달 만에 완료할 수 있었습니다” 베스핀글로벌은 헬프나우 에이전틱 AI 플랫폼(HelpNow Agentic AI Platform)’을 통해 맞춤형 AI 챗봇을 구축했습니다. 해당 챗봇은 구글 다이얼로그플로우(Dialogflow) 및 오픈AI의 GPT-4, 구글 PaLM 2 등 LLM을 바탕으로 자주 묻는 질문에 대해 즉각적이고 개인화된 응답을 제공합니다. 또한 B사의 내부 시스템과 연동되어 학사 일정, 자격증 안내, 수강 신청 등에 대한 정확한 정보를 365일 24시간 실시간으로 지원합니다. 헬프나우 에이전틱 AI 플랫폼의 특징지식 관리: 기업의 내외부 데이터 및 LLM을 연동하여, 정확하고 신뢰할 수 있는 지식 기반 답변 제공강력한 검색 성능: Advance RAG, Multi Modal RAG, Modular RAG와 같은 최첨단 기술을 적용하여, 대량의 지식 데이터에서도 신속하고 정확한 검색 가능대화 상태 관리: 실시간 대화를 상태 기반으로 관리하여, 대화의 문맥을 이해 및 유지하고 상황에 맞는 적절한 답변 지원사용자 피드백 및 동적 프롬프트: 사용자의 피드백을 바탕으로 LLM을 지속적으로 파인튜닝하며, 더 나은 응답을 유도하는 동적 Few-Shot 프롬프트 제공콜봇 및 음성봇: 자체 보이스 게이트웨이와 LLM 기반 음성 처리 기술을 통해 인바운드 및 아웃바운드 콜 자동화는 물론, 웹 기반 디바이스에서 음성봇 지원 Benefit 베스핀글로벌의 헬프나우 에이전틱 AI 플랫폼을 도입함으로써 B사는 24시간 고객 지원이 가능한 생성형 AI 챗봇을 구축, 상담 만족도를 극대화하는 동시에 비용과 소요 시간을 크게 단축할 수 있었습니다. 더불어 상담원의 생산성을 획기적으로 향상시키는 등 다음과 같은 주요 성과를 얻었습니다:1) 시간과 장소에 구애받지 않는 서비스 제공수강생들은 상담사가 근무하지 않는 평일 저녁이나 주말은 물론, 언제 어디서나 필요한 정보를 손쉽게 얻을 수 있어 챗봇에 대한 만족도를 높일 수 있게 되었습니다.2) 상담원의 업무 효율성 향상반복적인 문의에 대한 응답을 자동화하여 내부 업무 부담을 줄이고 생산성을 크게 향상시켰습니다. 단순 응답에 소요되던 시간을 줄이고 보다 밀도 높고 전문적인 상담을 진행할 수 있게 됨으로써, 상담원의 업무 효율성을 높일 수 있었습니다.3) 높은 정확도와 신뢰성으로 만족도 제고생성형 AI 기술을 활용하여 AI 상담 챗봇이 학습자가 질문하고자 하는 내용을 정확하게 파악하고 이에 따른 최적의 답변을 제공함으로써, 고객의 편의성을 크게 제고하였습니다.4) 신속한 도입과 비용 절감기존의 복잡한 개발 과정 대신에 노코드 기반의 헬프나우 에이전틱 AI 플랫폼을 채택함으로써 2개월 내외의 빠른 챗봇 구축과 함께 비용 또한 절감할 수 있었습니다. 이로써 B사는 최소한의 자원으로 최대의 효과를 얻게 되었습니다. Market Overview 디지털 전환과 AI 기술의 발전으로 인해 교육 분야에서도 AI를 활용한 맞춤형 서비스 제공이 중요한 경쟁력으로 자리 잡고 있습니다. 특히 온라인 교육의 수요가 증가함에 따라 학습자 개개인의 요구를 신속하게 파악하고 응대할 수 있는 AI 에이전트 솔루션의 중요성이 더욱 부각되고 있습니다.헬프나우 에이전틱 AI 플랫폼은 이러한 시장의 요구를 충족시키기 위해 설계된 혁신적인 플랫폼으로, 교육 기업들이 변화하는 흐름에 신속하게 대응할 수 있도록 지원합니다. B사 역시 사이버평생교육원에 이어 원격평생교육원에도 헬프나우 에이전틱 AI 플랫폼을 도입함으로써, 빠르게 발전해나가는 교육 환경에 맞춰 변화에 앞장서고 있습니다. 온라인 교육의 미래를 선도하며 지속적인 성장을 거듭할 B사의 앞날을 기대합니다. 문의하기 헬프나우 에이전틱 AI 플랫폼 보러가기 2024년 08월 22일
