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

새로운 Secure Source Manager 기능으로 CI/CD 파이프라인을 강화하세요

안전한 소프트웨어 공급망은 안전한 혁신과 현대적인 배포에 필수적입니다. 소프트웨어 공급망 공격이 크게 증가했습니다. Google Cloud Secure Source Manager(SSM)는 소스 및 CI/CD 시스템 관리를 통합하여 이러한 위협에 대처하는 데 도움을 줍니다. SSM은 이제 개발 및 CI/CD 워크플로우를 향상시키는 두 가지 새로운 기능을 제공합니다. 기업 네트워크가 손상되더라도 CI/CD 시스템에 대한 무단 액세스를 차단할 수 있습니다. 또한 새로운 Code Owners 시스템은 파일 및 브랜치별로 풀 리퀘스트 승인자에 대한 세분화된 제어를 제공합니다. 이 기능을 통해 코드의 다른 섹션에 대해 특정 승인자를 지정할 수 있습니다. 또한 브랜치별 거버넌스와 중첩 가능한 소유권 파일을 지원합니다. 또한 독립적인 승인 섹션은 병합 전에 여러 부서의 승인을 요구할 수 있습니다. SSM은 Developer Connect와 통합되어 안전한 CI/CD 시스템 및 런타임 연결을 제공합니다.

Strengthen your CI/CD pipeline with new Secure Source Manager capabilities cloud.google.com

RSS Hunter • 어제

Apache Spark 가용성 극대화: 유연한 VM 및 기타 모범 사례를 통한 컴퓨팅 재고 부족 완화

AI 개발로 인한 컴퓨팅 파워 수요 증가는 데이터 처리 및 Apache Spark 파이프라인에 부담을 주어 가용성 제약을 초래하고 있습니다. Google의 Managed Service for Apache Spark는 클러스터가 허용 가능한 머신 패밀리의 순위 목록을 사용하도록 함으로써 유연한 VM을 제공하여 이를 해결합니다. 이 접근 방식은 특정 머신 유형에 대한 수요가 가용 용량을 초과할 때 발생하는 용량 부족 상황에서도 파이프라인이 계속 운영되도록 보장합니다. 유연한 VM은 여러 패밀리 블렌딩을 가능하게 하여 다른 머신 세대 및 유형의 노드를 혼합합니다. 또한 혼합 스토리지를 지원하여 호스트 패밀리의 디스크 유형에 동적으로 적응하고 모든 노드 유형에 대한 포괄적인 클러스터 커버리지를 제공합니다. 성공적인 구현을 위해서는 수동 개입 없이 재고 부족 위험을 완화하기 위해 선호하는 머신 패밀리의 신중한 순위 지정이 필요합니다. 예시 계층화 전략은 프로덕션 파이프라인에 대한 머신 패밀리 및 스토리지 권장 사항의 우선 순위를 지정하는 방법을 보여줍니다. 레거시 워크로드의 경우 계층화된 전략은 더 새롭고 더 가용성이 높은 아키텍처로 전환하는 데 도움이 됩니다. Hyperdisk Balanced와 같은 최신 스토리지를 채택하면 최신 인스턴스 패밀리로 최대 가용성을 확보할 수 있습니다. 주요 고려 사항에는 지정된 모든 머신 유형에 대한 충분한 할당량을 보장하고 비용 절감을 위해 Compute flexible Committed Use Discounts를 활용하는 것이 포함됩니다. 성능은 머신 세대 및 스토리지 유형에 따라 다를 수 있으므로 워크로드 테스트가 필요합니다. 리소스 가용성을 개선하기 위한 추가 권장 사항에는 AutoZone 구현, 더 작은 머신 모양 사용, 자동 확장 배포, 부분 클러스터 생성 구성 및 지역 장애 조치 설정이 포함됩니다. 유연한 VM과 이러한 전략을 활용함으로써 사용자는 하드웨어 부족으로부터 Spark 워크로드를 보호하고 중요한 파이프라인이 계속 실행되도록 할 수 있습니다.

Maximizing Apache Spark availability: Mitigating compute stockouts with flexible VMs and other best practices cloud.google.com

RSS Hunter • 어제

GKE Pod 스냅샷으로 AI 워크로드를 더 빠르고 효율적으로 확장하세요

긴 초기화 시간으로 인해 현대 AI 워크로드는 성능 및 비용 딜레마에 직면해 있습니다. 대규모 언어 모델과 즉각적인 코드 실행은 빠른 프로비저닝을 요구하며, 이는 종종 인프라 과지출로 이어집니다. Google Kubernetes Engine(GKE) Pod 스냅샷은 실행 중인 워크로드 상태를 저장하고 복원함으로써 해결책을 제공합니다. 이 기능은 AI 추론 시작 시간을 획기적으로 단축하여 대규모 모델을 몇 초 안에 로드합니다. 많은 애플리케이션의 문제인 콜드 스타트는 상당한 GPU 메모리 로딩으로 인해 AI에서 특히 심각합니다. 기존 방법은 과지출 또는 상태 복원을 위한 복잡한 사용자 지정 솔루션을 포함합니다. GKE Pod 스냅샷은 새로운 복제본에 대한 중복 모델 로딩을 제거하여 AI 추론의 효율적인 확장을 가능하게 합니다. 단일 초기화는 영구 스냅샷을 생성하여 새 인스턴스가 즉시 복원할 수 있도록 합니다. 이는 확장 속도를 높이고 값비싼 과지출의 필요성을 줄입니다. 에이전트 워크플로우의 경우 Pod 스냅샷은 시작 지연 시간을 개선하고 유휴 샌드박스를 효과적으로 관리합니다. 스냅샷은 새 에이전트 환경을 빠르게 초기화하고 유휴 샌드박스를 즉시 일시 중지 및 재개할 수 있도록 합니다. 이 기능은 초기화 단계가 긴 다양한 워크로드에 적용 가능합니다. GKE Pod 스냅샷은 스냅샷 관리를 위한 선언적 정책을 통해 Kubernetes 워크플로우와 원활하게 통합됩니다.

Scale your AI workloads faster and more efficiently with GKE Pod snapshots cloud.google.com

RSS Hunter • 어제

멀티 클러스터 GKE Inference Gateway에서 1% 미만의 오버헤드로 글로벌 AI 라우팅

AI 인프라, 특히 가속기에 대한 수요가 매우 높아 전 세계 데이터 센터 전반에 걸쳐 부족 현상과 분산된 컴퓨팅 용량이 발생하고 있습니다. 대규모 컨텍스트 창을 가진 최신 AI 워크로드는 가속기 메모리를 빠르게 소비하여 활용도 문제를 악화시킵니다. 이를 해결하기 위해 전 세계에 분산된 용량을 단일 풀로 취급하는 계층형 라우팅 아키텍처가 개발되었습니다. 이 시스템은 글로벌 트래픽 분산을 위한 멀티 클러스터 GKE Inference Gateway와 메모리 인식 스케줄링을 위한 LLM-d 라우터를 특징으로 합니다. 이 아키텍처는 런타임, 모델, 가속기 유형에 구애받지 않도록 설계되었습니다. 대규모 멀티 리전 GKE 배포에 대한 벤치마크는 거의 선형적인 처리량 확장과 99.9%의 성공률을 보여주었습니다. GKE Inference Gateway는 1% 미만의 오버헤드를 추가하여 직접 클러스터 호출 처리량의 99.5%를 제공했습니다. 트래픽은 실시간 애플리케이션 신호, 특히 KV-캐시 토큰 활용도를 기반으로 라우팅되어 시스템이 지역 간 트래픽을 지능적으로 유출할 수 있도록 합니다. 이 메모리 인식 라우팅은 가속기가 메모리 포화로 인해 고립되는 것을 방지하여 효율적인 활용도를 보장합니다. 추가 가속기에서 거의 비례적인 성능 향상을 달성하고 자본 낭비를 방지함으로써 "달러당 지능"을 극대화합니다. 주요 교훈은 스마트 로드 밸런싱의 중요성, 에이전트 워크로드 메모리 병목 현상 고려, AI 트래픽 지연 시간에 대한 적응, 네이티브 서빙 패턴과의 라우팅 통합, 개방적이고 이식 가능한 스택 선택을 강조합니다.

