Google Cloud Blog 한국어 - TheNote.app

Google Cloud Blog 한국어
팔로우

cloud.google.com/blog은 Google Cloud의 공식 블로그입니다. Google Cloud의 제품 및 서비스에 대한 뉴스, 업데이트 및 통찰, 클라우드 컴퓨팅 산업의 트렌드 및 혁신을 제공합니다. 이 블로그는 Google Cloud 전문가, 엔지니어 및 사상가들이 작성한 기사로 구성되어 있습니다. 인공 지능, 머신 러닝, 데이터 분석, 보안 등 다양한 주제를 다루고 있습니다. 기사들은 기술 튜토리얼, 케이스 스터디 및 베스트 프랙티스도 포함하여 Google Cloud를 사용하거나 관심이 있는 개발자, IT 전문가 및 비즈니스 리더에게 귀중한 자원이 됩니다. 블로그는 주제, 제품 및 산업별로 분류되어 있습니다. 방문객은 최신 기사를 브라우징하거나 특정 주제를 검색하거나 블로그의 RSS 피드를 구독하여 최신 뉴스 및 업데이트를 최신 상태로 유지할 수 있습니다. 블로그의 주요 기능 중 일부는 다음과 같습니다. - Google Cloud 제품 및 서비스에 대한 심층 기사, 예를 들어 Google Cloud Platform, Google Cloud Storage 및 Google Cloud AI Platform - Google Cloud 서비스 사용에 대한 기술 튜토리얼 및 가이드 - Google Cloud 고객의 케이스 스터디 및 성공 사례 - 산업 트렌드 및 혁신에 대한 통찰 및 분석 - Google Cloud의 파트너쉽 및 협력에 대한 뉴스 및 업데이트 - Google Cloud 전문가 및 사상가와의 인터뷰 전반적으로 Google Cloud 블로그는 클라우드 컴퓨팅, 인공 지능 및 관련 기술에 관심이 있는 모든 사람에게 귀중한 자원이 됩니다.

Cloud Blog cloud.google.com

RSS cloudblog.withgoogle.com

Google Cloud Blog 한국어 RSS thenote.app

RSS Hunter • 2024년 8월 23일

노트 스레드

BigQuery ObjectRef, 이제 GA: SQL만으로 대화형 분석을 위한 멀티모달 데이터 플랫폼 구축

BigQuery가 이제 ObjectRef와 멀티모달 데이터 분석을 제공하여 포괄적인 에이전트형 데이터 플랫폼으로 전환되었습니다. ObjectRef는 Cloud Storage의 비정형 데이터를 BigQuery 테이블 내의 네이티브 열로 표현할 수 있게 합니다. 이 통합을 통해 단일 SQL 또는 자연어 쿼리 내에서 구조화된 데이터와 함께 비정형 파일에 직접 액세스하여 분석할 수 있습니다. 사용자는 BigQuery의 서버리스 컴퓨팅 및 내장 추론 기능을 활용하여 별도의 인프라 없이 복잡한 데이터 파이프라인을 구축할 수 있습니다. 추출된 기능과 주석은 원본 비정형 데이터와 함께 저장되어 더 깊은 분석을 위한 뉘앙스를 보존할 수 있습니다. 이 접근 방식은 이전에 발생했던 데이터 스티칭 오버헤드와 데이터베이스 불일치를 제거합니다. ObjectRef는 구조화된 데이터와 비정형 데이터 모두에 대해 독립적인 수명 주기, 제로 카피 아키텍처 및 통합 거버넌스를 지원합니다. 입증된 사용 사례에는 콘텐츠 조정, 위협 탐지, 재고 규정 준수 및 고객 경험 분석이 포함됩니다. 새로운 GA 기능에는 유연한 인증, 통합 메타데이터 지원 및 비교 분석을 위한 배열 지원이 포함됩니다. 이제 기업은 인프라를 통합하고 AI를 스토리지로 직접 가져와 강력한 멀티모달 분석을 수행할 수 있습니다.

BigQuery ObjectRef now GA: Build multimodal data platforms for conversational analytics entirely in SQL cloud.google.com

RSS Hunter • 어제

ZenteiQ, llm-d 기반 GKE Inference Gateway로 배치 추론 4배 확장

인도 과학 연구소 출신의 AI 스타트업인 ZenteiQ는 주권 과학 기반 모델을 구축하고 있습니다. 이러한 모델은 일반 언어 모델과 달리 물리학, 방정식, 수치 솔버에 대한 이해를 필요로 합니다. ZenteiQ는 이러한 모델을 사전 훈련하기 위해 대규모 합성 데이터 생성 파이프라인을 사용합니다. 이 파이프라인은 복잡한 과학적 도출 및 솔버 검증을 포함하는 수십억 개의 추론 토큰을 생성합니다.이전에 ZenteiQ는 Kubernetes에서 라우팅 병목 현상에 직면하여 엔진 큐가 불균등하고 중복 계산이 발생했습니다. 이로 인해 데이터 생성이 크게 느려지고 사전 훈련이 지연되었습니다. 이러한 문제를 극복하기 위해 ZenteiQ는 llm-d를 기반으로 하는 Google Kubernetes Engine(GKE) Inference Gateway를 구현했습니다. 이 솔루션은 추론 요청에 대해 지능적이고 로드 및 캐시를 고려한 라우팅을 제공합니다.GKE Inference Gateway는 서빙 노드 전반에 걸쳐 실시간 큐 깊이와 KV 캐시 활용도를 모니터링합니다. 요청을 효과적으로 라우팅하여 병목 현상을 방지하고 캐시된 프롬프트 접두사를 재사용합니다. 이러한 지능형 라우팅은 처리량을 극적으로 증가시켜 일일 출력량이 14억 7천만 개에서 거의 60억 개의 생성된 토큰으로 증가했습니다. 또한 사전 훈련 실행의 예측 가능성을 보장했습니다. ZenteiQ는 향후 고급 AI 훈련 단계에 이 설정을 활용할 계획입니다.

ZenteiQ scales batch inference 4x with GKE Inference Gateway powered by llm-d cloud.google.com

RSS Hunter • 어제

핵심 PHP 취약점 CVE-2026-109618 및 CVE-2026-109619에 대응

두 개의 치명적인 PHP 취약점인 CVE-2026-109618과 CVE-2026-109619가 공개되었으며, 인증되지 않은 원격 코드 실행 및 메모리 노출의 위험을 초래합니다. Wiz Research와 PHP에 따르면 CVSS 점수 9.2의 이 결함은 PHP 버전 5.4부터 8.5.11까지 영향을 미칩니다. 취약점은 메모리 부족 처리 및 오래된 내부 요청 상태의 문제에서 비롯됩니다. Google Cloud는 사용자에게 PHP 애플리케이션을 즉시 버전 8.2 이상으로 업데이트하고 다시 배포할 것을 권고하고 있습니다. App Engine, Cloud Run 및 Google Kubernetes Engine 사용자를 위한 특정 지침이 제공됩니다. Google Cloud 자체는 취약하지 않지만, 해당 플랫폼에서 PHP를 실행하는 고객 애플리케이션은 영향을 받을 수 있습니다. PHP 프로젝트는 최신 버전에 대한 패치를 출시했지만, 오래된 지원 종료 버전은 수정되지 않을 것입니다. Google Cloud는 특정 서버리스 플랫폼에 대한 자동 패치를 배포하고 있습니다. 사용자 정의 컨테이너 이미지를 사용하는 사용자는 패치된 PHP 버전으로 다시 빌드하고 다시 배포해야 합니다. On-Demand Scanning AP 및 Security Command Center와 같은 모니터링 도구는 취약한 워크로드를 식별하고 탐지하는 데 도움이 될 수 있습니다. PHP를 업데이트하는 것은 애플리케이션을 보호하고 서비스 무결성을 유지하는 데 중요합니다.

Responding to core PHP vulnerabilities CVE-2026-109618 and CVE-2026-109619 cloud.google.com

RSS Hunter • 어제

Google Public Sector, 최전선 도입을 위한 파트너 투자 확대

Google Public Sector는 정부 및 교육 기관 고객을 위한 협업을 촉진하고 임무 수행을 확대하기 위해 파트너 이니셔티브를 강화하고 있습니다. 이러한 업데이트는 귀중한 파트너 네트워크를 지원하기 위한 네 가지 핵심 영역에 중점을 둡니다. 새로운 인센티브는 사전 판매 기술 전문성과 솔루션 설계를 위해 파트너에게 보상할 것입니다. 파트너 주도 사용자 성공 프로그램은 목표 투자를 통해 Gemini 채택을 증진할 것입니다.Google은 파트너 조직 내 엘리트 엔지니어를 양성하기 위한 Forward Deployed Engineer 아카데미를 도입하고 있습니다. 사전 판매 가속화 노력에는 파트너 주도 고객 워크숍 및 개념 증명에 대한 자금 지원 증가가 포함됩니다. 판매 후 채택은 미국 공공 부문 전반에 Gemini를 배포하기 위한 파트너 전문 서비스 자금으로 4,500만 달러의 상당한 투자를 보고 있습니다.특화된 임무를 지원하기 위해 새로운 ISV Agent Factory는 맞춤형 공공 부문 에이전트 생성을 가속화할 것입니다. 이는 ISV ATO Accelerator를 보완하며, 인증에 대한 상당한 자금을 제공합니다. SHI와의 새로운 제휴를 통해 영업 팀을 참여시키고 Accenture Federal Services와의 Gemini Launchpads 협업을 포함한 전략적 제휴가 형성되고 있습니다. 이러한 이니셔티브는 기관이 실험에서 임무 실행으로 나아가도록 하는 것을 목표로 합니다. 궁극적으로 이러한 노력은 공공 부문 고객이 필요한 임무 준비 역량을 갖추도록 보장합니다.

Google Public Sector increases partner investments for frontline adoption cloud.google.com

RSS Hunter • 어제

Google Cloud, OpenAI 모델을 고객에게 제공하며 모델 선택 및 유연성 확대

Google Cloud는 OpenAI 모델을 Model Garden에 통합하여 AI 제품군을 강화하고 있습니다. 이로써 Google Cloud는 수많은 다른 모델과 함께 세 가지 주요 폐쇄형 소스 LLM 모두에 액세스할 수 있는 유일한 하이퍼스케일 제공업체가 되었습니다. 이 플랫폼은 고객에게 특정 워크로드에 적합한 모델을 선택할 수 있는 유연성을 제공하며, 비용, 기능 및 성능의 균형을 맞추는 데 중점을 둡니다. GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna와 같은 새로운 OpenAI 모델이 도입되며, 각 모델은 서로 다른 사용 사례와 효율성 수준에 맞춰져 있습니다. 이 통합을 통해 고객은 아키텍처 종속성이나 별도의 공급업체 계약 없이 동적으로 모델을 전환할 수 있습니다. 사용자 활동은 기존 클라우드 약정 및 Flexible Savings Plans를 활용하여 단일 Google Cloud 송장에 통합됩니다. 보안 및 데이터 거버넌스가 최우선이며, 엄격한 데이터 경계는 고객 데이터가 모델 학습에 절대 사용되지 않도록 보장합니다. 격리된 액세스 경계 및 통합 감사 기능은 엔터프라이즈 워크로드에 대한 강력한 보안 및 가시성을 제공합니다. 이러한 새로운 OpenAI 모델은 현재 일부 엔터프라이즈 고객을 대상으로 비공개 미리 보기로 제공됩니다. Gemini for business 및 Google Antigravity와의 향후 통합은 개발자 및 기업을 위한 선택과 효율성을 더욱 확장할 것입니다.

Google Cloud expands model choice and flexibility, bringing OpenAI models to customers cloud.google.com

RSS Hunter • 어제

Google Cloud와 NVIDIA, 에이전트 시대 인프라 확장을 위한 공동 엔지니어링 협력 확대

기업들은 복잡한 에이전트형 AI 워크플로우로 전환하고 있으며, 이는 원시 성능과 필수적인 유연성을 모두 제공하는 인프라를 요구합니다. 이 새로운 시대는 특정 작업을 위한 다양한 모델을 실행하고 데이터 및 운영 주권을 유지하는 능력을 필요로 합니다. Google Cloud는 NVIDIA와 협력하여 이러한 과제를 해결하기 위한 발전을 선보이고 있습니다. NVIDIA의 Vera Rubin 플랫폼으로 구동되는 새로운 A5X 인스턴스는 가속화된 컴퓨팅과 확장된 글로벌 가용성을 제공합니다. Virgo Network는 사이트 전반에 걸쳐 대규모 GPU 클러스터를 가능하게 하는 스케일 아웃 기능을 향상시킵니다. 스토리지 솔루션에는 이제 직접적인 GPU 데이터 액세스를 위한 NVIDIA GPUDirect Storage를 갖춘 Managed Lustre가 포함됩니다. A5X 인스턴스의 고급 KV 캐싱은 에이전트형 워크로드에 대한 긴 컨텍스트 메모리를 향상시킵니다. Google Kubernetes Engine(GKE)은 이러한 A5X 인스턴스를 오케스트레이션하여 분산 AI 운영을 단순화할 것입니다. Gemma 및 Mistral과 같은 오픈 모델에 대한 지원은 Google Cloud의 Sovereign Cloud 포트폴리오 내에서 확장되고 있습니다. NVIDIA의 Nemotron 모델 및 Cosmos 시뮬레이션은 사용자 정의 및 가상 세계 생성을 위해 Gemini와 통합됩니다. Sovereign AI 기능은 Google Distributed Cloud를 통해 온프레미스 환경으로 확장되고 있습니다. 여기에는 에어갭 배포를 위한 NVIDIA Blackwell Ultra GPU 및 Gemini Flash 모델이 포함됩니다. 퍼블릭 클라우드의 Confidential Computing은 Confidential G4 인스턴스 및 Confidential Bare Metal 옵션으로 강화됩니다. 이러한 혁신은 하드웨어 기반 보안을 통해 민감한 지적 재산 및 사용자 데이터를 보호하는 것을 목표로 합니다. NVIDIA의 전체 스택 플랫폼과 공동 엔지니어링된 Google Cloud AI Hypercomputer는 AI 확장을 위한 통합 기반을 제공합니다.