오이사공5240 by Miyeon. Jo 2024년 05월 24일 오이사공5240 산업 분야IT 국가대한민국 상품 및 서비스오라클 클라우드 오이사공5240의 오라클 클라우드(OCI) 도입 사례 (주)오이사공은 정통 인사관리 시스템(e-HR)을 클라우드로 제공하는 클라우드 기반 통합 인사관리 서비스 전문 기업입니다. 주당 52시간 넘게 일하는 것이 숙명이었던 인사팀의 격무를 40시간으로 줄여보자는 목적으로 창업하였습니다. 대표 서비스는 가장 효과적인 근태관리 시스템인 ‘오이사공5240’으로 근로기준법에 기반한 대한민국의 모든 근태 제도를 시스템으로 제공합니다. 교대 근무, 근태관리, 휴가 처리, 급여관리, 평가 제도, 복지 등 인사관리에 필요한 여러 프로세스를 자동화해 효율적으로 해결합니다. Challenge 오이사공은 클라우드 기반의 서비스를 제공하며 창업 초기부터 클라우드를 사용하고 있었습니다. 그런데 고객수가 늘어나며 클라우드 리소스와 비용도 더불어 증가하게 되어 고민이 커져 갔습니다. 기존에 사용하고 있는 클라우드 서비스가 있었기에 성능은 유지하면서 비용을 절감할 수 있는 방안을 찾고 있었던 중 베스핀글로벌의 제안으로 오라클 클라우드(OCI, Oracle Cloud Infrastructure) 시범 운영을 체험하게 되었습니다. Solution 오라클 클라우드 사용 평가 및 도입 한 달여간 베스핀글로벌에서 제안한 오라클 클라우드(OCI) 환경을 테스트하며 기존에 사용하던 클라우드 인프라 보다 속도가 50% 이상 빨라지고 비용 또한 40% 절감되는 것이 확인되어 OCI로 전환을 빠르게 결정하였습니다. 무엇보다 ORACLE DBMS를 라이선스 구매 없이 서비스 가능한점이 매우 만족스러웠습니다. 또한, 기존 클라우드 컴퓨팅 환경에서 OCI로 마이그레이션하는데 추가 비용이 발생할 것이라고 예측하였습니다만, 예상과 달리 기존 환경을 그대로 이관하는데 문제가 없어서 별도의 클라우드 전환 비용이 발생하지 않았습니다. 오라클 클라우드의 장점 즉시 사용 가능한 가상화, 맞춤형 보안 칩 등을 통해 간편한 워크로드 마이그레이션 지원 현대적 클라우드 네이티브 애플리케이션 구축을 위한 다양한 OCI 플랫폼 및 개발 서비스 제공 애플리케이션을 자동으로 보안∙튜닝∙확장하는 자율 운영 서비스 제공 오라클 공용 리전 및 전용 리전, VMware 등을 통해 효과적인 하이브리드 클라우드 지원 클라우드 보안 서비스 및 보안 도구를 기본으로 제공해 강력한 보안 환경 구축 지원 경쟁력 있는 가격 정책과 추가 비용 없이 이용 가능한 다양한 클라우드 운영 서비스 제공 손쉬운 클라우드 전환을 통해 Cloud ExaCc/Cs 환경 100% 구현 가능 Benefit “B2B 서비스를 운영하는 기업에게 OCI는 성능과 비용 모든 면에서 우수성을 높이는 탁월한 선택입니다. OCI 전환 후 놀랍게도 속도는 50% 증가하고 비용은 40% 절감되었습니다. 