GSP523

개요

챌린지 실습에서는 특정 시나리오와 일련의 작업이 주어집니다. 단계별 안내를 따르는 대신, 과정의 실습에서 배운 기술을 사용하여 스스로 작업을 완료하는 방법을 알아내 보세요. 이 페이지에 표시되어 있는 자동 채점 시스템에서 작업을 올바르게 완료했는지 피드백을 제공합니다.

챌린지 실습을 진행할 때는 새로운 Google Cloud 개념에 대한 정보가 제공되지 않습니다. 학습한 기술을 응용하여 기본값을 변경하거나 오류 메시지를 읽고 조사하여 실수를 바로잡아야 합니다.

100점을 받으려면 시간 내에 모든 작업을 성공적으로 완료해야 합니다.

이 실습은 'BigQuery로 멀티모달 벡터 검색 구현하기' 기술 배지 과정에 등록한 학습자에게 권장됩니다. 챌린지에 도전할 준비가 되셨나요?

챌린지 시나리오

여러분은 온라인 소매업체인 Cymbal의 데이터 과학자입니다. 마케팅 비교 연구에 활용할 정보를 얻고자 시중의 유사한 제품을 지속적으로 검색하는 파이프라인을 빌드하려고 합니다. 해결해야 할 챌린지는 다음과 같습니다.

• 멀티모달 데이터를 처리하는 방법: 수집한 데이터가 텍스트, 이미지, 동영상 등 멀티모달이며 일부 파일은 Cloud Storage에 저장되어 있습니다.
• 키워드 검색 대신 시맨틱 유사성 검색을 수행하는 방법: 키워드 검색 사용 시 그다지 효과적이지 않은 여러 측정기준(예: 이미지, 설명, 특정 기능)에서 유사한 제품을 찾아보려고 합니다.
• 시맨틱 유사성 검색에 BigQuery를 사용하는 방법: 대부분의 데이터가 이미 BigQuery에 있으므로 동일한 도구를 사용하면 학습 시간을 단축할 수 있습니다.

이러한 챌린지를 해결하기 위해 BigQuery로 멀티모달 벡터 검색을 구현해 보기로 합니다.

테스트 주제

• BigQuery에서 외부 소스 연결을 만들고 적절한 IAM 권한을 부여하기
• 이미지를 저장할 객체 테이블 만들기
• 이미지(멀티모달 데이터)를 벡터로 변환하기 위한 임베딩 생성하기
• 유사한 제품을 찾도록 벡터 검색 실행하기

기본 요건

이 실습을 완료하려면 BigQuery 및 Cloud Storage에 익숙해야 합니다.

BigQuery의 Gemini 학습 과정에서 이 기술 배지에 대한 포괄적인 기술 자료를 제공합니다. 다음 세 가지 과정과 실습을 학습하여 이 챌린지 실습을 성공적으로 완료하는 데 필요한 지식을 습득하는 것이 좋습니다.

• BigQuery의 Gemini로 생산성 높이기(입문): 코드 지원, 데이터 준비, 파이프라인 설계에 BigQuery의 Gemini를 사용하는 방법을 알아봅니다.

• BigQuery에서 Gemini 모델 사용하기(중급): BigQuery에서 Gemini 모델을 호출하여 생성형 AI 애플리케이션을 빌드하는 방법을 알아봅니다.

• BigQuery로 임베딩, 벡터 검색, RAG 만들기(고급): 임베딩 만들기부터 벡터 검색 실행, 최종적으로는 개선된 답변 생성에 이르기까지 검색 증강 생성(RAG) 파이프라인을 사용하여 AI 할루시네이션을 방지하는 방법을 알아봅니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

실습을 시작하고 Google Cloud 콘솔에 로그인하는 방법

1. 실습 시작 버튼을 클릭합니다. 실습 비용을 결제해야 하는 경우 결제 수단을 선택할 수 있는 대화상자가 열립니다. 왼쪽에는 다음과 같은 항목이 포함된 실습 세부정보 창이 있습니다.

   • Google Cloud 콘솔 열기 버튼
   • 남은 시간
   • 이 실습에 사용해야 하는 임시 사용자 인증 정보
   • 필요한 경우 실습 진행을 위한 기타 정보

2. Google Cloud 콘솔 열기를 클릭합니다(Chrome 브라우저를 실행 중인 경우 마우스 오른쪽 버튼으로 클릭하고 시크릿 창에서 링크 열기를 선택합니다).

   실습에서 리소스가 가동되면 다른 탭이 열리고 로그인 페이지가 표시됩니다.