Google Cloud and NVIDIA expand co-engineering collaboration to scale infrastructure for the agentic era cloud.google.com

RSS Hunter • 어제

글로벌 규모의 하드웨어 기반 보안: NVIDIA Blackwell을 탑재한 Confidential G4가 GA 출시되었습니다.

Google Cloud가 인공지능 워크로드 보안의 중요한 발전인 Confidential G4 인스턴스를 출시했습니다. NVIDIA RTX PRO 6000 Blackwell Server 에디션 GPU를 탑재한 이 인스턴스는 기밀 컴퓨팅 기능을 제공합니다. 이는 자율 에이전트가 처리하는 민감한 데이터와 지적 재산이 실시간으로 보호된다는 것을 의미합니다. 이 기술은 NVIDIA Confidential Computing을 Google Cloud의 AI Hypercomputer에 통합하여 성능 저하 없이 컴퓨팅 중 개인 정보를 보장합니다. Confidential G4 인스턴스는 현재 여러 영역에서 일반에 공개되었으며, Compute Engine VM 및 GKE 노드에서 다양한 소비 모델을 지원합니다. 안전한 다자간 데이터 공유를 지원하는 Confidential Space에 대한 지원도 곧 출시될 예정입니다. Confidential G4 인스턴스는 내보낼 수 없는 키, 원격 증명, 메모리 암호화와 같은 하드웨어 기반 보안 기능을 활용합니다. 이를 통해 조직은 엄격한 규제 요구 사항을 충족하고 비용 효율성을 유지할 수 있습니다. 이 솔루션은 호스트 관리자 및 클라우드 제공업체로부터 데이터와 모델 매개변수를 격리하여 엔드투엔드 기밀성을 제공합니다. 검증 가능한 암호화 신뢰는 하드웨어 기반 원격 증명을 통해 구축되어 민감한 작업이 시작되기 전에 무결성을 보장합니다. 중요한 것은 배포를 위해 코드 리팩토링이 필요하지 않아 채택 프로세스가 단순화된다는 것입니다. 성능 테스트에 따르면 Confidential G4 인스턴스는 표준 G4 인스턴스와 유사한 처리량을 제공하며 성능 저하가 최소화됩니다. 이러한 발전은 기업이 귀중한 AI 자산에 대한 제어, 기밀성 및 책임성을 유지하면서 AI 배포를 안전하게 확장할 수 있도록 지원합니다.

Hardware-backed security at global scale: Confidential G4 with NVIDIA Blackwell is GA cloud.google.com

RSS Hunter • 어제

Claude Opus 5.5와 Claude Sonnet 5.5가 Google Antigravity에서 출시되었습니다.

Google Cloud는 이제 Antigravity를 통해 Claude Opus 5.5와 Claude Sonnet 5.5를 제공하여 개발자들에게 더 많은 모델 선택권을 제공합니다. Claude Opus 5.5는 복잡한 작업에 뛰어나며, Sonnet 5.5는 속도와 비용 효율성을 제공합니다. 관리자는 Antigravity 내에서 Google의 Gemini 모델과 함께 이러한 모델을 활성화할 수 있습니다. 개발자는 다양한 Antigravity 도구의 모델 선택기에서 선호하는 모델을 직접 선택할 수 있습니다. 이 통합은 모델 선택을 위한 통합된 청구 및 보안 환경을 가능하게 합니다. 이 플랫폼은 코드 품질을 향상시키고 비용을 관리하기 위해 멀티 모델 엔지니어링 패턴을 지원합니다. 한 패턴은 모델별 편향을 방지하기 위해 구현 및 검증에 다른 모델을 사용하는 것을 포함합니다. 개발자는 구현을 위해 Claude Opus 5.5 또는 Gemini 4 Argon을 할당하고 검증을 위해 다른 모델을 할당할 수 있습니다. 또 다른 패턴은 효율성을 위해 강력한 추론 모델과 더 빠른 "Flash" 하위 에이전트를 쌍으로 사용합니다. 하위 에이전트는 고용량 작업을 위해 Gemini Flash와 같은 특정 모델 계층을 사용하도록 구성할 수 있습니다. 이를 통해 전문화된 모델에 작업을 위임하여 최적화된 워크플로우를 구현할 수 있습니다. 관리자는 청구를 구성하고 조직을 위해 파트너 모델을 승인할 수 있습니다. 개발자는 이러한 새로운 모델 기능을 사용하기 위해 Antigravity 도구를 업데이트해야 합니다.

Claude Opus 5.5 and Claude Sonnet 5.5 are now available in Google Antigravity cloud.google.com

RSS Hunter • 10월 20일

llm-d 1.0 발표: Google Cloud TPU 및 GPU에서 에이전트의 오픈 분산 추론

오늘 llm-d 1.0이 출시되었습니다. llm-d 1.0은 Google, Red Hat, IBM을 포함한 커뮤니티에서 개발한 분산 LLM 추론을 위한 오픈 소스 Kubernetes 네이티브 스택입니다. 이 프로젝트는 진화하는 추론 요구 사항을 해결하기 위해 PyTorch 및 Kubernetes 커뮤니티를 통합합니다. 단순한 채팅 상호 작용과 달리 현대적인 에이전트 기반 워크로드는 다단계 프로세스, 도구 사용 및 버스티 트래픽 패턴을 포함합니다. 이를 단일 머신이나 기본 로드 밸런서로 제공하는 것은 비효율적이며, 중복 계산과 대화형 사용자 지연을 초래합니다. llm-d는 클러스터를 조정된 서빙 풀로 변환하며, 이는 단일 엔드포인트에서 1,000개의 에이전트로 시연되었습니다. 주요 기능에는 에이전트 컨텍스트를 유지하기 위한 캐시 인식 라우팅 및 계층화된 KV 캐시, 트래픽 버스트 중에 대화형 요청을 우선시하기 위한 흐름 제어가 포함됩니다. 버전 1.0은 우선순위 인식 흐름 제어를 통한 멀티 테넌트 서비스 품질과 강화된 API를 통한 안정적인 기반을 제공합니다. 또한 고가용성 및 제로 다운타임 업데이트를 통한 안전한 업그레이드와 컨텍스트 재사용을 위한 에이전트 인식 서빙 기능을 지원합니다. 확장된 TPU 통합은 향상된 처리량과 활용도를 위해 TorchTPU 시간 분할을 통한 네이티브 PyTorch 모델 서빙을 제공합니다. llm-d 구성 요소는 조합 가능하여 사용자가 필요한 서빙 요소만 채택할 수 있습니다. 이 스택은 Kubernetes 기본 요소, PyTorch 서빙 엔진 및 가속기 인식 스케줄링을 연결하여 유연한 프로덕션 환경을 제공합니다.

Announcing llm-d 1.0: Open distributed inference for agents on Google Cloud TPUs and GPUs cloud.google.com

RSS Hunter • 10월 20일

TorchTPU가 오픈 소스로 공개되었습니다: TPU에서 네이티브 PyTorch 실행

PyTorch Conference 2026에서는 Google Cloud 및 기타 인프라에서 PyTorch를 실행하기 위한 새로운 제품과 통합이 소개되었습니다. Google TPU를 위한 네이티브 PyTorch 스택인 TorchTPU가 GitHub에서 오픈 소스로 공개되었습니다. 이를 통해 vLLM, SGLang, Hugging Face와 같은 익숙한 도구를 사용하여 TPU에서 모델의 학습, 서빙 및 배포를 원활하게 수행할 수 있습니다. 이 통합은 TPU, GPU, CPU를 포함한 컴퓨팅 옵션을 일관된 운영 모델로 사용자에게 제공합니다. TorchTPU는 최소한의 코드 변경과 익숙한 API로 기존 PyTorch 워크로드를 TPU에서 실행할 수 있도록 합니다. 이는 eager 모드 디버깅을 지원하고 torch.compile을 통해 TPU 활용도 및 메모리를 최적화합니다. Hugging Face 모델은 이제 TorchTPU에서 네이티브로 실행되며, device_map="tpu"를 사용하여 배포를 간소화합니다. 추론 최적화는 서빙 엔진과의 TorchTPU 통합 및 TPU와 GPU 전반의 플릿 라우팅을 통해 달성됩니다. vLLM은 연속 배치 및 양자화와 같은 기능을 통해 TPU에서 높은 처리량의 서빙 및 메모리 효율성을 제공합니다. SGLang은 요청 간 KV 캐시를 재사용하여 TPU에서 에이전트 및 구조화된 워크로드를 가속화합니다. CNCF Sandbox 프로젝트인 llm-d 1.0은 PyTorch 서빙 엔진을 Kubernetes와 연결하여 분산 LLM 추론을 수행합니다. TorchTitan은 수천 개의 TPU에서 검증된 대규모 PyTorch 네이티브 분산 고성능 학습을 제공합니다. 인기 있는 RL 프레임워크인 VeRL은 이제 확장 가능한 사후 학습 및 강화 학습 워크로드를 위한 TPU 백엔드를 포함합니다. Ray는 단일 워크플로우 내에서 다양한 가속기 전반에 걸쳐 AI 파이프라인을 오케스트레이션할 수 있도록 네이티브 TorchTPU 지원을 추가했습니다. Google의 온디바이스 AI 추론 솔루션인 LiteRT가 이제 PyTorch 생태계에 합류하여 PyTorch 모델을 다양한 장치에서 실행할 수 있게 되었습니다. TPU 에이전트 스위트도 GitHub에서 초기 미리 보기 상태로 제공되어 TPU에서 PyTorch 모델의 온보딩, 진단 및 성능 튜닝을 자동화합니다.

TorchTPU is now open source: Run native PyTorch on TPUs cloud.google.com

RSS Hunter • 10월 20일

정부 서비스를 위한 제미니 도입

Google은 공공 부문 조직을 위해 설계된 AI 에이전트인 Gemini for government services를 출시했습니다. 이 범용 에이전트는 명시된 목표에 따라 지식 작업을 처리하고, 질문에 답하며, 미디어를 생성하고, 코드를 실행합니다. 데이터 마이그레이션 없이 기존 기관 시스템에 연결되며 엄격한 조직 보안 및 규정 준수 요구 사항을 준수합니다. 정부 버전에는 정책 연구 및 FOIA 검색과 같은 공공 서비스를 위한 전문 기술이 포함되어 있으며 Oracle 및 Microsoft 365와 같은 시스템과 통합됩니다. 사전 구축된 파트너 에이전트 및 시스템 통합업체를 통해 맞춤 설정 및 배포가 가능합니다. Gemini for government services는 Google Cloud에서 운영되어 데이터 개인 정보 보호 및 미국 데이터 상주를 보장합니다. 루틴 작업을 자동화하여 공무원이 더 중요한 업무에 집중할 수 있도록 하는 것을 목표로 합니다. 미리 보기 버전은 Gemini를 특정 산업에 맞게 조정하려는 Google의 더 넓은 전략의 일부입니다. 이 이니셔티브는 복잡한 정부 운영을 가속화하고 시민 서비스를 개선하는 것을 목표로 합니다.

Introducing Gemini for government services cloud.google.com

RSS Hunter • 10월 20일

주권형 AI의 다음 시대를 열다: 최신 Google Distributed Cloud 혁신

에이전트 시스템은 기업에게 점점 더 가치 있는 것이 되고 있지만, 엄격한 데이터 주권 규정을 가진 조직은 이를 배포하는 데 어려움을 겪고 있습니다. 민감한 데이터를 퍼블릭 클라우드로 보내는 것은 종종 선택 사항이 아니며, 프라이빗 AI 스택을 구축하는 것은 시간이 많이 소요됩니다. Google Distributed Cloud(GDC)의 에어갭 혁신은 이제 민감한 데이터가 있는 곳에 직접 배포할 수 있도록 함으로써 이러한 문제를 해결합니다. 주요 발전 사항에는 Gemini 기반 엔터프라이즈 검색, 오픈 웨이트 모델 지원, 턴키 ISV 애플리케이션 및 가속화된 인프라가 포함됩니다. GDC는 격리된 인프라를 기초 및 오픈 모델의 유연성을 갖춘 현대적인 에이전트 혁신 플랫폼으로 전환하는 것을 목표로 합니다. GDC 엔터프라이즈 검색의 Gemini는 주권 경계 내에서 방대한 데이터 저장소를 쿼리하기 위한 대화형 인터페이스를 제공합니다. 이는 낮은 지연 시간 추론과 내장된 검색 증강 생성을 통해 텍스트, 오디오 및 비디오와 같은 멀티모달 데이터를 지원합니다. 이제 일반적으로 사용 가능한 GDC 에어갭은 Gemini 3.5 Flash와 Gemma 및 Mistral과 같은 선도적인 오픈 모델을 지원하여 워크로드 선택권을 제공합니다. 이 플랫폼은 AI 및 기존 워크로드를 함께 실행하기 위한 새롭고 향상된 Infrastructure-as-a-Service 스택을 특징으로 합니다. 여기에는 고성능 에이전트 인프라를 위한 NVIDIA Blackwell GPU가 장착된 A4 Ultra 머신 유형과 탄력적이고 관리되는 네트워킹 솔루션이 포함됩니다. 확장되는 ISV 파트너 생태계는 Teradata, Solo.io 및 Mattermost와 같은 익숙한 소프트웨어를 GDC에서 네이티브로 실행할 수 있도록 합니다. 이러한 통합을 통해 조직은 데이터 개인 정보를 손상시키거나 익숙한 도구를 뒤로하지 않고 AI를 활용하여 민감한 데이터를 규정을 준수하고 안전하며 통제된 에어갭 환경 내에서 실행 가능한 통찰력으로 전환할 수 있습니다.