Global AI routing with <1% overhead on multi-cluster GKE Inference Gateway cloud.google.com

RSS Hunter • 어제

AlloyDB 및 Cloud SQL의 네이티브 BM25 랭킹 발표

생성형 AI와 RAG에 벡터 검색은 필수적이지만, 정확한 영숫자 ID에는 어려움을 겪습니다. 시맨틱 벡터 검색과 정확한 키워드 전문 검색을 결합한 하이브리드 검색은 이러한 한계를 해결합니다. 이전에는 AlloyDB 또는 Cloud SQL에서 BM25 랭킹을 구현하려면 별도의 전문 검색 백엔드가 필요하여 복잡성과 데이터 사일로가 발생했습니다. 이제 오픈 소스 pg_textsearch 확장을 기반으로 AlloyDB 및 Cloud SQL for PostgreSQL 17+에서 미리 보기로 네이티브 BM25 인덱스를 사용할 수 있습니다. 이를 통해 중복 시스템의 필요성이 사라지고 업계 표준 키워드 랭킹을 데이터베이스 내에서 직접 제공합니다. 네이티브 BM25 인덱스는 C 최적화된 빠른 스코어링을 제공하며 데이터 중복 및 동기화 지연을 제거합니다. AlloyDB는 또한 ScaNN 및 HNSW 인덱스 유형으로 강화된 벡터 검색을 제공합니다. PostgreSQL의 ts_rank와 달리 BM25는 역문서 빈도와 용어 빈도 포화를 고려하여 더 우수한 관련성 스코어링을 제공합니다. 하이브리드 검색은 시맨틱 이해와 정확한 키워드 일치를 병합하여 특정 관련 결과가 우선적으로 처리되도록 합니다. 이제 AlloyDB와 Cloud SQL 모두 네이티브 BM25를 지원하며, 통합된 하이브리드 검색 경험을 위해 벡터 검색과 통합하는 방법을 제공합니다.

Announcing Native BM25 Ranking in AlloyDB and Cloud SQL cloud.google.com

RSS Hunter • 9월 18일

Google Public Sector와 함께 에이전트 시대의 서비스 제공 재구상

주 및 지방 정부는 신속하고 공정하며 접근 가능한 서비스를 제공하는 것을 목표로 하지만, 레거시 시스템, 사일로화된 데이터, 행정적 부담으로 인해 어려움을 겪고 있습니다. 이러한 문제들은 수동 데이터 입력 및 시민들을 위한 반복적인 검증 프로세스와 같은 운영상의 병목 현상을 야기합니다. AI는 이제 주 CIO들에게 최우선 과제로 인식되고 있으며, 이는 직원 역량 증대 및 서비스 제공 개선에 필수적이라고 여겨집니다. 과제는 기존 시스템과 현대적인 AI 기반 서비스 제공 간의 격차를 해소하는 데 있습니다. Google은 정부가 통합 문제를 극복하도록 돕기 위해 AI 스택을 제공합니다. 예로는 수년간의 수작업을 절약한 Utah DOT의 부동산 필지 매핑을 위한 AI 활용이 있습니다. 하트포드 시는 공공 회의에서 실시간 번역을 위해 AI를 사용하여 참여를 늘리고 비용을 절감합니다. 채터누가는 충돌 데이터를 분석하여 도로 안전을 개선하기 위해 AI를 사용합니다. INDOT은 AI를 사용하여 규정 준수 감사를 자동화하여 엔지니어링 시간을 절약합니다. 로스앤젤레스는 Gemini를 여러 부서에 통합하여 대규모 이벤트 및 다국어 서비스를 관리하고 있습니다. 메릴랜드 주는 Gemini를 사용하여 5주 만에 깨끗한 물 앱을 개발하여 행정 업무를 자동화했습니다. Google Public Sector는 이러한 조직과 협력하여 AI를 활용하여 정부 기능을 개선합니다.

Reimagining service delivery in the agentic era with Google Public Sector cloud.google.com

RSS Hunter • 9월 18일

일상적인 마이크로 습관을 활용하여 엔터프라이즈 AI 빌더의 역량을 강화하는 방법

기업들은 개발자들이 설정 문제에 직면하고 일상 업무로 복귀하여 성공적인 구현을 방해하기 때문에 생성형 AI 도입에 어려움을 겪고 있습니다. 개발자들의 제한된 학습 시간을 고려할 때, 일주일간의 부트캠프와 같은 전통적인 지원 방법은 효과적이지 않습니다. Google Cloud Consulting은 매일 짧은 연습에 집중하는 네 가지 기둥의 AI 지원 접근 방식을 옹호합니다. 이는 긴 교육 세션 대신 학습을 짧고 단일 기술 목표로 나누는 것을 포함합니다. 사전 구성된 브라우저 기반 샌드박스는 설정 장애물을 제거하여 즉각적인 코딩을 가능하게 합니다. 매일의 연속 기록과 팀 챌린지를 통합하면 연습이 일상 업무 활동으로 바뀝니다. 각 연습은 기능적 구성 요소로 이어져 누적적으로 공유 코드 라이브러리를 구축해야 합니다. Advent of Agents 프로그램은 설정 없이 매일 5분간의 브라우저 기반 연습을 제공하여 상당한 개발자 참여와 성공적인 에이전트 구성 요소 생성을 이끌어냄으로써 이를 입증했습니다. 이 데이터는 개발자들이 설정 및 예약 장벽이 제거된다면 기존 일정에 맞는 학습에 참여할 것이라는 점을 시사합니다. 효과적인 AI 지원은 일상 업무를 방해하는 것이 아니라 통합되는 도구와 일관된 연습을 필요로 합니다. Google Cloud는 이러한 마이크로 지원을 촉진하기 위해 "Build with Gemini" 워크숍과 "Gemini Enterprise Agent Ready" (GEAR) 프로그램을 제공합니다. 매일의 습관과 즉시 사용 가능한 도구로 작게 시작함으로써 조직은 효과적으로 AI 역량을 구축할 수 있습니다.

How to upskill enterprise AI builders by using daily micro habits cloud.google.com

RSS Hunter • 9월 18일

국경 없는 레이크하우스 가속화: 크로스 클라우드 캐싱 미리 보기 발표

경계 없는 레이크하우스는 여러 클라우드에 걸쳐 조직의 전체 데이터 에스테이트에 대한 통합 액세스를 가능하게 합니다. 이전에는 분산된 데이터를 통합하려면 복잡한 ETL 파이프라인과 비용이 많이 드는 데이터 전송이 필요했습니다. 레이크하우스는 다양한 클라우드 카탈로그에 페더레이션하여 데이터를 제자리에서 쿼리할 수 있게 하며, 파트너 크로스 클라우드 인터커넥트를 통해 전송 비용을 절감합니다. 새로운 기능은 데이터 전송을 최소화하여 크로스 클라우드 쿼리 비용을 더욱 최적화합니다.레이크하우스를 위한 크로스 클라우드 캐싱은 자주 액세스하는 데이터를 로컬에 캐싱하여 쿼리를 투명하게 가속화하고 원격 전송 비용을 절감합니다. 이 캐싱은 파일 블록 이하의 세분성으로 작동하며, 저장된 데이터를 암호화하고 테넌트 및 지역 격리를 유지합니다. 신선도 검사는 캐시된 결과를 제공하기 전에 원격 데이터가 변경되었는지 확인하여 데이터 정확성을 보장합니다. 실제로 이 캐싱은 전송되는 데이터 양을 크게 줄여 처리된 데이터의 5% 미만으로 만드는 경우가 많습니다.이러한 효율성은 총 소유 비용을 낮추어 엔터프라이즈 규모에서 크로스 클라우드 분석 및 AI를 실현 가능하게 합니다. 이를 Iceberg의 압축과 결합하면 네트워크 전송을 처리된 총 데이터의 3% 미만으로 줄일 수 있습니다. BigQuery 크로스 클라우드 연결도 미리 보기로 제공되어 다른 클라우드의 비-Iceberg 데이터에 대한 직접 쿼리를 허용하고 워크로드를 가속화합니다. 이러한 연결은 Google Cloud 리전의 BigQuery 컴퓨팅 워커를 활용하여 전역 가용성과 완전한 BigQuery 기능 패리티를 제공합니다.

Accelerating the borderless Lakehouse: Announcing preview of cross-cloud caching cloud.google.com

RSS Hunter • 9월 18일

DevFest 커뮤니티 워크숍 경험: 함께 실제 에이전트 구축하기

DevFest 시즌은 뉴욕시 구글 허드슨 스퀘어에서 80명의 엔지니어와 함께 시작되었습니다. 이 워크숍은 단순히 코드를 암기하는 것보다 핵심 개념 이해를 우선시하는 Workbench라는 새로운 접근 방식을 소개했습니다. 참석자들은 그래프 엔지니어링, 자체 진화 아키텍처, 자동 자체 패치 하네스에 대한 정신 모델에 집중했습니다. 이날은 구글의 에이전트 스택을 사용하여 장기 실행, 자체 진화 멀티 에이전트 시스템을 구축하는 과정이 포함되었습니다. Ricky Robinett은 프롬프트 엔지니어링이 에이전트의 안전 메커니즘으로 부족한 이유를 설명했습니다. Rachel Francois와 GDG 브루클린 주최측은 지역 개발자 커뮤니티의 중요성을 강조하고 패턴을 공유했습니다. Annie Wang과 Christina Lin은 참가자들이 구글의 Agent Development Kit 및 기타 도구를 사용하는 랩을 이끌었습니다. 이 세션은 효율적인 장기 실행 작업을 위해 상태와 컴퓨팅을 분리하는 것을 보여주었습니다. 이후 Logan Hennessy와 Kartik Derasari는 더 나은 입찰 전략을 위해 BigQuery 데이터를 자율 파이프라인에 통합하는 랩을 진행했습니다. 여기에는 지출 이상을 감지하고 수정하기 위한 자체 패치 하네스 구현이 포함되었으며, 빠른 퀴즈는 경쟁적인 참여 요소를 더했습니다. DevFest Workbench 경험은 올 가을 다섯 개 도시를 더 순회할 예정이며, 등록 자리가 빠르게 채워지고 있습니다.