   팁: 두 개의 탭을 각각 별도의 창으로 나란히 정렬하세요.

   참고: 계정 선택 대화상자가 표시되면 다른 계정 사용을 클릭합니다.

3. 필요한 경우 아래의 사용자 이름을 복사하여 로그인 대화상자에 붙여넣습니다.

   {{{user_0.username | "Username"}}}

   실습 세부정보 창에서도 사용자 이름을 확인할 수 있습니다.

4. 다음을 클릭합니다.

5. 아래의 비밀번호를 복사하여 시작하기 대화상자에 붙여넣습니다.

   {{{user_0.password | "Password"}}}

   실습 세부정보 창에서도 비밀번호를 확인할 수 있습니다.

6. 다음을 클릭합니다.

   중요: 실습에서 제공하는 사용자 인증 정보를 사용해야 합니다. Google Cloud 계정 사용자 인증 정보를 사용하지 마세요. 참고: 이 실습에 자신의 Google Cloud 계정을 사용하면 추가 요금이 발생할 수 있습니다.

7. 이후에 표시되는 페이지를 클릭하여 넘깁니다.

   • 이용약관에 동의합니다.
   • 임시 계정이므로 복구 옵션이나 2단계 인증을 추가하지 않습니다.
   • 무료 체험판을 신청하지 않습니다.

잠시 후 Google Cloud 콘솔이 이 탭에서 열립니다.

참고: Google Cloud 제품 및 서비스에 액세스하려면 탐색 메뉴를 클릭하거나 검색창에 제품 또는 서비스 이름을 입력합니다.

작업 1. 소스 연결을 만들고 IAM 권한 부여하기

외부 소스 연결 만들기

BigQuery 내 Vertex AI에서 임베딩 모델과 같은 원격 생성형 AI 모델을 활용하기 위해 리전에 vector_conn이라는 새로운 외부 소스 연결을 만듭니다.

이 연결은 Vertex AI와 BigQuery 간의 보안 파이프라인 역할을 하여 생성형 AI 모델을 안전하게 사용할 수 있게 합니다.

힌트를 펼쳐 유용한 팁을 확인하세요.

새 서비스 계정에 IAM 권한 부여하기

Vertex AI 리소스 및 BigQuery 데이터에 액세스하려면 외부 소스 연결을 위해 서비스 계정에 적절한 IAM 권한을 부여해야 합니다.

이전 섹션에서 생성한 서비스 계정에 다음 역할을 할당합니다.

• BigQuery 데이터 소유자
• 스토리지 객체 뷰어
• Vertex AI 사용자

힌트를 펼쳐 유용한 팁을 확인하세요.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 소스 연결을 만들고 IAM 권한 부여하기

작업 2. 객체 테이블 만들기

Google Cloud Storage에 저장된 이미지 및 동영상과 같은 비정형 데이터를 쿼리하기 위해 gcc_bqml_dataset라는 미리 만들어진 BigQuery 데이터 세트에서 객체 테이블 gcc_image_object_table을 만듭니다.

이 테이블은 URL, 콘텐츠 유형과 같은 객체의 메타데이터를 저장하지만 비정형 데이터 자체는 저장하지 않습니다. 객체 테이블은 다른 BigQuery 테이블과 마찬가지로 쿼리할 수 있으므로 SQL 또는 Python을 사용하여 메타데이터를 기반으로 객체를 필터링하고 선택할 수 있습니다.

BigQuery SQL 편집기에서 다음 SQL 코드를 실행합니다. 대괄호로 묶인 자리표시자 []를 올바른 코드로 바꿔야 합니다(예: [PROJECT_ID]를 이 실습 환경에 할당된 프로젝트 ID로 바꿔야 함).

Create or replace external table `[PROJECT_ID].[DATASET_NAME].[OBJECT_TABLE_NAME]` with connection `[PROJECT_ID].[CONNECTION_REGION].[CONNECTION_NAME]` options ( object_metadata='SIMPLE', uris=['gs://[PROJECT_ID]/*'] )

힌트를 펼쳐 유용한 팁을 확인하세요.

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 객체 테이블 만들기

작업 3. 임베딩 생성하기

임베딩 모델에 연결하기

원격 임베딩 모델에 연결하기 위해 gcc_bqml_dataset라는 미리 만들어진 BigQuery 데이터 세트에서 BigQuery의 새 모델 gcc_embedding을 만들고 엔드포인트(모델 이름)를 multimodalembedding@001로 지정합니다.