Enabling the next era of sovereign AI: The latest Google Distributed Cloud innovations cloud.google.com

RSS Hunter • 10월 20일

Google Public Sector Summit 2026의 발표 및 주요 내용

Google은 공공 부문 임무가 기술을 통해 야심찬 목표를 달성하는 방법을 논의하기 위해 정상회담을 개최합니다. 공공 부문 리더들은 복잡성과 제한된 자원 속에서 속도와 효율성에 대한 요구가 증가하고 있습니다. 많은 기관이 AI 에이전트를 채택했지만, 기존 데이터 사일로와 통합 문제로 인해 광범위한 채택이 방해받고 있습니다. Google은 안전하고 확장 가능한 기술로 이러한 프로세스를 단순화하는 것을 목표로 합니다.Google은 기존 시스템과 통합되고 조직 보안 통제를 준수하는 다양한 업무를 위한 범용 비서인 Gemini 에이전트를 출시합니다. Gemini for government services는 공공 부문 보안 및 워크플로우 요구 사항을 위해 설계된 새로운 플랫폼으로, 데이터 마이그레이션 없이 기존 시스템에 안전하게 연결할 수 있습니다. Wiz 에이전트는 이제 Wiz for Gov에서 사용할 수 있으며, 이는 FedRAMP 인증 환경으로, Post-Quantum Cryptography와 같은 중요 우선순위에 대한 복구 속도를 높입니다. Wiz는 또한 Scan for Good 프로그램을 통해 무료 보안 평가를 제공합니다.Enterprise search 기능은 air-gapped 환경을 위한 Google Distributed Cloud의 Gemini에 제공되어 인터넷 침해 없이 분류된 데이터 분석을 가능하게 합니다. America.gov, SUNY, Department of Energy, U.S. Army, Department of War와 같은 조직과의 파트너십은 Google의 기술이 임무에 미치는 영향을 보여줍니다. 이러한 협력은 연방 서비스 액세스를 단순화하고, 연구를 발전시키고, 국가 안보를 강화하고, 물류를 개선하는 데 중점을 둡니다. Case Western Reserve University는 Gemini를 사용하여 학습 및 연구를 향상시키고 있습니다. Google은 에이전트 시대의 임무 파트너로서의 역할을 강조하며, 공공 부문 기관들이 함께 임무를 구축하고 영향을 창출하도록 장려합니다.

Announcements and highlights from Google Public Sector Summit 2026 cloud.google.com

RSS Hunter • 10월 20일

주권 경계 내 관리형 RAG 검색: GDC 엔터프라이즈 검색의 Gemini

기밀 보고서와 같은 민감한 데이터를 다루는 조직은 안전한 데이터 분석 솔루션이 필요합니다. 공용 클라우드 검색 기능은 데이터 주권 규정으로 인해 데이터가 외부로 나가는 것을 막기 때문에 종종 제한됩니다. 이전에는 분리된 환경을 위한 복잡하고 시간이 많이 드는 맞춤형 인프라 개발이 필요했습니다. 현재 Google Distributed Cloud(GDC) 에어게이프드는 Gemini와 함께 이러한 문제를 해결하기 위한 기업 검색을 제공합니다. 이 완전 관리형 검색 증강 생성 검색은 인터넷과 분리된 안전한 물리적 경계 내에서 완전히 실행됩니다. 사용자는 파일을 업로드하고 Gemini에 인용된 출처와 지속적인 대화를 통해 정보를 찾고, 요약, 비교 또는 번역을 요청할 수 있습니다. 이를 통해 별도의 전사 작업 없이도 오디오, 비디오, 이미지 등 다양한 형식의 인사이트를 해제할 수 있습니다. 시스템은 기존 신원 제공자와 통합되어 필요한 정보 접근을 가능하게 하여 프라이버시를 보장합니다. 데이터는 정지 상태와 전송 시 암호화되며, 보안 통제는 정부 표준에 부합합니다. Gemini의 로컬 코드 실행 엔진은 구조화된 데이터에서 분석 쿼리를 안전하게 처리합니다. 이 솔루션은 보안을 저해하지 않으면서 주권 데이터 센터에 첨단 멀티모달 인텔리전스를 제공합니다.

Managed RAG search inside the sovereign perimeter: Gemini on GDC enterprise search cloud.google.com

RSS Hunter • 10월 20일

Gemini에서 MCP 앱을 구현하기 위한 개발자 가이드

엔터프라이즈 어시스턴트는 주로 텍스트를 사용하는데, 이는 빈번한 조정이 필요한 시각적이고 다단계 작업에는 비효율적입니다. Model Context Protocol의 확장인 MCP Apps는 Gemini Enterprise 채팅 흐름 내에서 직접 렌더링되는 라이브 사용자 인터페이스와 도구를 페어링하여 이를 해결합니다. 샌드박스 처리된 iframe에 포함된 이러한 대화형 UI는 전체 화면 또는 측면 패널로 확장될 수 있습니다. 편집은 로컬에서 처리되어 워크스페이스와 어시스턴트 간의 동기화를 유지합니다. 이 접근 방식은 Gemini Enterprise를 인증, 데이터 액세스 및 기본 어시스턴트에 활용하여 핵심 인프라를 재구축할 필요성을 없앱니다. 사용자는 개인 Cloud Run 서비스에 MCP 서버를 호스팅합니다. 세대에 걸쳐 엔터프라이즈 어시스턴트는 정적 텍스트 챗봇에서 라이브 API를 호출하는 챗봇으로, 이제 라이브 워크스페이스를 갖춘 대화형 MCP 앱으로 발전했습니다. MCP 앱은 반응형 사용자 경험, 목적별 워크플로, 엔터프라이즈급 보안, 인간 참여 거버넌스 및 광범위한 연결성을 제공합니다. 아키텍처는 클라이언트 브라우저, Gemini Enterprise 및 사용자의 Google Cloud 프로젝트의 세 가지 분리된 계층을 포함합니다. 보안은 Cloud Run IAM 및 인앱 OAuth의 두 가지 인증 계층을 통해 시행됩니다. MCP 앱을 구축하려면 서버와 HTML 위젯을 생성하고, Cloud Run에 배포하고, Gemini Enterprise 내에 등록해야 합니다. 등록되면 MCP 도구는 작업으로 가져와 활성화하고 Gemini Enterprise 앱에 연결하여 원활한 통합을 제공할 수 있습니다.

Developer’s guide to implementing MCP apps in Gemini cloud.google.com

RSS Hunter • 10월 19일

Google Cloud에서 완전한 가상 차량 구축: AAOS부터 가장 작은 MCU까지

자동차 산업은 핵심 기능을 물리적 하드웨어에서 디지털 시스템으로 옮기며 소프트웨어 중심 차량으로 빠르게 전환하고 있습니다. 인포테인먼트 및 고성능 컴퓨팅 시스템은 종종 클라우드 네이티브 방식으로 개발되지만, 많은 중요한 마이크로칩 및 제어 모듈은 여전히 하드와이어링되어 있습니다. 이는 제조 후 업데이트 및 확장을 어렵게 만들고 개발 주기 후반으로 비용이 많이 드는 결함 해결을 미루는 상당한 병목 현상을 야기합니다.Google은 RemotiveLabs 및 Horizon 플랫폼과의 파트너십을 통해 이러한 비효율성을 해결하고자 합니다. Android Automotive OS(AAOS)는 이미 Arm 기반 Google Cloud 인스턴스에서 Cuttlefish와 같은 가상 테스트 환경을 활용하여 원활한 콕핏 소프트웨어 개발을 지원하고 있습니다. RemotiveTopology는 이 가상 모델을 차량의 전체 전기 및 전자(E/E) 아키텍처로 확장합니다.차량 네트워크를 "코드로서의 차량(vehicle-as-code)"으로 변환함으로써 RemotiveTopology는 AAOS를 다른 차량 시스템과 연결하는 완전한 시뮬레이션 E/E 아키텍처를 생성합니다. 이를 통해 개발자는 필요에 따라 완전한 가상 차량을 즉시 구동할 수 있으며, 지속적인 신호 및 교차 도메인 가시성을 확보할 수 있습니다. 표준 Linux 도구를 기반으로 구축된 이 시스템은 노트북부터 Google Cloud까지 다양한 플랫폼에서 실행됩니다.이 접근 방식은 물리적 하드웨어가 관여하기 전에 가상 환경 내에서 모든 온보드 시스템의 조기 통합을 가능하게 합니다. ADAS 이벤트가 인포테인먼트 클러스터에 표시되는 것과 같은 중요하고 다중 도메인 상호 작용은 처음부터 지속적으로 테스트할 수 있습니다. 이러한 조기 통합은 개발 프로세스 후반에 결함을 발견할 가능성과 비용을 크게 줄여줍니다.궁극적인 목표는 가장 작은 차량 부품에 대해서도 확장 가능한 소프트웨어 개발을 가능하게 하여 완전한 소프트웨어 중심 차량으로의 격차를 해소하는 것입니다. Axion의 베어메탈 C4A 인스턴스를 포함한 Google Cloud의 Arm 기반 인프라는 클라우드에서 개발된 소프트웨어와 실제 차량 제어 모듈 간의 동등성을 보장합니다. 이 전체 시스템을 통해 처음으로 클라우드에서 전체 차량 시스템 개발 및 통합 테스트를 수행하고 이를 물리적 차량에 직접 적용할 수 있습니다.초기 고객 참여에서 측정된 바와 같이 10배 이상 빠른 통합 주기와 같은 상당한 이점이 있습니다. 가상 시스템은 AI 지원 워크플로우의 속도를 따라잡는 데 중요하며, 이는 차량 소프트웨어를 신속하게 생성, 테스트 및 개선합니다. RemotiveTopology는 이 아키텍처를 접근 가능하게 만들며, 새로운 타사 도구 없이 즉시 사용할 수 있는 GitHub의 오픈 소스 단순화된 차량을 제공합니다.제조업체는 기존 도구 체인을 활용하고 Arm 기반 Google Cloud 환경에 RemotiveTopology를 쉽게 통합할 수 있습니다. 현재 가상 개발을 콕핏으로 제한하고 있는 경우, 이 혁신적인 접근 방식을 통해 클라우드에서 전체 차량으로 확장할 때입니다.

Building full virtual vehicles on Google Cloud: From AAOS to the smallest MCU cloud.google.com

RSS Hunter • 10월 19일

누가 판사를 심판하는가? LLM 평가자를 감사하는 세 가지 유용한 방법

흔한 기술적 오해는 AI가 객관적인 평가를 제공한다는 것이지만, LLM은 인간처럼 주관적입니다. LLM 심사위원은 명확한 형식이 그들을 오도할 수 있는 장황함 편향, 위치 편향, 후광 효과를 포함한 여러 편향을 보입니다. 또한 그들은 동의 편향을 보여 오류를 감지하지 못하고, 자신의 결과물을 선호하는 자기 강화 편향을 보입니다. 따라서 LLM 심사위원은 객관적이지 않으며 그들을 무오류로 취급하는 것은 작업의 손상을 초래할 위험이 있습니다. LLM 심사위원의 품질을 개선하기 위해 세 가지 기둥으로 구성된 방법이 제안됩니다. 첫 번째 기둥은 동일한 입력에 대해 여러 번의 통과를 거쳐 일관성을 확인하여 내부 안정성을 측정하는 것입니다. 두 번째 기둥은 우연 수정 지표를 사용하여 그들이 관대한 점수에 동의하는 것이 아니라 실제 오류를 식별하도록 인간 정렬을 검증하는 것을 포함합니다. 세 번째 기둥은 성능을 추적하고 차이점을 식별하기 위해 전문화된 채점 및 여러 모델을 동시에 실행하기 위해 분해된 프롬프팅을 사용하는 다중 심사위원 앙상블을 사용하는 것을 옹호합니다. Delta와 파트너십을 맺으면 통계적으로 감사된 평가 파이프라인을 구현하는 데 도움이 될 수 있습니다.

Who judges the judge? Three helpful ways to audit your LLM evaluators cloud.google.com

RSS Hunter • 10월 19일

파이썬 UDF 로깅을 활용한 파이프라인 가시성 확보 방법

BigQuery가 이제 Python UDF 로깅을 지원하여 개발자가 Python의 표준 로깅 라이브러리를 사용하여 구조화된 로그를 Cloud Logging으로 직접 내보낼 수 있습니다. 이 새로운 기능은 외부 플러그인 없이 운영 모니터링 및 디버깅을 용이하게 하며, 특히 내결함성 데이터 파이프라인 구축에 유용합니다. 워크플로우에는 Python UDF 내의 인라인 유효성 검사, 로그 기반 메트릭을 통한 Cloud Monitoring을 통한 실시간 알림, SQL을 사용한 쿼런틴된 데이터의 분류/재실행이 포함됩니다.실제 예시는 전자상거래 이벤트 수집 파이프라인을 보여줍니다. 일반 Python UDF는 JSON을 파싱하고, 유효하지 않은 레코드에 대한 진단 정보를 기록하며, 쿼리 실패를 방지하기 위해 NULL을 반환합니다. 로깅은 BigQuery 세션에서 SET @@udf.properties를 통해 활성화됩니다.UDF 오류에 대한 특정 로그 필터를 사용하여 Cloud Logging에서 실시간 알림을 구성할 수 있습니다. 포렌식 분석을 위해 연결된 _AllLogs 뷰에 대한 BigQuery Log Analytics를 사용하면 데이터 엔지니어가 SQL을 사용하여 쿼런틴된 페이로드를 직접 쿼리할 수 있습니다. 원시 페이로드가 보존되므로 문제가 있는 레코드를 복구하여 프로덕션 테이블에 다시 수집할 수 있어 데이터 손실이 발생하지 않습니다.데이터 유효성 검사를 넘어 이 로깅 기능은 안전한 마이그레이션을 위한 섀도우 실행, PII 삭제 감사, ML 추론 드리프트 감지와 같은 사용 사례를 지원합니다. 모범 사례에는 디버그 출력을 활성화하고, 로그에 민감한 데이터를 피하고, 선택적 로깅을 통해 로깅 비용을 관리하는 것이 포함됩니다. 이 통합은 디버깅을 간소화하고 BigQuery 내에서 데이터 파이프라인의 복원력을 향상시킵니다.