The DevFest Community Workshop Experience: Building Real Agents Together cloud.google.com

RSS Hunter • 9월 18일

게임의 판도를 바꾸다: Google은 에이전트 AI를 사용하여 수억 줄의 코드를 어떻게 보호하는가

Google은 AI 에이전트를 개발 프로세스에 직접 통합하여 소프트웨어 보안을 강화하고 있습니다. 이 사전 예방적 접근 방식은 코드가 작성될 때 취약점을 방지하는 것을 목표로 하며, 나중에 탐지하는 것보다 앞섭니다. 이 시스템은 모든 코드 변경 사항을 커밋되기 전에 실시간으로 평가하는 광범위한 사전 제출 스캔을 사용합니다. 이는 종종 너무 늦게 문제를 식별하는 전통적이고 느린 일회성 스캔과 대조됩니다. 정확도를 높이기 위해 실시간 코드베이스 메타데이터와 종속성 정보를 활용하는 지역화된 위협 모델을 사용합니다. 그런 다음 전문적인 분류 에이전트가 잠재적인 취약점을 확인하기 위해 빠르고 가벼운 검증을 수행합니다. 이 두 단계 프로세스는 정밀도를 손상시키지 않으면서 낮은 지연 시간을 보장합니다. 자동화된 버그 수정 에이전트는 스캔 결과를 기반으로 코드 패치를 자율적으로 생성합니다. 이러한 수정 사항은 인간 검토를 위해 제출되어 탐지에서 해결까지의 주기를 크게 단축합니다. 이 AI 네이티브 전략은 매월 수백 개의 취약점이 Google의 코드베이스에 유입되는 것을 방지했습니다. 조직은 시스템 분리, 컨텍스트 현명한 사용, 강력한 하네스 구축, 수정 자동화와 같은 유사한 원칙을 채택할 수 있습니다.

Changing the game: How Google uses agentic AI to secure hundreds of millions of lines of code cloud.google.com

RSS Hunter • 9월 18일

오케스트레이션의 미래: Google Cloud에서 Airflow 3로 향하는 Pine59의 여정

Pine59은 위치 인텔리전스를 위한 대규모 데이터 파이프라인을 관리하며, 시간별부터 분기별까지 메트릭을 생성합니다. 그들의 일일 유동 인구 지표는 작업당 최대 1,400만 개의 위치를 처리하며, Airflow 3에 의해 오케스트레이션되는 BigQuery 및 Managed Service for Apache Airflow를 사용하여 Google Cloud에서 실행됩니다. 증가하는 데이터 볼륨과 머신러닝 워크로드를 처리하기 위해 Pine59는 수백 개의 Directed Acyclic Graphs(DAGs)를 포함하는 모노레포를 현대화했습니다. 이 전환은 MLOps 기능, 개발자 워크플로우 및 파이프라인 속도를 크게 향상시켰습니다.그들은 새로운 Managed Airflow(Gen 3) 아키텍처에 대해 프로덕션 워크로드를 스트레스 테스트했으며, 처리 속도, 작업 스케줄링 및 안정성에서 즉각적인 개선을 관찰했습니다. 이 마이그레이션은 모델 추론을 위한 전용 Google Kubernetes Engine 클러스터를 통합하고 오케스트레이션을 무거운 ML 실행과 분리함으로써 MLOps를 최적화했습니다. Airflow 3의 개선된 개발자 워크플로우와 사용자 인터페이스는 "BigQuery Auto-linkify" 및 "DAG Run Configuration Search"와 같은 사용자 정의 플러그인을 통해 활용되어 디버깅 및 문제 해결 속도를 높였습니다. 호환성 shim 레이어는 Airflow 버전 간의 연산자 마이그레이션을 간소화했습니다.정량화 가능한 결과에는 DAG 실행을 위한 큐 지연 시간의 극적인 감소가 포함되며, 작업이 거의 즉시 시작됩니다. 일일 유동 인구 파이프라인의 완료 시간은 38분에서 26분 미만으로 거의 32% 감소했습니다. Pine59는 이제 모든 프로덕션 워크로드를 Gen 3 인스턴스에서 실행하여 향후 데이터 및 AI 파이프라인을 위한 더 빠르고 탄력적인 기반을 구축했습니다. 이 움직임으로 엔지니어링 팀은 인프라 관리보다 가치 제공에 더 집중할 수 있게 되었습니다.

The future of orchestration: Pine59’s journey to Airflow 3 on Google Cloud cloud.google.com

RSS Hunter • 9월 17일

Google, Forrester Wave™ 외부 위협 인텔리전스 서비스 부문 리더로 선정

Google이 Forrester로부터 외부 위협 인텔리전스 서비스 분야의 리더로 선정되었습니다. 이 회사는 고급 위협 인텔리전스 역량에 대해 여러 기준에서 가장 높은 점수를 받았습니다. Google 위협 인텔리전스는 신속하고 자율적인 조사 및 악성코드 분석을 위해 특화된 AI 에이전트를 활용합니다. 이는 Mandiant의 사고 대응 데이터와 VirusTotal의 크라우드소싱 가시성으로 지원됩니다. 딥웹 및 다크웹 모니터링은 핵심 강점으로, 위협이 확대되기 전에 탐지합니다. Google의 AI 에이전트는 Gemini와 같은 최첨단 모델을 기반으로 하여 지속적인 발전과 더 빠른 위협 컨텍스트를 가능하게 합니다. 이 플랫폼은 자율적인 캠페인 속성 분석 및 복잡한 악성코드 분석을 지원합니다. Google의 위협 인텔리전스 연구원들은 MITRE ATT&CK에 매핑된 증거 기반 속성 분석을 제공합니다. 이러한 역량은 탐지 품질을 향상시키고 보안 운영 센터의 규칙 생성을 간소화합니다. 고객들은 Google 위협 인텔리전스로 인해 선제적인 위협 식별 및 팀 효율성에서 상당한 개선을 보고하고 있습니다.

Google named a Leader in the External Threat Intelligence Service Forrester Wave™ cloud.google.com

RSS Hunter • 9월 17일

솔로 창업자가 AlloyDB와 MCP로 5개 대륙의 입찰 플랫폼을 운영하는 방법

Lucius AI는 AlloyDB for PostgreSQL에서 글로벌 입찰 정보 인텔리전스 플랫폼을 운영하며, 관계형 데이터, 감사 로그, 벡터 임베딩을 통합합니다. 이러한 통합 접근 방식은 별도의 데이터베이스 시스템의 필요성을 제거합니다. 시맨틱 검색을 ScaNN 인덱스로 마이그레이션하면서 쿼리 지연 시간이 극적으로 개선되었습니다. 쿼리 시간은 1.14초에서 단 24밀리초로 단축되어 47배의 속도 향상을 가져왔습니다. 또한, 회사는 Model Context Protocol (MCP)을 사용하여 AI 에이전트를 AlloyDB에 연결합니다. 이 통합은 쿼리 분석 및 데이터 최신성 확인과 같은 중요한 관리 작업을 자동화합니다. 엄격한 최소 권한 원칙을 구현하여 안전한 데이터베이스 운영을 보장합니다. Lucius AI의 플랫폼은 여러 대륙에 걸쳐 210,000개 이상의 입찰을 다룹니다. 이 아키텍처를 통해 단독 창업자도 광범위한 운영 조정을 효과적으로 관리할 수 있습니다. 향후 계획에는 자동화된 벡터 임베딩 및 AlloyDB의 컬럼 엔진 활용이 포함됩니다. AlloyDB와 MCP를 통해 운영을 관리함으로써 단일 엔지니어가 관리하는 탄력적인 멀티 리전 플랫폼을 구축할 수 있습니다.

How a solo founder runs a five-continent tender platform on AlloyDB and MCP cloud.google.com

RSS Hunter • 9월 17일

SeaVerse의 경우, GKE Agent Sandbox는 인프라 비용을 60% 절감합니다.