BigQuery SQL 편집기에서 다음 SQL 코드를 실행합니다. 대괄호로 묶인 자리표시자 []를 올바른 코드로 바꿔야 합니다(예: [PROJECT_ID]를 이 실습 환경에 할당된 프로젝트 ID로 바꿔야 함).

Create or replace model `[PROJECT_ID].[DATASET_NAME].[MODEL_NAME]` remote with connection `[PROJECT_ID].[CONNECTION_REGION].[CONNECTION_NAME]` options( [DEFINE_ENDPOINT] );

힌트를 펼쳐 유용한 팁을 확인하세요.

임베딩 생성하기

이미지의 임베딩을 생성할 때 gcc_bqml_dataset라는 미리 만들어진 BigQuery 데이터 세트의 gcc_retail_store_embeddings 테이블에 임베딩을 저장합니다.

1. BigQuery SQL 편집기에서 다음 SQL 코드를 실행합니다. 대괄호로 묶인 자리표시자 []를 올바른 코드로 바꿔야 합니다(예: [PROJECT_ID]를 이 실습 환경에 할당된 프로젝트 ID로 바꿔야 함).

Create or replace table `[PROJECT_ID].[DATASET_NAME].[EMBEDDINGS_TABLE_NAME]` as select *, REGEXP_EXTRACT(uri, r'[^/]+$') as product_name from [EMBEDDINGS_FUNCTION] ( MODEL `[PROJECT_ID].[DATASET_NAME].[MODEL_NAME]`, TABLE `[PROJECT_ID].[DATASET_NAME].[OBJECT_TABLE_NAME]` )

힌트를 펼쳐 유용한 팁을 확인하세요.

2. [선택사항] 임베딩 결과를 검토하려면 다음 코드를 업데이트하고 실행합니다. 임베딩 결과는 부동 소수점 숫자로 표현되므로 바로 해석하지 못할 수 있습니다.

SELECT * FROM `[PROJECT_ID].[DATASET_NAME].[EMBEDDINGS_TABLE_NAME]`

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 새 모델 및 임베딩 생성하기

작업 4. 벡터 검색 실행하기

벡터 검색을 실행하여 검색구문에 가장 유사한 이미지를 찾을 때 gcc_bqml_dataset라는 미리 만들어진 BigQuery 데이터 세트의 gcc_vector_search_table 테이블에 검색 결과를 저장합니다.

1. BigQuery SQL 편집기에서 다음 SQL 코드를 실행합니다. 대괄호로 묶인 자리표시자 []를 올바른 코드로 바꿔야 합니다(예: [PROJECT_ID]를 이 실습 환경에 할당된 프로젝트 ID로 바꿔야 함).

Create or replace table `[PROJECT_ID].[DATASET_NAME].[SEARCH_RESULTS_TABLE]` AS select base.uri, base.product_name, base.content_type, distance from [VECTOR_SEARCH_FUNCTION](table [DATASET_NAME].[EMBEDDINGS_TABLE_NAME],'ml_generate_embedding_result', ( SELECT ml_generate_embedding_result as embedding_col FROM [EMBEDDINGS_FUNCTION] ( MODEL `[DATASET_NAME].[MODEL_NAME]`, (select 'Men Sweaters' as content), STRUCT(TRUE AS flatten_json_output) ) ), [STATEMENT_TO_SELECT_TOP_2_RESULTS], distance_type => 'COSINE' );

힌트를 펼쳐 유용한 팁을 확인하세요.

2. [선택사항] 벡터 검색 결과를 검토하려면 다음 코드를 업데이트하고 실행합니다.

SELECT * FROM `[PROJECT_ID].[DATASET_NAME].[SEARCH_RESULTS_TABLE]`

내 진행 상황 확인하기를 클릭하여 목표를 확인합니다. 벡터 검색 실행하기

수고하셨습니다

BigQuery로 멀티모달 벡터 검색을 성공적으로 구현했습니다. 이 실습에서는 먼저 외부 리소스에 대한 연결을 설정하고 서비스 계정에 적절한 IAM 권한을 부여했습니다. 다음으로 이미지 메타데이터를 저장할 객체 테이블을 만들었습니다. 그런 다음 이미지를 벡터로 변환하기 위해 임베딩을 생성했습니다. 마지막으로 벡터를 검색하여 원하는 제품을 찾았습니다.

이제 이러한 단계를 본인의 사용 사례에 그대로 적용해 멀티모달 데이터를 검색할 수 있습니다.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 2월 12일

실습 최종 테스트: 2025년 2월 12일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.