How to Use Python UDF Logging for Pipeline Observability cloud.google.com

RSS Hunter • 10월 19일

Google, 2026 IDC MarketScape for Agentic AI Platforms에서 리더로 선정

조직은 비즈니스 전반에 AI 에이전트를 배포하는 데 있어 상당한 어려움에 직면하며, 원시 모델 지능보다 품질, 통합, 보안 및 거버넌스를 우선시합니다. Google의 Gemini는 이러한 배포 장애물을 해결하기 위해 설계된 기반 플랫폼으로 제시됩니다. 이를 통해 에이전트는 Google Workspace 및 Microsoft 365와 같은 익숙한 사용자 환경 내에서 일관된 메모리와 권한을 유지하며 작동할 수 있습니다. Gemini는 또한 200개 이상의 모델 선택과 Salesforce 및 SAP와 같은 엔터프라이즈 데이터 소스와의 직접적인 통합을 제공하며 급진적인 개방성을 옹호합니다. 이 플랫폼은 각 작업에 적합한 모델을 선택하고 재사용 가능한 스킬을 허용하여 비용을 최적화하는 스마트 토큰 경제를 사용합니다. 이 접근 방식은 효율성을 향상시키고 중복 처리를 줄입니다. 또한 Gemini는 전용 에이전트 ID, 격리된 샌드박스 및 자동 정책 시행을 포함한 내장형 거버넌스 및 보안 기능을 통합합니다. 이러한 안전 장치는 민감한 데이터와 인프라를 보호합니다. 이 플랫폼은 빌더에게 신뢰할 수 있고 개방적인 환경을 제공하여 AI 배포에 대한 자신감을 높이는 것을 목표로 합니다. 에이전트 AI 플랫폼을 위한 최초의 IDC MarketScape에서 Google의 리더십은 엔터프라이즈 AI 요구를 충족하는 Gemini의 역량을 강조합니다. Gemini의 디자인은 AI 통합을 위한 선택권과 강력한 보안으로 팀에 권한을 부여하는 데 중점을 둡니다.

Google named a Leader in the 2026 IDC MarketScape for Agentic AI Platforms cloud.google.com

RSS Hunter • 10월 19일

Google Cloud에서 Reflection의 Beam에 대한 Day 0 지원: llm-d 및 NVIDIA Dynamo를 통한 5배 빠른 성능

Reflection이 고급 소프트웨어 엔지니어링 및 장기 에이전트 작업용으로 설계된 오픈 웨이트 모델인 Beam을 출시했습니다. Beam은 Apache 2.0 라이선스로 운영되며, 해당 파라미터 클래스의 모델에 대해 인상적인 추론 효율성을 제공합니다. Google Cloud는 Beam에 대한 즉각적인 지원을 발표했으며, AI Hypercomputer 및 NVIDIA AI Infrastructure에서 배포 레시피를 제공합니다. Reflection과 함께 Google Cloud는 llm-d 및 NVIDIA Dynamo를 사용하여 Beam의 성능을 최적화하여 서빙을 강화했습니다. Google Cloud에 Beam을 배포한 결과 에이전트 작업에 대한 성능이 크게 향상되고 지연 시간이 단축되었습니다. 이번 출시는 모델 및 시스템 효율성의 복합적인 향상을 강조하며, 에이전트의 처리량 증가 및 지연 시간 감소로 이어집니다. 고효율 다중 턴 서빙은 KV 캐시 인식 라우팅 및 추측 디코딩과 같은 고급 기술을 통해 달성됩니다. 개발자는 이제 에이전트 작업에 대한 턴키 최적화 배포의 이점을 쉽게 누릴 수 있습니다. 에이전트 작업에 대한 추론을 확장하려면 모델 및 서빙 시스템 계층 모두에서 최적화가 필요합니다. Beam의 고유한 아키텍처는 토큰당 파라미터의 일부만 활성화하여 컴퓨팅 요구 사항을 대폭 줄입니다. 서빙 스택은 장기 컨텍스트 시나리오에서 사전 채우기 컴퓨팅 및 KV 캐시 용량과 같은 병목 현상을 해결합니다. 이 공동 개발 솔루션은 개발자에게 강력하고 효율적인 AI 도구를 제공하는 것을 목표로 합니다.

Day 0 support for Reflection’s Beam on Google Cloud: 5x faster perf with llm-d and NVIDIA Dynamo cloud.google.com

RSS Hunter • 10월 16일

GKE용 Wiz Runtime Sensor 애드온 발표: 쿠버네티스용 턴키 위협 탐지

AI 시대는 보안 위협을 가속화하여 능동적인 공격에 대한 기존 스캔을 불충분하게 만듭니다. Wiz는 Google Kubernetes Engine(GKE)용 Runtime Sensor 애드온을 프리뷰로 출시합니다. 이 통합은 Wiz의 eBPF 런타임 위협 탐지를 위한 로우 터치 배포 및 자동화된 관리를 제공합니다. 복잡한 설치 및 자격 증명 보안 위험과 같은 일반적인 배포 문제를 해결합니다. GKE용 Wiz Runtime Sensor는 이제 센서 수명 주기 관리를 단순화하는 퍼스트 파티 관리형 애드온입니다. 안전한 자격 증명 처리를 위해 GKE의 Secret Manager와 원활하게 통합됩니다. 플랫폼 운영자는 gcloud CLI 또는 GKE API를 사용하여 센서를 활성화하여 배포를 단순화할 수 있습니다. 조직 정책 제약을 통해 클러스터에 센서가 없는 것을 방지하여 전체 플릿에 대한 거버넌스가 시행됩니다. 이 센서는 최소한의 오버헤드로 커널 수준의 가시성을 제공하며 시스템 호출 및 네트워크 활동을 모니터링합니다. 또한 독립적으로 자동 업데이트되어 새로운 위협에 대한 지속적인 보호를 보장합니다. Wiz AI Application Protection Platform과의 이 통합은 실시간 위험 평가 및 위협 탐지를 제공합니다.

Announcing Wiz Runtime Sensor add-on for GKE: Turnkey threat detection for Kubernetes cloud.google.com

RSS Hunter • 10월 16일

SAVE 메서드: 신뢰할 수 있는 생성 미디어 엔지니어링을 위한 기본 사항 학습

Google Cloud 컨설팅은 신뢰할 수 있고 브랜드에 부합하는 생성 미디어를 만들기 위해 SAVE라는 4단계 방법을 제공합니다. 이 접근 방식은 복잡한 프롬프팅을 넘어 일관된 결과를 보장합니다. 첫 번째 단계인 Separate는 프롬프트를 연구원과 스토리텔러의 별도 역할로 나누는 것을 포함합니다. 연구원은 원본 문서에서 검증된 사실을 추출하고, 스토리텔러는 해당 큐레이션된 정보를 사용하여 창의적인 표현에 집중합니다. 두 번째 단계인 승인된 사실만 승인한다는 것은 생성 모델이 원시, 편집되지 않은 파일에 절대 액세스해서는 안 된다는 것을 의미합니다. 대신, 명시적인 제약 조건과 함께 승인된 문장과 컨텍스트 패키징만 받아야 합니다. 세 번째 단계인 렌더링 전 검증은 미디어 생성 전에 스크립트와 스토리보드를 검토하는 것을 강조합니다. 이를 통해 텍스트 기반 콘텐츠의 오류를 조기에 발견하기 위한 쉬운 편집이 가능하여 시간과 리소스를 절약할 수 있습니다. 마지막 단계인 Engineer는 시스템에 프로그래밍 가능한 가드레일과 독립적인 안전 게이트를 구축하는 것을 포함합니다. 이는 프롬프트 복종에만 의존하는 대신 단어 수 및 브랜드 준수와 같은 규칙을 결정론적으로 시행합니다. SAVE를 구현함으로써 조직은 조작된 세부 정보의 위험을 줄이고 생성 미디어의 정확성을 보장할 수 있습니다. 이 방법은 시스템 아키텍처 내에서 정확성에 대한 책임을 부여합니다. SAVE를 적용하면 Google Cloud 도구를 사용하여 생성 미디어 전반에 걸쳐 신뢰를 구축하는 데 도움이 됩니다.

The SAVE method: Learn the fundamentals to engineer trustworthy generative media cloud.google.com

RSS Hunter • 10월 16일

에이전트 플러그인 구축에서 얻은 네 가지 평가 엔지니어링 교훈

에이전트 시스템 구축의 진정한 과제는 구축이 아니라 측정입니다. 신뢰할 수 있는 AI 시스템을 만들기 위해서는 체계적이고 반복 가능한 테스트를 구현하는 평가 엔지니어링이 중요합니다. Google Cloud Developer 플러그인을 개발하면서 이러한 평가 원칙에 대한 실제적인 통찰력을 얻었습니다.핵심 교훈 중 하나는 최종 요약뿐만 아니라 실행 단계를 평가해야 한다는 것입니다. LLM 판사가 에이전트의 텍스트 응답에 점수를 매기는 것에 의존하는 것보다, 도구 호출의 원시 궤적을 평가하고 실행된 명령, 검증된 명령, 범위가 지정된 명령을 확인하는 것이 더 정확합니다. 또 다른 교훈은 비동기 작업을 위한 평가를 설계해야 한다는 점을 강조합니다. 텔레메트리에서 턴 구조를 보존하는 것은 동시 도구 디스패치를 이해하고 작업이 수행된 후에 지침이 처리되는 문제를 피하는 데 필수적입니다.실제 실행과 "드라이런"을 나란히 테스트하는 것도 중요합니다. 실제 실행은 실제 실행과 안전을 확인하는 반면, 계획만 실행하는 것은 권한 오류 없이 모델의 추론을 드러냅니다. 이 두 가지의 차이는 상당한 인지적 결함을 드러낼 수 있습니다. 마지막으로, "골든 세트"를 내구성 있는 기준선으로 사용하는 것이 좋습니다. 이 세트는 전문가가 선별한 이상적인 경로를 나타내며 모델 및 하네스 진화에 대한 안전망 역할을 합니다.이러한 평가 스위트는 다단계 상호 작용 및 권한을 처리하는 엔터프라이즈급 에이전트에게 필수적입니다. 안정적인 에이전트를 구축하고 출시하려면 예상되는 동작을 보장하기 위해 평가에 더 많은 노력이 필요합니다. 스트레스 테스트된 평가 스위트의 내구성은 궁극적으로 모델 변경보다 오래 지속됩니다.

Four evaluation engineering lessons learned from building agent plugins cloud.google.com

RSS Hunter • 10월 16일

자율성 설계: 고성능 컴퓨팅, 거버넌스 기반 생명공학 에이전트를 위한 디자인 패턴

현대의 AI 에이전트는 프롬프트와 API 호출을 신속하게 처리하는 단순한 디스패처 역할을 합니다. 그러나 단백질 접힘 및 화합물 스크리닝과 같은 생명공학 작업은 빠른 API 조회와 달리 복잡하고 지속적인 시뮬레이션입니다. 표준 AI 패러다임은 타임아웃 및 IP 노출 위험으로 인해 이러한 까다로운 워크플로우에서 실패합니다. 엔터프라이즈급 R&D 에이전트를 구축하려면 모놀리식 어시스턴트를 넘어서는 새로운 접근 방식이 필요합니다. 여기에는 인지 오케스트레이션, 계산 실행 및 엔터프라이즈 거버넌스를 분리하는 3계층 아키텍처가 포함됩니다.실행 계층은 전용 GPU 또는 관리형 클라우드 엔드포인트에서 실행되는 워크로드를 통해 무거운 과학 계산을 처리합니다. GPU 콜드 스타트 페널티를 완화하기 위해 반응성을 유지하려면 웜 풀 유지 관리 및 가중치 사전 로딩이 중요합니다. 컨테이너화된 NVIDIA Inference Microservices(NIM)는 독점 화학 정보에 대한 엄격한 데이터 격리를 유지하면서 신속한 프로토타이핑을 보장합니다. 인지 계층은 계층적 다중 에이전트 구조를 사용하여 에이전트 워크플로우를 오케스트레이션합니다.주요 오케스트레이션 패턴에는 속도를 위한 인프로세스 네이티브 에이전트 핸드오프와 컨텍스트 창을 작게 유지하기 위해 클라우드 스토리지를 통해 참조로 대용량 페이로드를 전달하는 것이 포함됩니다. 워크플로우 로직은 생화학적 추론과 분리되어 일반 LLM에 계획을 할당하고 전문 모델에 도메인 전문 지식을 할당합니다. 평가는 엄격한 차단 대신 컨텍스트 기반 평가를 통합하여 신약 후보 평가에서 동적 위험 허용치를 허용합니다.성능 모범 사례는 원시 토큰 속도보다 I/O 및 페이로드 크기 최적화에 중점을 둡니다. 클라이언트 측 동시성을 백엔드 메커니즘과 일치시키고 깊은 도구 체인을 피하는 것도 중요합니다. 참조로 대용량 페이로드를 전달하고 중간 단계 완료를 스트리밍하면 가시성과 효율성이 향상됩니다. 엔드투엔드 파이프라인을 단일의 깔끔한 인터페이스 뒤에 래핑하면 컴퓨팅이 단순화됩니다.Gemini 플랫폼은 에이전트 ID, 보안 인바운드/아웃바운드 트래픽을 위한 에이전트 게이트웨이, 승인된 도구를 위한 에이전트 레지스트리를 통해 엔터프라이즈 거버넌스를 제공합니다. Model Armor는 보안을 위해 프롬프트와 페이로드를 검사합니다. 비대칭 자율성은 인간의 승인이 필요한 게이트 방식의 되돌릴 수 없는 작업과 되돌릴 수 있는 자동화된 작업을 균형 있게 조정합니다. 이 분리된 아키텍처는 향후 복잡한 시뮬레이션을 위한 확장 가능하고 안전하며 감사 가능한 연구 시스템을 보장합니다.

Architecting autonomy: A design pattern for high-compute, governed agents in biotech cloud.google.com

RSS Hunter • 10월 16일

경계 보안 현대화: VPC Service Controls를 이용한 확장 가능한 경계

클라우드 운영에서의 자율 에이전트는 비인간적 신원과 대규모로 작동할 수 있는 능력 때문에 새로운 보안 과제를 제시합니다. 기존의 네트워크 경계는 기계 속도 공격에 대해 불충분하며 너무 제한적이거나 허용적일 수 있습니다. 향상된 VPC 서비스 제어(VPC-SC)는 이제 더 쉬운 경계 생성, 유지 관리 및 확장을 제공합니다. VPC-SC의 폴더 멤버십은 폴더 내 프로젝트가 보안 정책을 자동으로 상속할 수 있도록 합니다. 거부된 액세스에 대한 세분화된 예외 및 안내된 복구가 이제 가능합니다. 이를 통해 데이터는 기본적으로 보호되며 자율 에이전트의 안전한 확장을 가능하게 합니다. VPC-SC는 데이터 도난 및 내부자 위협에 대한 컨텍스트 인식 네트워크 보안 경계를 제공합니다. 수신/발신 규칙의 폴더 및 조직 지원은 관리를 단순화하고 규칙을 간결하게 유지합니다. Private Service Connect 엔드포인트는 이제 수신/발신 규칙에서 사용하여 더 정확한 정책 작성을 할 수 있습니다. 서비스 패턴을 통해 Google API 액세스에 대한 세분화된 제어가 제공되며, 특정 URL 패턴을 허용합니다. 안내된 위반 복구는 합법적인 액세스 요청을 승인하는 프로세스를 간소화하여 해결 시간을 크게 단축합니다.