SeaVerse는 간단한 프롬프트로 사용자가 만든 플레이 가능한 AI 경험을 위한 플랫폼을 구축하는 게임 스타트업입니다. 사용자는 게임을 플레이하거나, AI 캐릭터와 채팅하거나, 자신만의 인터랙티브 앱 및 시각적 패턴을 만들 수 있습니다. 이 플랫폼은 아이디어를 신속하게 다듬고 기존 코딩 없이 게시할 수 있는 빠르고 쉬운 크리에이티브 루프를 우선시합니다. 이를 달성하기 위해 SeaVerse는 강력한 격리와 낮은 지연 시간을 갖춘 동적 멀티테넌트 AI 워크로드를 실행할 수 있는 강력한 인프라를 필요로 했습니다. 이러한 요구 사항을 충족하기 위해 Google Kubernetes Engine(GKE)과 GKE Agent Sandbox를 채택했습니다. GKE는 쿠버네티스 운영을 위한 관리형 기반을 제공하여 엔지니어들이 클러스터 유지 관리에서 벗어날 수 있도록 했습니다. GKE Agent Sandbox는 Kata Containers 및 gVisor와 같은 기술을 사용하여 동적 샌드박스 워크로드를 위한 심층적인 커널 수준 격리를 제공했습니다. 이 솔루션을 통해 SeaVerse는 사용자 경험 속도를 저하시키지 않으면서 강력한 보안 경계를 달성할 수 있었습니다. 이 플랫폼은 이제 샌드박스 성능에 대한 향상된 관찰 기능을 제공하여 문제 해결 속도를 높입니다. 이러한 향상된 가시성은 이전에 불투명했던 샌드박스 실패를 투명한 프로세스로 전환했습니다. 또한 GKE Agent Sandbox는 비용 유연성을 제공하여 SeaVerse가 리소스를 워크로드에 더 잘 맞추고 인프라 비용을 최대 60%까지 절감할 수 있도록 했습니다. 이 플랫폼은 이제 진화하는 창작물을 위한 영구 스토리지를 지원하여 크리에이터 경험을 향상시킵니다. SeaVerse는 AI 경험을 즉각적이고 표현력이 풍부하며 연결되도록 만드는 것을 목표로 하며, GKE와 GKE Agent Sandbox는 미래 성장과 혁신을 위한 강력한 기반을 제공합니다.

For SeaVerse, GKE Agent Sandbox reduces infrastructure costs by 60% cloud.google.com

RSS Hunter • 9월 16일

M4N VM 제품군, 이제 GA: I/O 및 메모리 집약적 워크로드에 대한 코어당 최고 IOPS 및 처리량

엔터프라이즈 애플리케이션은 종종 스토리지 I/O 및 메모리 액세스 병목 현상에 직면하여 컴퓨팅 코어의 과잉 프로비저닝과 소프트웨어 라이선스 비용 증가를 초래합니다. Google Cloud의 Compute Engine에 새로 출시된 M4N 머신 시리즈는 이러한 과제를 해결하기 위해 설계되었습니다. 이 인스턴스는 I/O 집약적이고 메모리가 많이 필요한 워크로드를 위해 특별히 제작되어 경쟁사 대비 상당한 이점을 제공합니다. M4N은 메모리가 많이 필요한 인스턴스에 대해 코어당 최고의 IOPS 및 처리량을 제공합니다. 또한 Oracle 데이터베이스에 대해 총 소유 비용을 20% 이상 절감할 수 있습니다.M4N 인스턴스는 최대 26:1의 더 높은 메모리 비율을 특징으로 하며 최대 6TB의 메모리로 확장할 수 있습니다. Intel의 5세대 Xeon 확장 가능 프로세서와 Google Cloud의 맞춤형 Titanium 오프로드 아키텍처를 기반으로 하여 뛰어난 호스트 스토리지 성능을 제공합니다. Hyperdisk Extreme과 함께 사용하면 M4N 인스턴스는 최대 25GiB/s의 집계 스토리지 성능과 1백만 IOPS를 달성할 수 있습니다. 이 새로운 제품은 기존 메모리 최적화 제품군을 보완하며 특히 스토리지 및 네트워크 병목 현상을 목표로 합니다.M4N은 미션 크리티컬 데이터베이스, 생성형 AI 데이터 계층, 엔터프라이즈 헬스케어 및 실시간 분석에 이상적입니다. 높은 메모리 대 코어 비율은 빠른 데이터 수집 및 제로 스톨 백업 주기를 가능하게 합니다. 이 인스턴스는 또한 대규모 벡터 인덱스에 대한 밀리초 미만의 유사성 검색 및 400Gbps 네트워크 대역폭을 지원합니다. 이 기능은 생성형 AI에서 분산 모델 검색에 중요합니다.엔터프라이즈 헬스케어 및 ERP 시스템의 경우 M4N은 지속적인 I/O 헤드룸을 보장하여 피크 사용 시 지연 시간 급증을 방지합니다. 이는 Epic Systems 및 SAP S/4HANA와 같은 애플리케이션에 필수적입니다. 실시간 분석 및 전자 설계 자동화는 대규모 데이터 세트를 로드하기 위한 높은 메모리 용량과 최대 스토리지 대역폭의 이점을 누릴 수 있습니다. 이를 통해 효율적인 체크포인팅 및 인메모리 처리가 가능합니다.M4N 인스턴스는 인프라의 적절한 크기 조정을 가능하게 하여 Oracle 라이선스 비용을 크게 최적화합니다. 기업은 성능 밀도 요구 사항을 충족하면서 코어의 과잉 프로비저닝을 줄일 수 있습니다. 이는 다른 하이퍼스케일러에 비해 총 소유 비용을 상당하게 절감합니다. 코어당 더 많은 메모리를 사용하면 데이터베이스의 더 큰 부분이 시스템 전역 영역에 상주하여 비용이 많이 드는 I/O 작업을 줄일 수 있습니다.초기 고객 경험은 M4N이 다양한 인스턴스 크기에 걸쳐 높은 처리량을 제공하여 워크로드를 혁신하는 데 중요한 역할을 한다는 점을 강조합니다. 새로운 컴퓨팅 플랫폼은 확장 가능하고 복원력이 있으며 성능이 뛰어난 엔터프라이즈 Oracle 배포의 잠재력을 보여줍니다. M4N은 대규모 메모리 공간과 극도의 I/O 성능 간의 격차를 해소하여 추가 인프라 없이 병목 현상을 최소화합니다. 이는 까다로운 데이터 환경에 강력한 솔루션이 됩니다. M4N 인스턴스는 현재 전 세계 일부 지역에서 사용할 수 있습니다.

M4N VM family, now GA: Highest per-core IOPS and throughput for I/O and memory-bound workloads cloud.google.com

RSS Hunter • 9월 16일

클라우드 CISO 관점: Google은 AI 위협을 어떻게 모니터링하고 AI 방어를 발전시키는가

이 글은 AI 개발사이자 보안 회사로서 구글의 이중적 역할을 논하며 AI 위협에 대한 독특한 통찰력을 제공합니다. Sandra Joyce는 AI가 소프트웨어 개발을 재편하고, 공격 표면을 확장하며, 위협 역량을 강화하는 세 가지 핵심적인 변화를 강조합니다. 공격자들은 AI 지원 코딩 도구를 오염시키고 프롬프트 주입과 같은 방법을 통해 AI 에이전트를 표적으로 삼고 있습니다. 구글은 실시간 "사이버 보안을 위한 맞춤법 검사" 기능을 통해 AI 개발 파이프라인에 직접 보안을 구축하고 있습니다. 보안을 위한 단일 AI 모델로는 충분하지 않으며, 구글은 포괄적인 취약점 탐지를 위해 다중 모델 접근 방식을 사용합니다. 적들은 GPU 접근을 표적으로 삼고 귀중한 AI 데이터, 모델 및 자격 증명을 훔침으로써 AI 워크로드를 악용하고 있습니다. 구글은 이러한 확장되는 위협에 맞서기 위해 코드, 모델, 데이터 및 신원을 연결하는 통합 보안 그래프를 옹호합니다. AI 기반 공격에 대응하기 위해 수동적인 사고 대응은 기계 속도의 운영으로 대체되고 있습니다. 방어자들은 AI 모델에 입력되어 더 빠르고 정확한 보안을 제공할 수 있는 깊은 내부 컨텍스트 덕분에 이점을 가지고 있습니다. 구글은 악성 인프라를 비활성화하고, AI 모델을 강화하며, 취약점 탐지를 자동화하고, 고급 방어를 개발함으로써 생태계를 적극적으로 방어합니다. 이 글은 AI 시대를 안전하게 만드는 데는 AI 기반 방어와 지속적인 기계 속도 보호로의 전환이 필요하다고 강조합니다.