고객 또한 빨라진 플랫폼 속도에 만족도가 크게 향상되었습니다.” – 오이사공 CIO 홍창기 전무 오라클 클라우드 사용 평가 및 도입 오라클 클라우드(OCI) 전환 후 클라우드 속도는 훨씬 빨라졌고, 고객 수가 2~3배 증가했음에도 비용은 오히려 줄어들었습니다. 또한 우리의 서비스를 이용하는 고객사들도 빨라진 서비스 환경에 만족도가 크게 올라가게 되는 연쇄 효과까지 발생하게 되었습니다. 베스핀글로벌은 초기 클라우드 전환 검토 단계부터 오이사공과 함께하였으며, 기존 클라우드 대비 성능과 비용 모두에서 큰 효과를 볼 수 있도록 OCI를 추천하고 전환 작업까지 민첩하게 지원하였습니다.베스핀글로벌은 오라클의 Cloud Focused Partner이자, 국내에서 가장 많은 OCI 전문가를 보유하고 있는 오라클 클라우드 파트너사입니다. OCI 전문가 100 명 이상, OCI Certifications 150개 이상 보유하고 있습니다. 보유 자격증 분야도 Infrastructure, Databass, Cloud Operation, Architect 등 매우 다양합니다. 클라우드 역량은 기본, OCI 경험까지 갖춘 전문 인력을 갖추고 있어 기업들의 만족도도 높은 편입니다. 2023년 한 해에만 50여 개의 새로운 기업들이 베스핀글로벌의 지원으로 OCI를 도입했습니다. 풍부한 경험의 OCI 전문가들은 고객의 안정적인 클라우드 전환을 속도감 있게 지원하며 Learn-DO-Share 철학에 기반해 고객에게 클라우드 노하우도 전수합니다. Market Overview 최근 몇 년간 오라클의 행보는 눈길을 사로잡고 있습니다. 오라클은 2019년 Gen2 기반의 2세대 클라우드 서비스인 ‘오라클 클라우드 (OCI, Oracle Cloud Infrastructure)’를 시작했습니다. 클라우드 사업에 투자를 늘리며 제품 포트폴리오도 확장하고, 기술력도 높이고, 매력적인 가격 경쟁력까지 갖추고 CSP 시장에 적극적으로 사업을 개진하고 있는데요. 특히, 스타트업과 중소기업 등으로 구성된 SMB(Small and Medium Business) 고객층들을 새롭게 확보하며 시장을 넓히고 있습니다. 이러한 노력의 결과, 2024년 3월, 오라클 주가가 사상 최고치를 경신했습니다. 이는 2024 회계연도 Q3(2023/12/1-2024/2/29) 매출이 호실적을 기록했기 때문입니다. 클라우드(IaaS+SaaS) 매출은 $5.1billion(약 6조 9천억 원)을 기록하며 25% 증가했고, 그 중 클라우드 인프라 매출은 $1.8billion(약 2조 4천억 원)으로 49% 증가하며 매 분기 50% 안팎의 증가세를 유지했습니다. 오라클 클라우드(OCI)가 이렇게 단기간에 성장할 수 있었던 것은 크게 두 가지 이유로 함축 됩니다. 먼저 오라클 DBMS를 클라우드로 전환하려면 아무래도 타 CSP에서는 모든 기능을 100% 구현하기가 어렵기 때문에 OCI가 최선의 선택지가 됩니다. 둘째로 국내 기준 오라클 클라우드와 클라우드 Top 3사의 CPU, 디스크 용량, 네트워크 비용 등을 동일 스펙으로 가정해 비교해 보면, 총 클라우드 인프라 비용이 최소 30% ~ 최대 60%까지 저렴합니다. 그리고 오라클 클라우드 사례를 발굴하고, 아웃바운드 데이터 송신 10TB를 매월 무상으로 지원하는 등 공격적인 마케팅도 펼치고 있습니다. 앞으로 오라클 클라우드의 선전이 기대되는 이유입니다. 문의하기 2024년 05월 24일