Modernizing perimeter security: Scalable perimeters with VPC Service Controls cloud.google.com

RSS Hunter • 10월 15일

Gemini 에이전트가 스타트업에 의미하는 것

Google for Startups는 스타트업 팀이 운영 오버헤드를 극복하고 핵심 제품 개발에 집중할 수 있도록 Gemini 에이전트를 도입했습니다. 이 통합되고, 어디에나 존재하며, 지속적인 에이전트는 개인 비서이자 전담 팀원 역할을 합니다. 복잡한 작업을 위해 동적으로 하위 에이전트를 생성하며 글쓰기, 코딩, 데이터 분석과 같은 다양한 작업을 처리합니다. Gemini 에이전트는 일상적인 도구 및 클라우드 서비스 전반에 걸쳐 통합되어 길고 다단계 프로세스에 대한 컨텍스트를 유지합니다. 창업자는 시장 조사부터 피치덱 제작까지 작업을 자동화하는 디지털 최고 비서처럼 이를 활용할 수 있습니다.스타트업을 위한 주요 이점에는 동료 에이전트 및 재사용 가능한 기술을 통한 출력 확장 기능이 포함됩니다. 벤더 종속 없이 비용을 최적화하는 다양한 AI 모델 중에서 선택할 수 있습니다. 이 에이전트는 기존 엔지니어링, 데이터 및 비즈니스 도구와 원활하게 연결되어 사용자 정의 커넥터의 필요성을 줄입니다. 에이전트 ID 및 격리된 샌드박스를 포함한 내장 엔터프라이즈급 보안 및 거버넌스 기능은 B2B 스타트업이 조달 장애물을 제거하는 데 도움이 됩니다. 실시간 비용 제어 및 지출 한도는 예상치 못한 청구 문제를 방지하여 런웨이를 보호합니다. Whenere와 같은 초기 채택자들은 이미 Gemini 플랫폼을 사용하여 효율적으로 자산을 생성하고 있습니다. 스타트업은 이러한 기능에 대해 자세히 알아보려면 Google for Startups에 문의할 수 있습니다.

What the Gemini agent means for startups cloud.google.com

RSS Hunter • 10월 15일

Gemini를 위한 혁신으로 국경 없는 레이크하우스를 에이전트 시대에 도입

기업들은 AI를 챗봇에서 자율 에이전트로 옮기고 있지만, 분산된 데이터로 어려움을 겪고 있습니다. 이 병목 현상은 보안 위험 없이 에이전트가 진정한 실행 시스템이 되는 것을 방해합니다. 국경 없는 Lakehouse와 통합된 Gemini가 이제 솔루션을 제공합니다. 이 통합을 통해 Gemini는 데이터 이동 없이 클라우드, SaaS 플랫폼 및 온프레미스 시스템 전반의 데이터에 액세스하고 추론할 수 있습니다. 비즈니스 사용자는 자연어를 사용하여 다양한 데이터 소스를 쿼리할 수 있습니다. AI 에이전트는 이 데이터를 기반으로 추론 및 코드 생성을 활용할 수 있습니다. 국경 없는 Lakehouse의 새로운 발전에는 크로스 클라우드 지원 및 Apache Iceberg 호환성이 포함됩니다. 전용 네트워크 연결 및 캐싱을 통해 페타바이트 규모의 추론 성능이 향상됩니다. Iceberg 메타데이터에 대한 최적화는 쿼리 엔진 효율성을 향상시킵니다. 읽기-쓰기 상호 운용성은 공유 Iceberg 테이블에서 원활한 작업을 가능하게 합니다. AlloyDB lakehouse federation은 데이터베이스 및 웨어하우스 데이터를 함께 쿼리할 수 있도록 합니다. Lakehouse 런타임 카탈로그는 엔터프라이즈 데이터를 통합하여 에이전트에 대한 컨텍스트를 제공합니다. SaaS 애플리케이션과의 제로 카피 데이터 통합이 이제 확장되었습니다. Databricks Delta Lake 자산을 Lakehouse로 동기화할 수 있습니다. 실제 사례는 상당한 성능 향상과 현대화를 보여줍니다. 레거시 시스템에서 국경 없는 Lakehouse로의 마이그레이션이 이제 간소화되었습니다.

Bringing the borderless Lakehouse into the agentic era with innovations for Gemini cloud.google.com

RSS Hunter • 10월 15일

Cloud Run의 Temporal Serverless Workers: 수요 예측보다 앞서 워커 확장

분산 시스템 및 AI 에이전트에 중요한 Temporal 실행 플랫폼은 워커 배포 및 확장과 관련하여 어려움에 직면해 있습니다. 기존 방식은 종종 Kubernetes 또는 VM 관리를 포함하여 지속적인 비용과 확장 지연을 초래합니다. Temporal Cloud는 이제 Cloud Run에서 서버리스 워커를 제공하여 이러한 문제를 해결합니다. 이러한 워커는 Temporal이 자동으로 확장하는 "워커 풀"로 배포되며, 유휴 상태일 때는 0까지 축소됩니다. 이를 통해 클러스터 또는 자동 확장기 관리의 필요성이 사라지고 워커 코드는 변경되지 않습니다.Cloud Run 워커 풀은 Temporal 워커가 작동하는 방식과 일치하는 지속적인 백그라운드 작업을 위해 설계되었습니다. Temporal Cloud는 작업 큐를 모니터링하고 Cloud Run Admin API를 통해 워커 풀 크기를 조정합니다. 워커의 각 빌드 버전은 자체 풀에서 실행되어 이전 버전이 필요할 때까지 0으로 축소될 수 있습니다. 이 기술은 AI를 위한 자동 확장 에이전트 워커를 가능하게 하고, 장기 실행 워크플로우를 효율적으로 처리하며, 비용 절감을 통해 버스티 배치 처리를 지원합니다.이전에는 Cloud Run에서 Temporal 워커를 실행하려면 포트 리스너 및 인스턴스 결제에 대한 해결 방법이 필요했습니다. 워커 풀은 이러한 문제를 제거하여 엔드포인트 관리 없이 낮은 비용으로 안정적인 CPU를 제공합니다. 확장이 리비전 변경을 유발하지 않으며, Temporal은 작업 백로그 지연 시간을 모니터링하여 성장을 관리합니다. 가용성을 보장하기 위해 축소는 더 보수적으로 이루어지며, 워커에 대한 구성 가능한 정상 종료를 지원합니다.Cloud Run의 Temporal 서버리스 워커는 상태 저장 결정론적 워크플로우에 중요한 Temporal 워커 버전 관리도 시행합니다. 새 코드를 배포하려면 각 버전에 대해 별도의 워커 풀을 생성하여 실행 중 오류를 방지합니다. 워크플로우는 원래 버전에 유지되거나 워크플로우 유형에 따라 자동 업그레이드로 구성될 수 있습니다. 설정에는 워커 컨테이너화, Cloud Run 워커 풀로 배포, Temporal Cloud 권한 부여, 워커 배포 버전 생성이 포함됩니다. 이 새로운 기능은 현재 미리 보기 상태입니다.

Temporal Serverless Workers on Cloud Run: Scale workers ahead of demand cloud.google.com

RSS Hunter • 10월 15일

Visko가 Google Cloud TPU에서 실시간 월드 모델을 스트리밍하는 방법

생성형 AI 스타트업들은 이제 정적인 클립뿐만 아니라 상호작용적이고 실시간 세계를 개발하고 있습니다. Visko는 Google Cloud TPU 엔지니어들과 협력하여 30일 만에 라이브 월드 모델인 Orbis를 Cloud TPU에 배포했습니다. 라이브 월드 모델을 제공하는 것은 오프라인 비디오 생성과는 달리 엄격한 실시간 시계를 맞추는 독특한 과제를 제시합니다. 월드가 멈추는 것을 방지하기 위해 모든 비디오 및 오디오 청크는 이전 청크가 끝나기 전에 렌더링되어야 합니다. Visko의 Orbis는 단일 프롬프트에서 라이브 비디오를 스트리밍하고 시청자가 실시간으로 장면을 동적으로 제어할 수 있도록 합니다. 팀은 비디오 생성, 업스케일링 및 오디오를 포함한 Visko의 엔드투엔드 추론 파이프라인을 단일 Cloud TPU 슬라이스에 성공적으로 배포했습니다. 그들은 아키텍처 최적화와 정밀한 엔지니어링을 통해 1.07배 재생 속도로 엔드투엔드 생성을 달성했습니다. 이 기술 심층 분석은 Google Cloud에서 초저지연 생성형 AI를 구축하는 스타트업을 위한 최적화 및 실질적인 교훈을 탐구합니다. 라이브 월드 모델은 배치 크기가 1이고 엄격한 순차적 종속성 때문에 표준 배치 추론과 근본적으로 다릅니다. Visko의 파이프라인은 하나의 Cloud TPU 슬라이스에 세 개의 생성 모델을 체인으로 연결하여 각 청크에 대해 하드웨어를 공유합니다.

How Visko streams real-time world models on Google Cloud TPUs cloud.google.com

RSS Hunter • 10월 15일

아머리 캐슬, 비욘드트러스트를 활용하다

BeyondTrust는 자사의 Remote Support 어플라이언스에서 임의 파일 업로드를 허용하는 취약점 CVE-2026-102764를 공개했습니다. Mandiant는 중국 연계 배우 ARMORY CASTLE이 2026년 8월 말에 이를 제로데이로 악용한 것으로 발견했습니다. 해당 배우는 SAWFLY라는 맞춤형 PHP 웹쉘을 사용하여 발판을 마련했으며, 이는 암호화된 C2를 통해 통신했습니다. 시스템 바이너리의 SUID 권한을 조작하여 root 권한 상승을 달성했습니다. ARMORY CASTLE은 이후 독점 bt-secrets CLI 유틸리티를 사용하여 자격 증명을 수집했습니다. 장기적인 지속성을 위해 서비스 계정에 대한 암호 없는 root 액세스를 부여하기 위해 어플라이언스 구성 템플릿을 수정했습니다. 위협 배우는 탐지를 회피하고 포렌식 분석을 방해하기 위해 적극적으로 로그를 삭제했습니다. 또한 손상된 관리자 자격 증명을 악용하여 BeyondTrust 웹 포털에 액세스했습니다. 더욱이 ARMORY CASTLE은 사용자 권한을 수정하여 하위 시스템에 대한 영구적인 무제한 원격 액세스 권한을 얻었습니다. 마지막으로 BARECLAW라는 맞춤형 터널러를 사용하여 데이터를 유출하고 네트워크 내에서 측면 이동을 수행했습니다.

ARMORY CASTLE Exploits BeyondTrust cloud.google.com

RSS Hunter • 10월 15일

일시적 공급망 조작 조사

Google 위협 인텔리전스 그룹(Google Threat Intelligence Group)과 Mandiant는 AOMEI Technology를 대상으로 한 소프트웨어 공급망 공격을 조사했습니다. 위협 행위자인 UNC7017은 5분에서 10분이라는 매우 짧은 시간 동안 AOMEI의 업데이트 서버를 반복적으로 조작했습니다. 이 전술은 기존 보안 탐지 방법을 회피하기 위해 고안되었습니다. 이 캠페인은 CROSSROAD 다운로더와 SHINYROAD 백도어를 포함한 다단계 페이로드를 전달했습니다. UNC7017은 클라우드 제공업체에서 전용 도메인 및 클라우드 스토리지로 인프라를 전략적으로 전환했습니다. 여러 국가의 다양한 부문 조직이 이 기회주의적 캠페인의 영향을 받았습니다. ManagedEngine 위협 분석 연구소(ManagedEngine Threat Analysis Lab, METAL)는 EDR 텔레메트리를 통해 이 활동을 처음 탐지했습니다. GTIG는 이후 영향을 받은 조직에 알리고 AOMEI와 조사 결과를 공유했으며, AOMEI는 수정 조치를 취했습니다. 이 공격은 down_html.ini 및 Notifycfg.ini와 같은 구성 파일을 수정하여 AOMEI의 업데이트 및 알림 로직을 악용했습니다. UNC7017은 또한 보이지 않는 팝업을 사용하여 자동화된 WebDAV 자격 증명 강제 기법을 사용했습니다. 악성코드 전달에는 수정된 Radmin Server 백도어를 포함한 맞춤형 로더 및 후속 익스플로잇 프레임워크가 포함되었습니다. CROSSROAD 다운로더는 환경을 검증하고, 엔드포인트를 정리하고, 보조 페이로드를 준비하고, 지속성을 확보했습니다.

Investigating Ephemeral Supply Chain Tampering cloud.google.com

RSS Hunter • 10월 15일

클라우드 CISO 관점: 새로운 Gemini 노트북이 CISO와 정책 입안자들이 PQC를 준비하도록 도울 수 있습니다.