Cloud CISO Perspectives: How Google monitors AI threats and advances AI defenses cloud.google.com

RSS Hunter • 9월 16일

오렌지가 에이전트를 활용하여 FinOps를 모두의 책임으로 만드는 방법

프랑스의 통신 대기업인 Orange는 "FinOps Clean Days"를 통해 클라우드 지출 문제를 성공적으로 해결하고 있습니다. 이러한 이벤트는 엔지니어링 팀이 정기 업무를 잠시 중단하고 협력적으로 클라우드 비용을 최적화하는 활동으로, 종종 경쟁적인 리더보드와 보상이 포함됩니다. 숙련된 실무자들이 신규 참여자들을 멘토링하며 실제 적용을 통해 학습을 촉진하고 스폰서들에게 실질적인 결과를 보여줍니다. 이러한 게임화된 접근 방식은 Orange의 FinOps 커뮤니티의 참여와 만족도를 크게 향상시켜 높은 순 추천 고객 지수(NPS)를 달성했습니다.이 회사의 성공은 클라우드 비용에 대한 공유된 책임과 변화를 이끌기 위한 소통의 필요성이라는 두 가지 핵심 FinOps 원칙에 뿌리를 두고 있습니다. Orange는 FinOps가 클라우드 보안과 마찬가지로 프로젝트 내 모든 이해관계자를 포함한다고 강조합니다. 이를 촉진하기 위해 표준화된 소통 채널을 활용하고 지속적인 가치를 보장하기 위해 실행 가능한 업데이트를 제공하는 FinOps 커뮤니티 오브 프랙티스를 설립했습니다.Clean Days라는 개념은 애자일 팀의 운영 현실을 이해하는 것에서 비롯되었는데, 여기서 최적화는 종종 전달 우선순위에 밀려납니다. 이러한 활동을 위한 전담적이고 협력적이며 즐거운 시간을 마련함으로써 Orange는 이러한 일반적인 장애물을 극복합니다. 이 전략은 맥킨지의 변화 관리 프레임워크와 일치하며, 확신, 공식적인 메커니즘, 역할 모델링, 인재 개발을 다룹니다. 게임화와 가시적인 성공은 확신과 역할 모델링을 구축하고, 동료 간 지도는 기술을 개발합니다.핵심 그룹 100명 이상의 참여를 확대하려면 AI 에이전트를 활용해야 합니다. 이러한 에이전트는 시간이 많이 소요되는 작업을 처리하고, 엔지니어의 마찰을 줄이며, 인식 격차, 대역폭 제한 또는 보고의 복잡성과 같은 지속적인 문제를 해결할 수 있습니다. AI 에이전트의 전략적 채택은 신뢰가 구축되고 운영 위험이 관리되면 변경 사항을 실행하는 에이전트로 점진적으로 이동하면서 기능에 대한 정보를 제공하고 제안하는 것부터 시작해야 합니다.이러한 AI 솔루션 구축은 코딩 수준이 낮은 Gemini Enterprise App 또는 개발자를 위한 보다 고급인 Gemini Enterprise Agent Platform과 같이 다양한 코딩 수준으로 수행할 수 있습니다. 궁극적으로 효과적인 클라우드 FinOps는 AI 에이전트로 강화된 강력한 문화적 기반에 의해 주도되는 중앙 집중식 보고에서 분산된 조치로 전환하고 있습니다. Orange의 성과는 이러한 커뮤니티 주도 접근 방식을 육성하는 것의 중요성을 가장 중요한 첫걸음으로 강조합니다.

How Orange uses agents to make FinOps everyone's responsibility cloud.google.com

RSS Hunter • 9월 16일

네이티브의 세분화된 컨트롤을 갖춘 새로운 세션 관리 도구 소개

Google Cloud는 보안을 강화하고 자격 증명 도용을 완화하기 위해 세션 관리를 개선했습니다. 이전에 자체적으로 구성하지 않은 모든 고객에게 기본 16시간 세션 길이가 적용됩니다. 이 보안 표준은 더 광범위한 보호를 보장하기 위해 전 세계적으로 확장되었습니다. 세션 제어는 단순한 관리 설정에서 벗어나 Context-Aware Access와 통합된 세분화된 기능으로 발전했습니다. 이 업데이트는 관리자에게 향상된 유연성, 더 나은 자동화 및 보다 간소화된 보안 워크플로를 제공합니다. Terraform, gcloud CLI 및 REST API를 통한 Infrastructure as Code 지원은 세션 정책의 프로그래밍 방식 관리를 가능하게 합니다. 이제 Google 그룹을 사용하여 정책을 정밀하게 타겟팅할 수 있어 Elevated privilege users와 같은 다른 사용자 그룹에 대해 별도의 세션 길이를 설정할 수 있습니다. 또한 Google Cloud Console 및 gcloud CLI와 같은 특정 애플리케이션에 세션 제어를 적용하여 과도하게 제한적인 일괄 정책을 방지할 수 있습니다. 관리자는 이제 Access Context Manager를 통해 Google Cloud Console 내에서 직접 이러한 정책을 관리할 수 있어 통합된 환경을 제공합니다. 이러한 변경으로 인해 개발자 생산성을 저해하지 않으면서 고위험 영역에서 더 엄격한 재인증 경계를 설정할 수 있습니다.

Introducing new session management tools with native, granular controls cloud.google.com

RSS Hunter • 9월 15일

통신사 자율성 확장: 분산 GraphFlow와 GNN 활용

통신 산업은 현대 네트워크의 복잡성이 증가함에 따라 자율 네트워크 운영으로 전환하고 있습니다. 전통적인 수동 방식과 기본적인 머신러닝은 이러한 정교한 시스템을 자동화하기에 충분하지 않습니다. AI 에이전트는 추론 기능을 제공하지만 방대한 규모의 네트워크 데이터 처리에는 어려움을 겪습니다. 이 격차를 해소하기 위해 그래프 신경망(GNN)이 AI 에이전트와 통합되어 대규모 시공간 및 관계형 데이터를 처리하고 있습니다. 이 조합은 추론 및 실행과 함께 근본 원인 분석 및 용량 계획과 같은 고급 진단을 가능하게 합니다. Google Cloud의 자율 네트워크 운영 프레임워크는 데이터, ML, AI의 세 가지 구성 요소 접근 방식을 사용합니다. 기반은 실시간 네트워크의 동적 그래프 표현인 네트워크 디지털 트윈이며, 확장성과 다중 모델 지원을 위해 Google Cloud의 Spanner Graph에 호스팅됩니다. ML 계층은 GNN 수명 주기를 관리하기 위한 오픈 소스 Python 라이브러리인 Distributed Graph Flow(DGF)를 활용하여 예측 통찰력을 가능하게 합니다. DGF는 GNN 모델 개발을 단순화하여 이상 감지, 근본 원인 분석 및 예측 유지 보수와 같은 애플리케이션을 가능하게 합니다. 또한 네트워크 변경 및 그 영향을 시뮬레이션하여 "what-if" 분석을 용이하게 합니다. 5단계 프로세스는 디지털 트윈에 연결하고, 예측 모델을 훈련하고, 실시간 추론을 위해 배포하는 과정을 포함하여 DGF 및 GNN을 사용하여 근본 원인 분석을 구현하는 과정을 설명합니다. GNN 기반의 이러한 발전은 더 짧은 장애 시간, 최적화된 용량 및 개선된 고객 경험을 약속합니다.

Scaling Telco Autonomy: Leveraging GNNs with Distributed GraphFlow cloud.google.com

RSS Hunter • 9월 15일

Filestore 에이전트 볼륨 소개: 에이전트 워크스페이스를 위한 완전 관리형 스토리지

기업에게 데이터 기반 작업을 실행하는 것은 매우 중요하지만, 현재 에이전트 스토리지 솔루션은 상태 이동이나 수동 디스크 관리와 같은 복잡한 임시방편을 포함합니다. 이러한 방법은 에이전트 플릿이 확장됨에 따라 지연 시간, 운영 복잡성 및 비용 측면에서 절충을 초래합니다. 조직은 엄격한 격리, 즉각적인 세션 재개, 사용량 기반 경제, 유연한 멀티 에이전트 협업을 제공하는 스토리지가 필요합니다. 이러한 요구를 충족하기 위해 Google Cloud는 완전 관리형 고성능 탄력적 파일 스토리지 솔루션인 Filestore 에이전트 볼륨을 출시합니다. 이 새로운 기능은 Google Cloud에서 에이전트 워크로드를 확장하기 위해 특별히 설계되었으며, GKE의 Agent Substrate와 같은 전용 컴퓨팅 환경을 보완합니다. Filestore 에이전트 볼륨은 GKE 샌드박스에 대한 격리된 영구 파일 스토리지에 즉각적인 액세스를 제공하며 전체 볼륨 수명 주기를 자동화합니다. 주요 이점으로는 세분화된 격리 및 엔터프라이즈 가드레일, 비용 절감을 위한 초당 미만의 세션 재개, 사용량 기반 가격 책정을 통한 스마트 수명 주기 경제, 네이티브 RWX 지원을 통한 멀티 에이전트 협업이 있습니다. 이 솔루션은 소프트웨어 엔지니어링 샌드박스, 협업 멀티 에이전트 스웜, 대화형 장기 워크플로우와 같은 다양한 에이전트 워크로드를 지원합니다. Filestore 에이전트 볼륨은 현재 비프로덕션 워크로드에 사용할 수 있으며, 허용 목록을 통한 프로덕션 지원을 통해 확장 가능한 에이전트 플랫폼을 위한 GKE와의 원활한 통합을 제공합니다.