Google Cloud는 CISOs 및 임원들이 양자 후 암호화(PQC)를 준비할 수 있도록 지원하기 위해 공개 Gemini Notebook을 출시했습니다. 이 도구는 Google의 PQC 연구, 엔지니어링 통찰력 및 마이그레이션 조언을 접근 가능한 형식으로 통합합니다. 양자 컴퓨팅은 빠르게 발전하고 있으며, 현재의 암호화는 "지금 저장하고 나중에 해독하는"과 같은 미래 공격에 취약하게 만들고 있습니다. Google은 일반적인 암호화 체계를 해독하려면 상당한 수의 양자 컴퓨터 구성 요소가 필요할 것으로 추정합니다. 이 회사는 2029년까지 PQC로 전환할 계획이며 다른 조직들도 그렇게 할 것을 촉구합니다. Gemini Notebook은 오디오 개요, 플래시 카드 및 PQC에 대한 특정 질문에 대한 답변을 제공합니다. CISOs는 취약한 암호화를 식별하고, 위험을 우선순위화하며, 계획에 암호 민첩성을 구축하도록 권고받습니다. Google은 이미 Chrome 및 Android와 같은 제품에 PQC를 배포하고 있으며, 양자 후 암호화 얼라이언스의 공동 설립자입니다. 조직은 신뢰할 수 있는 소스를 큐레이션하고 중립적인 프롬프트를 사용하여 자체 PQC 노트북을 만들 수 있습니다. 이 기사는 또한 AI 시대의 취약성 동향 및 네트워크 어플라이언스의 악용을 포함한 최신 보안 업데이트 및 위협 인텔리전스를 강조합니다. Google Cloud의 팟캐스트는 브라우저 패치 및 취약성 연구에서 AI에 대해 논의합니다.

Cloud CISO Perspectives: New Gemini Notebook can help CISOs and policymakers prepare for PQC cloud.google.com

RSS Hunter • 10월 14일

BigQuery에서 예측 가능한 AI 지출: 생성형 AI 함수를 위한 비용 관리 소개

BigQuery 생성형 AI 함수를 사용하면 SQL 쿼리에 대규모 언어 모델을 직접 통합하여 분류 및 감성 분석과 같은 작업을 수행할 수 있습니다. 이러한 함수는 토큰당 요금이 부과되므로 대규모 사용 시에는 사전 예산 관리가 중요합니다. Google Cloud는 IAM을 통해 관리되는 일일 할당량을 통해 이러한 함수에 대한 토큰 기반 비용 관리를 도입했습니다.일일 할당량은 네 가지가 있습니다. AI 입력 토큰/일, AI 입력 토큰/일/사용자, AI 출력 토큰/일, AI 출력 토큰/일/사용자입니다. 이러한 할당량은 전역적으로 적용되며 임베딩 함수를 제외한 BigQuery의 특정 생성형 AI 함수를 포함합니다. 관리자는 Google Cloud 콘솔에서 직접 또는 API를 통해 프로그래밍 방식으로 할당량을 확인하고 조정할 수 있습니다.비용을 효과적으로 관리하기 위해 사용자는 할당량을 즉시 낮추거나 증가를 요청할 수 있으며, 이는 종종 자동 승인됩니다. 할당량 및 시스템 제한 페이지에서 사용량을 모니터링하면 급증을 감지하고 예산을 적절하게 조정하는 데 도움이 됩니다. 토큰 할당량은 광범위한 Cloud Billing 지출 한도와는 별개로, 예방적인 AI별 가드레일 역할을 합니다.적용은 할당량에 도달하면 작업을 중지하는 것을 포함하며, 쿼리를 미리 거부하거나 쿼리 중간에 LLM 호출을 중지합니다. AI.COUNT_TOKENS 함수는 추가 비용 없이 입력 토큰 사용량을 추정하는 데 도움이 됩니다. 토큰 가격을 이해하고 사용량을 추정함으로써 관리자는 예산 목표에 맞게 적절한 할당량 값을 설정할 수 있습니다.모범 사례에는 사용자별 할당량으로 시작하고, AI.COUNT_TOKENS로 입력 데이터를 측정하고, 출력 토큰의 높은 비용을 염두에 두고, 관찰된 사용량을 기반으로 한도를 반복적으로 조정하는 것이 포함됩니다. 이러한 토큰 기반 가드레일을 구현하면 BigQuery의 생성형 AI에 대한 비용 예측 가능성을 제공합니다.

Predictable AI spend in BigQuery: Introducing cost management for generative AI functions cloud.google.com

RSS Hunter • 10월 14일

오픈 표준으로 간편해진 크로스 클라우드 대화형 분석

조직은 종종 여러 전문 플랫폼과 클라우드에 분산된 파편화된 데이터로 어려움을 겪습니다. 이전에는 이를 위해 복잡한 데이터 파이프라인을 구축하거나 불완전한 보고를 수용해야 했습니다. 기존 방식은 데이터를 중앙 웨어하우스로 복사하는 것을 포함하며, 이는 스키마 변경 시 동기화 문제, 스토리지 비용 및 중단된 파이프라인을 초래합니다. Google Cloud의 Apache Iceberg 기반 borderless Lakehouse는 컴퓨팅 및 AI가 다양한 플랫폼에 걸쳐 데이터를 있는 그대로 액세스할 수 있도록 함으로써 솔루션을 제공합니다. 이 아키텍처는 메타데이터를 동기화하는 동시에 데이터 파일에 대한 직접 액세스를 허용합니다. Databricks, Snowflake 및 AWS Glue의 데이터를 데이터 마이그레이션 없이 BigQuery로 통합하는 것을 지원합니다. BigQuery의 federated 쿼리는 이러한 외부 카탈로그에 걸쳐 데이터에 액세스하기 위해 네 부분으로 구성된 경로를 사용합니다. 이 통합을 통해 이질적인 데이터 세트에 대한 통합된 쿼리 및 분석이 가능합니다. 또한, federated 테이블은 BigQuery의 conversational analytics와 함께 자연어를 사용하여 탐색할 수 있습니다. 운영 고려 사항에는 백그라운드 새로 고침 타이밍 관리, 쿼리 캐싱 이해 및 데이터 상주 규정 준수 보장이 포함됩니다. borderless Lakehouse는 비용이 많이 드는 마이그레이션과 복잡한 파이프라인을 제거하여 데이터 활성화를 단순화하는 것을 목표로 합니다.

Cross-cloud conversational analytics made simple with open standards cloud.google.com

RSS Hunter • 10월 13일

Gemini 4 Argon이 Google Cloud에서 사용 가능하며, 비즈니스의 가장 어려운 문제를 해결하는 데 도움을 주기 위해 구축되었습니다.

Gemini Enterprise가 업무용 범용 AI 어시스턴트인 Gemini 에이전트로 업데이트되었습니다. 이 에이전트는 단일 프롬프트로 질문에 답하고, 코드를 작성하며, 복잡한 작업을 완료할 수 있도록 항상 준비되어 있습니다. 이를 뒷받침하는 것은 Google의 새로운 프론티어 모델인 Gemini 4 Argon이며, 이제 Google Cloud에서 사용할 수 있습니다. Argon은 깊이와 정확성을 위해 훈련되었으며, 길고 여러 단계로 이루어진 작업에서 컨텍스트를 유지하는 데 능숙하고, 소프트웨어 빌드, 금융, 법률 업무, 사이버 보안과 같은 분야에서 뛰어납니다. 텍스트, 표, 차트, 이미지가 포함된 문서를 처리하여 비정형 입력을 응집력 있는 출력으로 변환합니다. Argon은 또한 정확하고 검증 가능한 결과를 제공하여 금융 조정, 검증된 인용이 포함된 법률 연구를 자동화하고 HR 및 고객 서비스와 같은 분야에서 작업 성공률을 향상시킵니다. 이 모델은 목표를 분해하고, 진행 상황을 추적하며, 파일을 동시에 업데이트하여 제품을 더 빠르게 구축하고 출시하는 데 도움을 주어 코드 개발 및 아키텍처 리팩토링에서 상당한 성능 향상을 가져옵니다. 사이버 보안 분야에서 Argon은 CodeMender와 같은 도구를 통해 취약점을 찾고 수정하는 방어 기능을 제공하며 프롬프트 주입 공격에 대한 복원력을 보여줍니다. Gemini 4 Argon은 Gemini for business를 통해 그리고 개발자를 위한 API를 통해 액세스할 수 있습니다. 2026년 11월 30일까지 소개 가격이 제공됩니다.

Gemini 4 Argon available on Google Cloud, built to help solve your business’ hardest problems cloud.google.com

RSS Hunter • 10월 13일

One Agent Development Kit, five languages

현대의 에이전트는 파이썬뿐만 아니라 다양한 언어로 구축될 수 있지만, 많은 프레임워크는 파이썬 전용 스택을 가정합니다. Google의 Agent Development Kit(ADK)는 파이썬, Go, TypeScript, Java, Kotlin을 지원함으로써 이를 제거하는 것을 목표로 합니다. 각 ADK 버전은 런타임에 맞춰져 있지만, 오픈 프로토콜을 통한 통합 아키텍처와 상호 운용성을 공유합니다. 모든 언어의 Model Context Protocol(MCP) 클라이언트는 사용자 정의 도구를 보편적으로 호출할 수 있도록 합니다. 멀티 에이전트 시스템의 경우, Agent2Agent(A2A) 프로토콜은 다른 언어로 작성된 에이전트 간의 통신을 가능하게 합니다. 시작하려면 일회성 설정과 배포 구성이 포함된 프로젝트 스캐폴딩이 필요합니다. ADK는 파이썬의 광범위한 통합 및 평가 도구부터 Go의 생산성 효율성 및 동시성까지 각 언어에 대한 뚜렷한 이점을 제공합니다. TypeScript는 Zod를 활용하여 타입 안전성을 확보하고 브라우저에서 직접 실행할 수 있습니다. Java는 기존 Maven, Gradle, Spring Boot 생태계와 통합됩니다. Kotlin은 KSP 컴파일러 플러그인을 통해 빌드 시간 안전성을 우선시하여 온디바이스 Android 에이전트 개발을 가능하게 합니다. ADK의 다국어 지원은 조직이 각 구성 요소에 대해 타협 없이 최적의 언어를 선택할 수 있도록 합니다.

One Agent Development Kit, five languages cloud.google.com

RSS Hunter • 10월 13일

"SRE 책 10주년: "Site Reliability Engineering" 제2판 발표"

원본 출시 10년 후, Google은 Site Reliability Engineering 책의 완전히 새로 작성된 두 번째 판을 출판합니다. 이 업데이트는 AI, 마이크로서비스, 멀티 클라우드의 부상을 포함한 컴퓨팅 환경의 심오한 변화로 인해 필요합니다. 첫 번째 판은 초기 클라우드 채택 및 모놀리식 아키텍처에 중점을 두었지만, 새로운 판은 복잡하고 현대적이며 전 세계적으로 확장된 시스템에서 안정성을 유지하는 과제를 다룹니다. SLO, 모니터링, 자동화 및 안정성 테스트와 같은 관행은 지난 10년 동안 크게 성숙했습니다. 예를 들어, SLO는 기본 가용성 메트릭에서 자동화된 시행이 가능한 사용자 중심의 다층 시스템으로 발전했습니다. 모니터링은 정적 대시보드에서 OpenTelemetry 및 분산 추적을 활용하여 신속한 근본 원인 분석을 수행하는 것으로 변모했습니다. 자동화는 사용자 지정 스크립트에서 선언적 코드로서의 인프라 및 내부 개발자 플랫폼으로 이동했습니다. 안정성 테스트는 이제 지속적인 복원력 검사 및 실제 프로덕션 카나리 검증을 포함합니다. 용량 관리는 동적 자동 확장 및 클라우드 FinOps 정렬로 전환되었습니다. SRE를 위한 조직 모델도 전담 팀을 넘어 다양화되었습니다. 새로운 판은 또한 SRE와 AI의 이중 역할에 대해 자세히 설명하며, SRE가 AI 인프라를 지원하는 방법과 AI가 운영 안정성을 향상시키는 방법을 설명합니다. 대규모 언어 모델 운영 및 사고 분류 및 사후 검토 생성 개선을 위한 AI 도구 사용을 다룹니다. 기술 발전에도 불구하고 SRE의 핵심 원칙과 안정성 중심 문화의 중요성은 변하지 않았습니다. 이 새로 작성된 판은 차세대 프로덕션 시스템을 위한 확실한 로드맵으로 의도되었습니다.

10 Years of the SRE book: Announcing the second edition of "Site Reliability Engineering” cloud.google.com

RSS Hunter • 10월 12일

Data Agent Kit를 활용한 에이전트 기반 데이터 과학

결제 지연으로 인해 컴플라이언스 팀이 사기를 의심하게 되었고, 데이터 과학자가 조사를 위한 거래를 식별해야 했습니다. 이 과정에는 원시 거래 로그를 수집 및 정리하고, 사기 탐지 모델을 훈련시키고, 새로운 거래에 점수를 매기고, 워크플로우를 자동화하는 작업이 포함됩니다. Antigravity IDE 내의 Data Agent Kit는 이 엔드투엔드 프로세스를 단순화합니다.이 키트는 MCP 도구와 Markdown 기술을 제공하여 에이전트를 Google Cloud 데이터 서비스에 연결하고 데이터 스택 상호 작용에 대한 지침을 제공합니다. 또한 사용자가 IDE에서 직접 Google의 Agentic Data Cloud를 관리할 수 있도록 합니다. 초기에는 에이전트 생성 노트북을 통해 Spark를 사용하여 거래 로그를 BigQuery로 로드합니다.데이터 로딩 후, 중복 처리 및 참조 정보와의 조인을 포함하여 BigQuery 데이터를 정리하고 풍부하게 만들기 위한 dbt 프로젝트가 생성됩니다. 이 dbt 프로젝트에는 거래에 대한 고유성 테스트도 포함됩니다. 다음으로, 알려진 사기 레이블이 있는 과거 데이터를 사용하여 Random Forest 사기 탐지 모델을 구축하기 위한 훈련 노트북이 생성됩니다.훈련된 모델은 다음으로 추론 노트북에서 레이블이 없는 거래에 점수를 매기는 데 사용됩니다. 50%와 같은 지정된 임계값을 초과하는 사기 확률이 있는 거래는 검토를 위해 Spanner 테이블로 전송됩니다. 이 과정은 컴플라이언스 팀이 조사할 거래의 짧은 목록을 생성합니다.마지막으로 Managed Service for Apache Airflow를 사용하여 전체 워크플로우를 자동화하여 매일 실행되도록 합니다. 에이전트는 데이터 로딩, 변환 및 점수 매기기 단계를 조정하는 Airflow DAG 정의 및 배포 구성을 생성합니다. 이 자동화된 파이프라인은 잠재적으로 사기성 거래로 검토 대기열을 지속적으로 채웁니다.