Introducing Filestore agent volumes: fully managed storage for agent workspaces cloud.google.com

RSS Hunter • 9월 15일

Agent Substrate는 GKE에 고밀도, 확장 가능하며 신뢰할 수 있는 인프라를 제공합니다.

오픈 소스 에이전트 실행 런타임인 Agent Substrate가 Google Kubernetes Engine(GKE)에서 출시되었습니다. 이 기술은 표준 컨테이너보다 훨씬 높은 밀도로 수백만 개의 샌드박스화된 자율 에이전트를 실행하도록 설계되었습니다. Agent Substrate는 네이티브 제로 트러스트 커널과 네트워크 격리를 통해 빠른 일시 중지 및 재개 작업을 자랑합니다. 최고 순위의 Hermes Agent를 개발한 Nous Research와 같은 선도적인 AI 팀들이 이미 Agent Substrate를 활용하고 있습니다. 에이전트 플랫폼을 확장하는 것은 불투명한 신뢰 경계 및 도구 액세스 마찰과 같은 문제를 야기합니다. 기존 아키텍처는 대규모 에이전트 활동 폭증과 유휴 컴퓨팅 리소스 처리에 어려움을 겪습니다. Agent Substrate는 에이전트 실행을 머신 관리에서 분리하여 이러한 문제를 해결합니다. 마이크로VM 또는 gVisor 샌드박스를 사용한 기본 보안과 세분화된 네트워크 제어를 제공합니다. 이 시스템은 에이전트의 초당 미만 활성화를 보장하고 유휴 에이전트를 일시 중지하여 컴퓨팅 리소스를 확보함으로써 높은 효율성을 제공합니다. 모든 Kubernetes 클러스터에서 실행되며 GKE에 최적화되어 있으며, 비용 효율성을 위해 사용자 지정 ComputeClasses와 Arm 기반 프로세서를 활용합니다. Agent Substrate는 프로덕션 에이전트 애플리케이션 구축을 위한 확장 가능하고 안정적인 기반을 제공합니다.

Agent Substrate brings high-density, scalable, trusted infrastructure to GKE cloud.google.com

RSS Hunter • 9월 15일

클라우드 안정성 사고 처리 모범 사례

클라우드 장애는 사소한 영향부터 광범위한 영향까지 서비스에 상당한 혼란을 야기할 수 있습니다. 이러한 사고를 처리하기 위해 검증(Verify), 조사(Investigate), 보고(Report), 해결(Resolve), 검토(Review)의 구조화된 워크플로우가 권장됩니다. 실패를 염두에 둔 설계와 대응 단계 연습을 포함한 사전 준비는 매우 중요합니다. 이 가이드는 보안 관련 조치를 제외하고 안정성 사고 처리를 위한 기본적인 모범 사례에 중점을 둡니다. 사이트 신뢰성 엔지니어링(Site Reliability Engineering)에서는 AI 에이전트를 활용한 고급 기술도 등장하고 있습니다. 초기 단계는 자동화된 대응을 위한 설계, 즉시 사용 가능하고 복제된 데이터 보장, 명확한 역할이 정의된 플레이북 개발, 정기적인 훈련 연습 실시를 포함하는 준비입니다.다음 단계는 검증으로, 감지된 장애는 Google, 사용자 또는 제3자에게 귀속되어야 합니다. 개인화된 서비스 상태(Personalized Service Health)와 공개된 클라우드 서비스 상태 대시보드(Cloud Service Health dashboard)를 확인하면 Google이 사고를 선언했는지 여부를 판단하는 데 도움이 됩니다. 조사는 Google이 사고를 선언하지 않은 경우, 특히 최근 변경 사항을 고려하여 지표와 로그를 분석하여 원인을 파악하는 것을 포함합니다. 서비스 상태 대시보드가 정상임에도 불구하고 서비스가 실패하는 경우, 적절한 우선순위 설정과 상세한 사례 제출과 함께 Google에 보고해야 합니다.해결은 이해관계자와의 소통, 가능한 경우 보조 시스템으로의 장애 조치(failover), 임시 방편(workaround) 식별을 포함합니다. 기업은 또한 규제 보고 요구 사항도 고려해야 합니다. 안정성이 복구된 후에는 플레이북, 도구 및 교육 개선 영역을 식별하기 위해 비난 없는 사후 분석(blameless post-mortem)이 필수적입니다. 이 검토 프로세스는 향후 장애에 대한 사고 대응 역량을 개선하는 데 도움이 됩니다.

Best practices for handling cloud reliability incidents cloud.google.com

RSS Hunter • 9월 15일

Google은 The Forrester Wave™: Public Cloud Platforms, Q3 2026의 리더입니다.

Google Cloud는 Forrester Wave™: Public Cloud Platforms, Q3 2026 보고서에서 리더로 인정받았습니다. 이 회사는 '현재 제공' 부문에서 가장 높은 점수를 획득했습니다. 또한 평가된 30개 기준 중 23개에서 최고점을 받아 AI 개발, 데이터베이스, 분석 및 보안 분야에서의 강점을 강조했습니다. 이러한 인정은 에이전트 시대(agentic era)를 위한 Google Cloud의 통합 플랫폼 전략을 강조합니다. Gemini 및 Search와 같은 서비스를 위해 10년 이상 인프라가 공동 설계되었습니다. 이 통합 AI 스택은 향상된 가치를 위해 컴퓨팅, 오케스트레이션 및 네트워킹을 제공합니다. Google Cloud는 빠른 혁신과 AI 기반 플랫폼에 중점을 둔 기업에게 유리한 위치에 있습니다. 이 플랫폼은 Kubernetes를 활용하여 안전하고 유연한 기반에서 자율 에이전트 실행을 지원합니다. 최근 개선 사항에는 안전한 코드 실행을 위한 GKE Agent Sandbox와 컴퓨팅 비용 절감을 위한 GKE Pod Snapshots가 포함됩니다. Agentic Data Cloud는 실시간 컨텍스트를 위해 트랜잭션 데이터와 분석 데이터를 통합합니다. Google Cloud는 데이터베이스, 분석 및 데이터 거버넌스 서비스에서 뛰어나며 통합된 데이터 에스테이트를 제공합니다. 이를 통해 에이전트는 비용이 많이 드는 이동 없이 실시간 기업 데이터를 쿼리하여 결정론적 응답성을 촉진할 수 있습니다.

Google is a leader in The Forrester Wave™: Public Cloud Platforms, Q3 2026 cloud.google.com

RSS Hunter • 9월 14일

Dataflow에서 Pause/Resume 및 NVIDIA RTX PRO 6000 Blackwell GPU 지원 발표

기업은 효율적인 AI 및 에이전트 워크플로우를 위해 서버리스 플랫폼이 필요하며, 데이터 준비가 주요 과제입니다. Google Cloud의 Dataflow는 분석 및 AI를 위한 배치 및 스트리밍 파이프라인을 지원합니다. 이제 장기 실행 배치 작업의 컴퓨팅 효율성을 개선하고 AI 워크로드의 추론 성능을 향상시키는 상당한 개선이 이루어졌습니다. Dataflow 배치 작업에 대한 Pause/Resume의 일반 공급을 통해 사용자는 마지막 체크포인트부터 실패한 작업을 다시 시작하여 컴퓨팅을 절약하고 생산성을 향상시킬 수 있습니다. 이 기능은 또한 우선순위가 높은 AI 작업을 위해 컴퓨팅 리소스를 동적으로 재할당할 수 있도록 합니다. 또한 Dataflow는 이제 NVIDIA RTX PRO 6000 Blackwell GPU를 탑재한 G4 VM을 지원합니다. 이러한 새로운 GPU는 AI 추론을 위해 메모리와 대역폭 증가를 포함한 상당한 성능 향상을 제공합니다. 이를 통해 Dataflow 작업은 700억 개 이상의 매개변수를 가진 모델을 직접 처리할 수 있습니다. 고객은 이러한 새로운 GPU와 함께 RunInference 및 GPU 지원 자동 확장과 같은 네이티브 Dataflow ML 기능을 활용할 수 있습니다. Pause/Resume과 새로운 GPU는 함께 배치 작업 비용을 최적화하고 까다로운 AI 워크로드를 가속화합니다. 이러한 발전은 고객을 위한 AI 개발 및 배포를 단순화하는 것을 목표로 합니다.