Agentic data science with the Data Agent Kit cloud.google.com

RSS Hunter • 10월 12일

BigQuery에서 다변량 시계열 예측 기능을 갖춘 TimesFM 3.0 소개

BigQuery가 SQL 내에서 직접 다변량 시계열 예측을 위한 새로운 파운데이션 모델인 TimesFM 3.0을 출시합니다. 이전에는 AI.FORECAST가 단변량 예측만 지원했습니다. Google Research에서 개발한 TimesFM 3.0은 다변량 예측에 뛰어나며 GIFT-Eval과 같은 공개 리더보드에서 높은 순위를 기록했습니다. 여러 상관관계가 있는 대상 열을 동시에 예측할 수 있습니다. 이 모델은 과거 및 미래의 알려진 값을 모두 사용하여 공변량 예측도 지원합니다. 이를 통해 날씨나 프로모션과 같은 외부 요인을 통합하여 더 정확한 예측이 가능합니다. 기존의 단변량 예측 및 이상 탐지 워크플로우는 모델 사양만 업데이트하면 TimesFM 3.0의 이점을 누릴 수 있습니다. BigQuery에서의 다변량 예측은 과거 및 미래 호라이즌 행이 포함된 특정 입력 테이블 형식이 필요합니다. 사용자는 BigQuery Conversational Analytics에서 자연어 프롬프트를 활용하여 다변량 예측을 수행할 수도 있습니다. 이 새로운 기능은 엔터프라이즈급 예측을 위한 복잡한 데이터 파이프라인 및 모델 인프라의 필요성을 없애줍니다.

Introducing TimesFM 3.0 with multivariate time-series forecasting in BigQuery cloud.google.com

RSS Hunter • 10월 12일

Looker 기반의 Agentic Data Cloud를 위한 신뢰할 수 있는 데이터 앱

비즈니스 인텔리전스 사용자들은 종종 표준화된 대시보드와 제한된 차트 옵션으로 어려움을 겪으며, 심층 분석을 위해 번거로운 CSV 내보내기가 필요합니다. 또한 일반적인 그리드 기반 도구로는 임원 브리핑이나 고객 포털과 같이 특정 요구 사항을 충족하는 맞춤형 대시보드를 설계하는 것이 어렵습니다. 이전에는 이로 인해 맞춤형 애플리케이션을 구축해야 했으며, 이는 이제 AI로 더 빨라졌지만 여전히 프로덕션 배포 문제로 인해 방해를 받습니다. 이러한 문제에는 거버넌스된 데이터 부족, 행 수준 보안, 명확한 보안 검토 경로 등이 포함됩니다. 이를 해결하기 위해 Looker는 AI의 속도와 Looker의 거버넌스 프레임워크를 결합한 Looker Data Apps를 출시합니다.데이터 앱은 Looker 내에서 호스팅되는 AI 생성 대화형 웹 애플리케이션으로, 특정 운영 워크플로우를 위해 설계되었습니다. 맞춤형 레이아웃을 제공하고, 시나리오 테스트 및 시뮬레이션을 위한 사용자 입력을 허용하며, 레코드 업데이트 또는 이벤트 디스패치와 같은 실행 작업에 분석을 연결합니다. 이러한 앱은 Looker의 시맨틱 레이어를 기반으로 하는 AI 개발자 도구를 사용하여 구축됩니다. 대시보드의 집계 가시성과 표준화된 차트와 달리, 능동적인 실행 및 맞춤형 웹 구성 요소를 활성화하여 대시보드를 확장합니다.Looker Data Apps는 거버넌스된 데이터를 기반으로 하며, 시맨틱 레이어를 통해 정확성과 일관성을 보장합니다. 맞춤 설정 가능한 다중 페이지 웹 앱 경험으로 분석을 실행으로 전환합니다. 엔터프라이즈를 위해 설계된 이러한 앱은 기존 시맨틱 모델, 행 수준 보안 및 액세스 제어를 상속합니다. 에이전트 생성 애플리케이션의 제로 코드 배포를 제공하며, 최종 사용자 상호 작용에 대한 런타임 토큰 비용이 없습니다. 데이터 앱 배포는 대시보드 임베딩만큼 간단하여 외부 포털에 원활하게 통합할 수 있습니다. Looker Data Apps는 프로토타입에서 프로덕션 등급 도구로 몇 분 안에 전환할 수 있도록 하여 기본 대시보드와 복잡한 맞춤형 시스템 간의 격차를 해소합니다.

Trusted Data Apps for the Agentic Data Cloud, powered by Looker cloud.google.com

RSS Hunter • 10월 12일

비정형 데이터 워크플로우 현대화: Alteryx Live Query와 Google Cloud BigQuery의 만남

Alteryx One Live Query와 Google Cloud BigQuery는 복잡한 데이터를 처리하는 강력한 솔루션을 제공합니다. 이 통합은 SQL pushdown이라는 개념을 통해 BigQuery 내에서 네이티브로 변환을 실행하여 데이터 이동을 최소화합니다. Live Query는 데이터 파이프라인 구축을 위한 노코드(no-code), 브라우저 기반 인터페이스를 제공합니다. PDF와 같은 비정형 문서에서 정보를 추출하기 위해 Gemini와 같은 Google의 AI 모델을 원활하게 오케스트레이션합니다. 이 접근 방식은 일관성 없는 공급업체 송장을 처리하는 금융 및 운영 팀에게 특히 유용합니다. 전통적으로 송장 처리는 수동 작업이나 파편화된 도구를 포함하여 오류와 지연을 초래했습니다. Alteryx와 BigQuery 통합은 추출부터 표준화까지 전체 라이프사이클을 BigQuery 내에서 직접 자동화합니다. 이를 통해 민감한 정보가 웨어하우스 내에 유지되어 데이터 거버넌스와 보안을 보장합니다. 워크플로우는 AI 모델을 사용하여 PDF에서 구조화된 필드를 추출하는 것으로 시작됩니다. 그런 다음 결과는 BigQuery의 기존 과거 송장 데이터와 표준화되고 비교됩니다. 이 조정 프로세스는 잠재적인 중복을 신속하게 식별하고 더 빠른 예외 처리를 가능하게 합니다. 시스템은 비즈니스 규칙을 적용하여 추가적인 이상 징후를 플래그 지정하여 거버넌스된 운영 출력을 생성합니다. 이 Google Cloud 네이티브 패턴은 데이터를 BigQuery에 상주시키고 보안 및 제어 기능을 활용합니다. 브라우저는 작성 계층 역할을 하고, Alteryx One Platform Services는 조정을 관리하며, Google Cloud는 거버넌스된 데이터 및 실행 계층 역할을 합니다.

Modernizing Unstructured Data Workflows: Alteryx Live Query meets Google Cloud BigQuery cloud.google.com

RSS Hunter • 10월 9일

Gemini로 중소기업의 역량을 강화하여 더 많은 것을 할 수 있도록 지원

Google이 중소기업의 효율성과 성장을 강화하기 위해 설계된 새로운 범용 에이전트인 Gemini를 발표했습니다. Gemini는 개인 비서이자 팀 구성원 역할을 하며, 기존 도구 및 데이터와 통합되어 질문 답변부터 코드 작성까지 다양한 작업을 처리합니다. Asana, Salesforce, Slack과 같은 인기 있는 SMB 플랫폼에 연결되어 사용하면서 학습하고 개선됩니다. Gemini는 모델 선택 기능을 제공하여 각 작업에 가장 적합한 모델을 활용하여 정확성과 비용을 최적화합니다. 이 에이전트는 웹, 모바일 및 데스크톱 애플리케이션에서 액세스할 수 있어 광범위한 사용성을 보장합니다. 멀티 모델 오케스트레이션 및 지출 한도와 같은 기능을 통해 비용을 효과적으로 관리하기 위한 비용 제어가 통합되어 있습니다. 초기 액세스 고객들은 이미 문제 해결 시간 단축 및 프로젝트 관리 자동화와 같은 상당한 이점을 보고하고 있습니다. 예를 들어 Aerotech는 생산 능력을 향상시키고 Angelus는 R&D를 간소화했습니다. EdSpan Global은 학습 객체 표준화를 자동화하고 Eficode는 고객 지원을 강화합니다. KLog.co는 데이터 입력 오류를 대폭 줄이고 문서 처리를 늘립니다. Koufu는 판매 보고를 자동화하고 La Maison du Whisky는 마케팅 문구를 작성합니다. NEEOH는 캠페인 생성을 위한 AI 사용을 표준화하고 Quadrant Health Group은 백오피스 작업을 자동화합니다. Salt Productions와 Pinch Creative는 액세스를 용이하게 하기 위해 분산된 파일을 통합합니다. Sep 2는 위협 모니터링을 위해 AI 에이전트를 배포하고 Stratagem은 관리 워크플로를 자동화합니다. Sunhouse는 보관된 디자인 작업에 대한 액세스를 개선하여 귀중한 시간을 절약합니다. Google은 또한 SMB의 AI 채택을 지원하기 위한 무료 교육 프로그램과 파트너 네트워크를 제공합니다.

Empowering SMBs to do more with Gemini cloud.google.com

RSS Hunter • 10월 8일

아일랜드의 혁신: Gemini Enterprise와 함께 성장하는 아일랜드 브랜드

아일랜드는 AI를 채택하는 다양한 분야의 조직들과 함께 중요한 글로벌 기술 허브로 부상했습니다. 기업들은 Gemini Enterprise를 사용하여 AI 프로토타입에서 실제 운영 가능한 배포로 나아가고 있습니다. 이러한 발전은 유럽 내 아일랜드의 경쟁력을 강화하며, 아일랜드의 국가 디지털 및 AI 전략과도 일치합니다. 구글의 현지 팀은 업계 리더들과 협력하여 다양한 AI 기반 솔루션에 Gemini Enterprise를 구현하고 있습니다. 구글의 아일랜드 사업은 2025년 AI 및 클라우드 서비스를 통해 GDP에 약 100억 유로를 기여했습니다. 라이언에어는 35,000명의 직원을 위해 운영 및 인프라를 현대화하여 의사 결정 및 생산성을 향상시키고 있습니다. Smyths Toys는 Codie라는 AI 에이전트를 통해 고객 지원을 강화하여 웹 문의의 60% 이상을 해결하고 있습니다. 아일랜드 국세청은 안전한 데이터 분석을 위한 통합 AI 아키텍처로 마이그레이션하여 공공 서비스를 개선하고 있습니다. Virgin Media Ireland는 워크플로우를 가속화하고 AI 에이전트를 배포하여 워크로드 배포를 더 빠르게 진행하고 있습니다. 수많은 아일랜드 스타트업들도 Google Cloud와 Gemini Enterprise를 활용하여 스포츠 분석, 의료, 탄소 상쇄와 같은 분야에 영향을 미치는 경쟁력 있는 국제 서비스를 구축하고 있습니다.

Innovation in Ireland: How Irish brands scale with Gemini Enterprise cloud.google.com

RSS Hunter • 10월 8일

Google Public Sector와 SUNY, 대학 연구 가속화를 위한 AI 기반 플랫폼 출시

공공 연구 대학은 첨단 기술을 도입하여 연구 발견을 가속화해야 하는 과제에 직면해 있습니다. 에이전트 AI의 등장은 방대한 데이터셋과 복잡한 워크플로우를 처리하여 과학 발전을 가속화할 기회를 제공합니다. Google Cloud는 뉴욕주립대학교(SUNY)와 협력하여 SUNY AI Platform을 출시했습니다. 이 플랫폼은 AI 및 고성능 컴퓨팅을 위한 안전한 환경을 제공하며, 초기에는 9개의 연구 중심 SUNY 캠퍼스를 지원합니다. 연구원들은 통합된 생태계 내에서 스토리지, 컴퓨팅, Gemini Enterprise를 포함한 Google Cloud의 고급 기능을 활용할 수 있습니다. 이 플랫폼은 데이터 분석을 간소화하고 협업을 촉진하며 기관 전반에 걸쳐 책임감 있는 AI 관행을 보장하는 것을 목표로 합니다. 기술을 넘어, SUNY는 Google의 자체 페이스 AI 자격증에 무료로 액세스할 수 있도록 하여 커뮤니티에 AI 준비 기술을 갖추고 있습니다. 모든 경험 수준을 위해 설계된 이 과정은 프롬프트 작성 및 책임감 있는 AI 도구 사용과 같은 실용적인 기술에 중점을 둡니다. SUNY는 또한 학생 취업률을 높이기 위해 Google Career Certificates를 학술 프로그램에 통합하고 있습니다. 이 이니셔티브는 기술 액세스와 책임감 있는 AI 구현에 필요한 기술 및 기관 지원을 결합합니다. 이 파트너십은 학생, 교수진, 뉴욕의 노동력에 혜택을 주는 실제적인 영향을 미치는 연구를 가속화하는 것을 목표로 합니다.

Google Public Sector and SUNY launch AI-enabled platform to accelerate university research cloud.google.com

RSS Hunter • 10월 8일

Gemini at Work 2026에 오신 것을 환영합니다: Gemini 에이전트 소개

Google Cloud는 업무 프로세스를 간소화하도록 설계된 범용 에이전트인 Gemini를 발표합니다. 이 에이전트는 단일 인터페이스에서 질문에 답하고, 지식 작업을 처리하며, 미디어를 생성하고, 코드를 작성 및 실행합니다. Gmail 및 Docs와 같은 Google Workspace 애플리케이션에 직접 통합되어 모든 플랫폼에서 컨텍스트와 제어를 유지합니다. 새로운 데이터 및 분석 기능을 통해 기술 및 비즈니스 사용자 모두 일반 언어를 사용하여 운영 인사이트를 추출할 수 있습니다. Gemini는 또한 금융 및 법률 팀을 위한 산업별 도구를 제공하여 전문성을 강화합니다. 보안은 최우선이며, ID, 정책 관리 및 샌드박싱을 통한 강력한 거버넌스를 제공합니다. 비용 제어는 멀티 모델 오케스트레이션 및 실시간 지출 한도를 통해 관리됩니다. 선도적인 기업들은 이미 Gemini Enterprise를 활용하고 있으며, Fortune 100대 기업의 거의 90%가 이를 사용하고 있습니다. 이 에이전트는 도구 레지스트리를 통해 기존 시스템에 연결하고 재사용 가능한 스킬과 포괄적인 메모리 시스템을 통해 학습합니다. Gemini는 상호 작용, 사용자 및 조직 컨텍스트에서 학습하여 지원을 개인화합니다. 이 통합 에이전트는 실험을 넘어 운영 배포로 나아가며 업무가 시작되고 실행되는 방식을 변화시키는 것을 목표로 합니다.