Announcing Pause/Resume and NVIDIA RTX PRO 6000 Blackwell GPU support in Dataflow cloud.google.com

RSS Hunter • 9월 14일

에이전트 준비 분석: BigQuery 증강 분석으로 인사이트 잠금 해제

BigQuery는 복잡한 데이터 분석을 자동화하기 위해 증강 분석 Table-Valued Functions(TVF)를 도입했습니다. 이 함수들은 AI, ML 및 통계 방법을 결합하여 데이터 내에서 더 빠른 인사이트 발견을 지원합니다. 여섯 가지 새로운 TVF를 사용할 수 있습니다: AI.KEY_DRIVERS는 메트릭 변경의 주요 요인을 식별하고, AI.CAUSAL_EFFECT는 조치의 영향을 정량화하며, ML.CORRELATION은 메트릭 간의 관계를 측정하고, ML.DETECT_CHANGE_POINTS는 데이터의 변화 시점을 찾으며, ML.TREND는 노이즈로부터 근본적인 성장을 분리하고, ML.SEASONALITY는 예측 가능한 주기를 발견합니다. 이러한 TVF는 다단계 분석을 위해 서로 연결하여 사용할 수 있습니다. 한 예시는 bikeshare 여행 데이터를 분석하기 위해 ML.DETECT_CHANGE_POINTS, AI.KEY_DRIVERS 및 AI.CAUSAL_EFFECT를 사용하는 방법을 보여줍니다. 이 연결 과정은 먼저 여행량의 중요한 변화를 식별한 다음, 해당 변화를 유발하는 요인을 정확히 찾아내고, 마지막으로 실제 비즈니스 영향을 정량화합니다. 또한 이 TVF는 Conversational Analytics와 통합되어 자연어 쿼리를 통해 복잡하고 다단계적인 데이터 조사를 트리거할 수 있습니다. 예시는 대화형 프롬프트가 택시 및 주류 판매 데이터에 대한 상관 관계 및 추세 분석을 위해 이러한 TVF를 활용하는 방법을 보여줍니다. 이러한 함수들은 데이터 기반 인사이트를 효율적으로 이해하고 실행하는 능력을 크게 향상시킵니다.

Agent-ready analytics: Unlocking insights with BigQuery augmented analytics cloud.google.com

RSS Hunter • 9월 14일

골드만삭스 커뮤니코피아 & 테크놀로지 컨퍼런스에서 열린 토마스 쿠리안 기조연설의 3가지 주요 내용

Thomas Kurian는 Goldman Sachs Tech Conference에서 Google Cloud의 전략을 발표하며 풀스택 AI 접근 방식을 강조했습니다. Google Cloud는 전체 AI 스택에 걸쳐 솔루션을 제공하며, 성능, 비용 및 품질 면에서 차별화하여 시장과 수익을 확대하고 있습니다. 이 회사는 10억 달러 이상의 수익을 올리는 17개의 제품 라인을 보유하고 있으며, 고객들은 종종 약속을 50% 이상 초과 달성합니다. 1억 달러에서 10억 달러 사이의 거래에서 상당한 성장이 나타나고 있으며, 1억 달러 이상의 약속을 보유한 고객은 300명 이상입니다. Google Cloud의 AI 인프라는 차별화된 제품을 기반으로 구축되어 AI 모델의 비용을 절감하고 성능을 향상시킵니다. AI 서버는 2년의 투자 회수 기간을 가지며, TPU는 이보다 더 빠른 수익을 제공합니다. AI 인프라 총 계약 가치의 대다수는 5년 약정 계약에서 발생합니다. Gemini Enterprise의 채택이 강력하며, 비용 효율적이고 통제된 비즈니스 통찰력을 제공합니다. Google Cloud의 AI 제품을 사용하는 고객들은 더 많은 제품을 사용하며, 1.8배 더 많은 제품을 활용합니다. 이러한 진술은 미래 예측적이었으며 다양한 위험과 불확실성에 영향을 받았습니다.

3 Highlights from Thomas Kurian’s Keynote at the Goldman Sachs Communicopia & Technology Conference cloud.google.com

RSS Hunter • 9월 11일

AI 코딩 에이전트용 Google Cloud 개발자 플러그인 소개

에이전트 스킬은 AI 워크플로우를 향상시키지만, 개별적으로 관리하는 것은 번거로울 수 있습니다. 플러그인은 관련 스킬과 도구를 설치 가능한 단위로 묶어 이러한 문제를 해결하기 위해 도입되었습니다. Google Cloud는 이제 AI 코딩 에이전트를 위한 새로운 플러그인을 제공하여 Google Cloud별 기능을 부여합니다. 이 플러그인은 관련 기능을 함께 패키징하여 도구 결합의 문제를 해결합니다. 에이전트가 Google Cloud 스킬을 효과적으로 검색하고, 문서를 사용하며, 플랫폼과 프로그래밍 방식으로 상호 작용할 수 있도록 보장합니다. 이 플러그인은 개방형 Agent Plugins 사양을 기반으로 구축되어 AI 코딩 환경 전반에 걸쳐 상호 운용성을 촉진합니다. 주력 플러그인인 google-cloud-developer는 인증 및 프로젝트 관리와 같은 기본적인 Google Cloud 상호 작용을 에이전트에게 지원합니다. 또한 최신 문서를 위한 Developer Knowledge MCP 서버를 번들로 제공합니다. 이 플러그인은 환경 인식 및 모범 사례 검토를 통해 프로젝트 온보딩 및 ID 인증과 같은 프로세스를 간소화합니다. Google Cloud 플러그인 설치는 CLI 명령 또는 마켓플레이스 추가를 통해 간단합니다. 사용자들은 새로운 플러그인을 사용해보고 안내된 설정 및 더 깊은 통찰력을 얻기 위한 추가 리소스를 탐색하는 것이 좋습니다.

Introducing the Google Cloud Developer Plugin for AI Coding Agents cloud.google.com

RSS Hunter • 9월 10일

AlloyDB Omni RPM Orchestrator를 갖춘 엔터프라이즈급 PostgreSQL이 일반적으로 사용 가능합니다.

AlloyDB Omni Red Hat RPM 오케스트레이터의 일반 공급이 이제 PostgreSQL 워크로드에 대한 프로덕션 준비 보안 및 낮은 다운타임 운영을 제공합니다. 이 릴리스는 Kubernetes를 포함한 독립형 RPM 및 컨테이너화된 옵션을 포함한 4가지 배포 모드를 지원합니다. RPM 배포는 클라우드 성능과 로컬 제어를 필요로 하는 조직, 특히 워크로드 현대화 및 규제 환경에 이상적입니다. 또한 낮은 지연 시간 처리 및 연결되지 않은 작업을 위해 엣지 및 온프레미스 배포를 가능하게 합니다. 오케스트레이터는 유연한 참조 아키텍처를 제공하여 클러스터 프로비저닝 및 수명 주기 관리를 단순화합니다. 고가용성은 동기 복제 및 자동 장애 처리를 통해 달성되며, 읽기 풀은 읽기 워크로드의 동적 확장을 허용합니다. 데이터 보호는 GCS 또는 S3 호환 스토리지에 대한 시점 복구를 지원하는 자동 백업 및 복원 기능으로 강화됩니다. SELinux 적용은 엄격한 규정 준수를 위해 제공되며, 낮은 다운타임 유지 관리는 롤백 지원을 통해 업데이트 및 확장을 자동화합니다. 오케스트레이터는 노드를 추가하거나 제거하여 동적 구성 튜닝 및 클러스터 유지 관리를 단순화합니다. 풍부한 가시성을 위한 고급 로깅, 사용자 지정 메트릭을 제공하며 생성형 AI 애플리케이션을 위한 AlloyDB의 AI 기능을 통합합니다.

Enterprise-grade PostgreSQL with AlloyDB Omni RPM Orchestrator is generally available cloud.google.com

RSS Hunter • 9월 9일

Google은 2026 Gartner® Magic Quadrant™ for Enterprise AI Assistants에서 리더입니다.