Welcome to Gemini at Work 2026: Introducing the Gemini agent cloud.google.com

RSS Hunter • 10월 8일

Google Cloud의 U4 컴퓨트 소개: 초저지연 거래 지원

자본 시장은 예측 가능한 성능과 낮은 지연 시간을 요구하며, 이는 기존 데이터 센터의 한계에 직면하게 합니다. Google Cloud는 이러한 과제를 해결하기 위해 Ultra Low Latency (ULL) Solution을 출시했습니다. 이 솔루션은 코로케이션의 속도와 클라우드의 확장성 및 자동화를 결합합니다. 클라우드에서 고빈도 거래 워크플로우를 위한 초저지연 네트워킹 및 민첩성을 제공합니다. ULL Solution은 데이터 배포를 위한 하드웨어 수준 네트워킹, 분석을 위한 고급 네트워킹 관찰 기능, 실행을 위한 결정론적 고성능 컴퓨팅이라는 세 가지 핵심 기둥을 기반으로 구축됩니다. 이러한 기둥은 베어메탈 성능, 고성능 스토리지, 물리적 트래픽 격리와 같은 기능을 제공합니다. 하드웨어 가속 멀티캐스트 배포는 기존 가상 스위치를 우회하여 직접 시장 데이터 스트리밍을 가능하게 합니다. 가속화된 패킷 처리 및 UTC 동기화를 통한 정밀 타이밍은 정확하고 예측 가능한 데이터 처리를 보장합니다. 내장된 텔레메트리는 성능에 영향을 주지 않고 규정 준수 및 분석을 위한 지속적인 저지연 패킷 캡처를 제공합니다. U4P, U4C, U4S 시리즈를 특징으로 하는 U4 머신 제품군은 전용 베어메탈 및 고성능 VM으로 ULL Solution을 지원합니다. 이 아키텍처를 통해 핵심 거래소 시스템 및 거래 전략을 필요한 속도와 일관성으로 클라우드에서 실행할 수 있습니다. 스토리지 옵션에는 로깅을 위한 빠른 로컬 Titanium SSD와 아카이브를 위한 확장 가능한 Hyperdisk가 포함됩니다. ULL Solution은 일부 Google Cloud 리전에서 사용할 수 있으며, 금융 시장에 현재 및 미래의 AI 기반 거래를 위한 클라우드 이점을 제공합니다.

Introducing Google Cloud’s U4 compute: Enabling ultra-low latency trading cloud.google.com

RSS Hunter • 10월 7일

MCP 툴박스 Java SDK v1.0 발표: 엔터프라이즈를 위한 에이전트 기반 데이터 액세스

Google은 기업용 Java의 에이전트 오케스트레이션을 강화하는 MCP Toolbox Java SDK 버전 1.0 출시를 자랑스럽게 발표합니다. 이 SDK는 Java의 동시성 및 상태 관리 기능을 활용하여 미션 크리티컬 AI 배포에 필수적인 타입 안전 에이전트 관리를 제공합니다. Model Context Protocol(MCP)은 범용 인터페이스 역할을 하여 AI 모델을 데이터 소스에서 분리함으로써 통합을 단순화합니다. 이를 통해 수많은 사용자 정의 연결의 필요성이 사라져 보안 위험과 유지 관리 오버헤드가 줄어듭니다.Java SDK v1.0의 주요 개선 사항에는 유연한 네트워크 구현을 위한 전송 계층 추상화와 향상된 보안 규정 준수를 위한 분리된 클라이언트 인증이 포함됩니다. 기본 매개변수에 대한 네이티브 지원은 페이로드 크기를 줄이고, 바인딩된 매개변수 가지치기는 민감한 데이터가 LLM에 노출되는 것을 방지합니다. 표준화된 버전 선택 및 강력한 세션 추적은 프로토콜 일관성을 보장합니다. 개발자는 추가 메타데이터를 위해 사용자 정의 헤더를 나가는 요청에 쉽게 첨부할 수 있습니다.실제 예시는 AlloyDB와 Spring Boot를 사용하는 자율 교통 컨시어지 애플리케이션을 보여줍니다. 이 에이전트는 구조화된 일정 및 예약 기능과 비정형 애완동물 정책을 통합하여 복잡한 여행 쿼리에 응답합니다. MCP Toolbox는 tools.yaml 구성을 통해 자연어 의도를 안전한 SQL 쿼리로 매핑합니다.상태 저장 에이전트 아키텍처는 Spring Boot와 LangChain4j를 사용하여 HTTP 세션 내에서 대화 메모리를 관리함으로써 달성됩니다. 이 아키텍처는 선언적 에이전트 인터페이스와 도구 실행 서비스를 통해 관심사의 깨끗한 분리를 가능하게 합니다. SDK는 세션 관리를 단순화하고, 에이전트 페르소나를 정의하며, 타입 안전 도구 실행을 가능하게 합니다.인증은 기본적으로 Application Default Credentials(ADC)를 사용하여 보호되므로 하드코딩된 키가 필요 없습니다. 런타임 경고는 개발자에게 일반 텍스트 HTTP를 통한 자격 증명 노출 가능성을 알립니다. MCP Toolbox와 Spring Boot 에이전트의 분리된 특성은 Google Cloud Run에서 독립적인 확장을 가능하게 합니다. 개발자는 Maven 또는 Gradle 프로젝트에 SDK 종속성을 쉽게 추가할 수 있습니다. GitHub 리포지토리 및 데모 애플리케이션과 같은 리소스를 시작하는 데 사용할 수 있습니다.

Announcing MCP Toolbox Java SDK v1.0: Agentic data access for the enterprise cloud.google.com

RSS Hunter • 10월 6일

대규모 Apache Iceberg 관리: Spanner가 Lakehouse 런타임 카탈로그를 지원하는 방법

고객들은 AI 네이티브 솔루션을 위한 공유 데이터 에스테이트를 구축하기 위해 Apache Iceberg와 같은 개방형 형식을 표준화하여 레이크하우스 아키텍처를 채택하고 있습니다. 핵심 구성 요소는 테이블 포인터, 원자적 커밋을 관리하고 단일 진실 공급원 역할을 하는 Apache Iceberg REST Catalog입니다. 기업은 AI 에이전트의 대규모의 작고 반복적인 쿼리를 지원하기 위해 확장성, 가용성 및 관리 기능이 뛰어난 카탈로그가 필요합니다. 이러한 카탈로그는 원자적 커밋, 고가용성, 데이터베이스 확장, 테이블 유지 관리 및 강력한 거버넌스와 같은 과제를 해결해야 합니다. Spanner 기반의 Google Cloud 서버리스 레이크하우스 런타임 카탈로그는 이러한 과제에 대한 솔루션을 제공합니다.이 카탈로그는 완전 서버리스이며 고가용성을 갖추고 있으며 메타데이터를 통합하고 Apache Iceberg REST Catalog 사양을 네이티브로 구현합니다. 주요 이점으로는 개방형 API, 멀티 엔진 상호 운용성(BigQuery, Managed Spark) 및 Iceberg 테이블에 대한 읽기/쓰기 기능이 있습니다. 객체 스토리지의 기존 데이터에 직접 연결하여 데이터 복사 없이 엔터프라이즈급 기능을 갖춘 완전 관리형 Iceberg 스토리지를 제공합니다. 또한 이 카탈로그는 클라우드 간 양방향 페더레이션(Databricks Unity, Snowflake Horizon, AWS Glue)과 자격 증명 발급을 통한 보안 액세스를 지원합니다. AI 기반 컨텍스트 및 거버넌스를 위해 Knowledge Catalog 및 Cloud IAM과 통합되어 테이블 수준 보안, 검색 및 계보를 제공합니다.중요하게도 Google의 행성 규모 인프라와 Spanner를 기반으로 원자적 커밋, 동시성 제어, 고가용성 및 확장성을 보장합니다. Spanner는 읽기 및 쓰기에 대한 수평 확장 탄력성과 함께 완전한 관계형 SQL 의미론을 제공하며 지역 구성을 통해 고가용성을 달성합니다. 데이터 볼륨과 쿼리 로드를 동적으로 모니터링하여 컴퓨팅 및 스토리지를 자동으로 확장합니다. 이 기반은 직렬화 가능한 트랜잭션을 가능하게 하여 에이전트 규모 작업에 대해 업계 최고의 일관성 보장을 제공합니다. 레이크하우스 런타임 카탈로그는 Knowledge Catalog와 통합되어 Spanner의 전체 텍스트 및 네이티브 벡터 검색을 활용하여 검색 정확도를 높여 Iceberg 테이블을 효율적으로 검색합니다. 이 통합 접근 방식은 운영 오버헤드를 제거하고 AI 에이전트 사용 사례의 시장 출시 시간을 단축합니다. Google Cloud의 국경 없는 레이크하우스는 데이터, 거버넌스 및 AI 컨텍스트를 통합하는 동시에 운영 총 소유 비용을 절감합니다.

Managed Apache Iceberg at scale: How Spanner powers Lakehouse runtime catalog cloud.google.com

RSS Hunter • 10월 6일

AI 추론 모델 서빙을 위한 네트워킹 - GKE 전용 및 기타 모든 백엔드

기업은 종종 여러 AI 추론 모델을 실행하며, 이는 호출 간소화 및 중앙 집중식 거버넌스를 위한 아키텍처를 필요로 합니다. AI 추론 모델 서빙 네트워킹을 위한 두 가지 참조 아키텍처가 제시됩니다. 하나는 Google Kubernetes Engine(GKE)용이고 다른 하나는 기타 모든 백엔드 유형용입니다. 두 아키텍처 모두 보안 및 효율성을 향상시키기 위해 설계된 공통 서비스를 공유합니다. Cloud Load Balancer 또는 Inference Gateway인 진입점은 추론 호출을 위한 안정적이고 안전한 프런트엔드를 제공합니다. 이 진입점은 TLS 종료를 처리하고 API 관리에 통합되며 서비스 확장을 통해 기능을 확장할 수 있습니다.두 설계 모두에 공통적인 서비스에는 소비자 VPC 네트워크 내에 진입점을 고정하기 위한 Private Service Connect 추론 엔드포인트가 포함됩니다. Apigee API Management는 클라이언트 ID 확인, 속도 제한 및 할당량 적용을 위한 선택적 서비스입니다. Model Armor는 프롬프트와 출력을 검사하는 인라인 AI 안전 체크포인트 역할을 합니다. GKE별 설계는 특수 인그레스 엔진 역할을 하는 GKE Inference Gateway를 활용합니다. 이 게이트웨이는 HTTPRoute 규칙에 따라 적절한 모델 서빙 대상으로 쿼리를 라우팅합니다.모델 복제본의 논리적 그룹인 추론 풀이 사용되며, 게이트웨이는 모델 식별자를 기반으로 올바른 풀을 선택합니다. 모델 복제본 세트는 다양한 노드 풀에 배포된 개별 모델 복제본의 균일한 그룹을 나타냅니다. 여러 백엔드 유형을 서빙하는 아키텍처의 경우, 지역 내부 Application Load Balancer가 중앙 라우팅 프록시 역할을 합니다. Inference Payload Processor는 Service Extension으로 구현되며, 대상 모델 식별자를 추출하기 위해 들어오는 요청 페이로드를 검사합니다. Network Endpoint Groups(NEGs)는 이 식별자를 기반으로 이기종 백엔드로의 유연한 라우팅을 제공합니다.

Networking for AI inference model serving - GKE only and for all other backends cloud.google.com

RSS Hunter • 10월 6일

AlloyDB: 하이브리드 검색을 위한 통합 데이터베이스 엔진

현대의 AI 및 RAG 애플리케이션에서 높은 검색 관련성을 달성하려면 의미론적 맥락을 위한 벡터 검색과 키워드 정확도를 위한 전문 텍스트 검색(FTS)을 결합해야 합니다. PostgreSQL용 AlloyDB는 두 가지 모두를 지원하지만, 전통적으로 결과 관리 및 병합에는 복잡한 SQL 또는 사용자 지정 애플리케이션 로직이 필요했습니다. 이는 종종 융합, 점수 정규화 및 재순위를 위한 별도의 시스템을 필요로 하여 취약한 로직, 증가된 지연 시간 및 높은 운영 부담으로 이어졌습니다. AlloyDB AI의 하이브리드 검색은 이러한 단계를 Reciprocal Rank Fusion(RRF)으로 구동되는 단일 고성능 SQL 함수로 통합하여 이를 단순화합니다. RRF는 본질적으로 순위 기반이므로 점수 정규화를 우회하여 프로세스를 단순화합니다. ai.hybrid_search() 함수는 전체 워크플로를 네이티브로 실행하여 오버헤드를 최소화하고 트랜잭션 일관성을 보장합니다. FTS 최적화를 위해 RUM 확장은 단어 위치를 인덱스에 직접 저장하여 표준 GIN 인덱스와 달리 저지연 관련성 순위 및 효율적인 구문 일치를 가능하게 합니다. AlloyDB AI는 또한 우수한 즉시 사용 가능한 키워드 기반 점수 지정을 위해 BM25 인덱스를 도입합니다. 다용성을 확장하기 위해 새로운 외부 검색 Foreign Data Wrapper(FDW)를 사용하면 AlloyDB를 벗어나지 않고도 Elasticsearch, OpenSearch 및 Solr와 같은 전문 클러스터를 쿼리할 수 있습니다. 이 통합 아키텍처는 하이브리드 검색을 단순화하고 RUM 또는 BM25과 같은 옵션으로 FTS를 최적화하며 외부 검색 통합을 통해 다용성을 향상시킵니다.

AlloyDB: A unified database engine for hybrid search cloud.google.com

RSS Hunter • 10월 6일