Gartner는 Google을 엔터프라이즈 AI 어시스턴트 부문 최초의 2026 매직 쿼드런트에서 리더로 선정했으며, 이는 Google의 비전 완성도와 실행 능력을 인정받은 결과입니다. Gemini Enterprise는 AI를 일상 업무에 안전하게 통합하는 통합 플랫폼으로 강조되며, 단순한 채팅을 넘어 AI 에이전트를 통해 복잡한 워크플로우를 자동화합니다. 기존 도구 및 인프라와 연결되며, 내장된 보안 및 거버넌스를 통해 확장성과 비용 효율성을 제공합니다. Gartner는 Gemini Enterprise의 통합 AI 프론트 도어, 다양한 시스템에 대한 개방형 연결성, 그리고 간결한 가격 책정을 높이 평가했습니다. 또한 이 플랫폼은 강력한 거버넌스를 즉시 제공하며 Google의 풀스택 AI 인프라의 이점을 누릴 수 있습니다. 최근의 발전에는 법률 및 금융 서비스를 위한 맞춤형 산업 솔루션, Google Antigravity와 같은 개발자 도구, 그리고 개선된 FinOps 및 비용 제어가 포함됩니다. Accenture, Cleary Gottlieb, Deutsche Bank, Williams & Connolly와 같은 고객들은 이미 상당한 가치와 효율성 향상을 경험하고 있습니다. Gemini Enterprise는 조직이 모든 팀에 걸쳐 거버넌스되고 연결된 에이전트를 배포할 수 있도록 지원합니다. 독자들은 엔터프라이즈 AI 어시스턴트 시장에 대한 포괄적인 분석을 위해 전체 Gartner 보고서를 다운로드할 수 있습니다.

Google is a Leader in the 2026 Gartner® Magic Quadrant™ for Enterprise AI Assistants cloud.google.com

RSS Hunter • 9월 9일

DMS를 넘어서: 클라우드 SQL로의 SQL Server 로그인 및 사용자 마이그레이션 가속화

Database Migration Service는 로그인과 같은 서버 수준 개체는 보안 및 규정 준수상의 이유로 제외하고 데이터를 효율적으로 복제합니다. 이러한 의도적인 누락은 온프레미스 권한이 클라우드로 자동 전송되지 않도록 하여 무단 권한 상승을 방지합니다. 암호화된 비밀번호 해시를 감독 없이 마이그레이션하는 것은 PCI-DSS 및 SOC 2와 같은 규정 준수 프레임워크를 위반하는 것이기도 합니다. 이 프로세스는 오래된 자격 증명을 제거하고 클라우드 네이티브 인증으로 전환하여 ID 현대화를 가능하게 합니다. SQL Server는 서버 수준에서 연결을 인증하는 로그인과 데이터베이스 내에서 작업을 승인하는 사용자를 분리합니다. 보안 식별자(SID)는 서버 로그인과 데이터베이스 사용자를 연결합니다. 데이터베이스가 해당 로그인 없이 마이그레이션되거나 일치하지 않는 SID로 마이그레이션되면 사용자가 고아가 될 수 있습니다. Microsoft의 sp_help_revlogin 스크립트는 원래 비밀번호 해시 및 SID로 로그인을 다시 생성하는 T-SQL 문을 생성합니다. 이 스크립트는 마이그레이션 쿼리를 생성하기 위해 원본 인스턴스에서 실행됩니다. 그런 다음 이 생성된 쿼리는 대상 Cloud SQL 인스턴스에서 실행되어 필요한 로그인을 생성합니다. 사용자가 고아가 된 경우 ALTER USER 명령을 사용하여 올바른 서버 로그인으로 다시 매핑할 수 있습니다. 보안 강화를 위해 중앙 집중식 Kerberos 기반 인증을 위해 Customer-Managed Active Directory로 마이그레이션하는 것을 고려하십시오.

Beyond DMS: Accelerating Migrations SQL Server Logins and Users to Cloud SQL cloud.google.com

RSS Hunter • 9월 9일

Spanner: DML 트랜잭션에 대한 누적 돌연변이 제한 제거

전역적으로 일관된 관계형 데이터베이스인 Google Cloud Spanner가 더 크고 복잡한 작업을 위한 트랜잭션 처리를 업데이트했습니다. 이전에는 Spanner가 총 트랜잭션 수정 사항을 80,000개의 "뮤테이션 모드(mutation mods)"로 제한했습니다. 행에 열과 인덱스를 곱한 값으로 계산되는 이 제한은 애플리케이션이 발전함에 따라 도달할 수 있었습니다. 새로운 유연성은 이 80,000 뮤테이션 모드 제한을 전체 트랜잭션에서 개별 데이터 조작 언어(DML) 문으로 이동시킵니다. 이는 단일 트랜잭션이 이제 여러 DML 문을 포함할 수 있음을 의미하며, 각 문은 자체 80,000 모드 제한을 준수해야 합니다. 이를 통해 개발자는 인위적인 분할 없이 비즈니스 요구 사항에 따라 DML 문을 논리적으로 그룹화할 수 있습니다. 이 변경 사항은 기존 Spanner 클라이언트 라이브러리와 하위 호환되며 애플리케이션 코드 업데이트가 필요하지 않습니다. 그러나 개발자는 더 큰 트랜잭션이 잠금을 더 오래 유지하여 중단을 증가시킬 수 있다는 점에 유의해야 합니다. 80,000 모드 제한은 DML 문에 개별적으로 적용되지만, 뮤테이션 API를 사용하는 단일 커밋 호출의 전체 뮤테이션 집합에는 여전히 적용됩니다. 개발자는 CommitStats의 mutation_count를 통해 총 모드를 모니터링할 수 있습니다. 80,000 모드를 초과하는 단일 DML 문은 여전히 오류가 발생하며, 바이트 크기와 같은 다른 트랜잭션 제한은 활성 상태로 유지됩니다. 모범 사례에는 CommitStats 모니터링 및 대규모 작업 최적화가 포함됩니다. Spanner는 확장 가능하고 항상 사용 가능한 운영 애플리케이션을 위한 안정적인 선택지로 남아 있으며, 이제 개발자에게 향상된 유연성을 제공합니다.

Spanner: Removing cumulative mutation limits for DML transactions cloud.google.com

RSS Hunter • 9월 9일

Airtel이 완벽한 2026년 인도 프리미어 리그 크리켓 방송을 제공한 방법

Airtel은 수백만 명의 팬들에게 인디언 프리미어 리그 크리켓 시즌을 위한 완벽한 라이브 스트리밍을 제공하는 것을 목표로 했습니다. 그들은 IPL 2026 시즌의 디지털 제공을 위해 Google Cloud와 파트너십을 맺었습니다. 스트리밍 인프라는 74경 건의 데이터 처리량을 처리했으며, 결승전에서는 수십억 건의 요청을 처리했습니다. 대규모 동시 접속 급증 시 비디오를 제공하기 위해서는 지역화와 사전 모니터링에 중점을 둔 엣지 아키텍처가 필요했습니다. Airtel은 Google Cloud의 Media CDN과 광범위한 글로벌 엣지 네트워크를 활용하여 현지 엣지와의 깊은 근접성과 뛰어난 캐시 효율성을 확보했습니다. 그 결과, 토너먼트 트래픽의 99.9%가 인도 내에서 로컬로 처리되어 네트워크 홉을 최소화했습니다. 이 아키텍처는 98% 이상의 캐시 히트율로 우수한 캐싱 효율성을 달성하여 오리진 서버의 부하를 최소화했습니다. 특히 p99 300ms 미만의 일관된 초저지연은 빠른 스트림 시작 시간과 버퍼링 감소를 보장했습니다. 아키텍처 외에도 세심한 운영 준비와 사전적인 경기 당일 실행이 중요했습니다. 통합 운영 지원에는 토너먼트 전 준비 검토와 지속적인 모니터링 서비스(MaaS)가 포함되었습니다. 전담 경기 당일 및 주말 지원은 공동 엔지니어링 팀의 실시간 이벤트 지원을 보장했습니다.

How Airtel delivered its flawless Indian Premiere League 2026 cricket broadcasts cloud.google.com

RSS Hunter • 9월 9일

Antigravity SDK를 갖춘 하나의 툴킷에서 파워 에이전트 허브 또는 커스텀 하네스

엔터프라이즈 에이전트 채택은 다양하며, 일부는 관리형 플랫폼을 선택하고 다른 일부는 맞춤형 에이전트 허브를 구축합니다. 자체 허브를 구축하는 개발자는 예측 가능한 실행, 로깅 및 샌드박싱을 위한 안정적인 도구가 필요합니다. Antigravity SDK는 이러한 허브를 구축하기 위한 런타임 엔진 및 CLI를 제공하며, 안전 정책, 원격 측정 및 상태 저장 지속성을 제공합니다. 이는 LLM 워크로드를 모니터링하고 관리하는 다중 에이전트 제어 평면을 지원합니다. 이 제어 평면에는 모델 상호 작용 및 도구 실행을 위한 Antigravity SDK 에이전트 코어와 실시간 원격 측정을 위한 Lifecycle Hooks를 사용하는 관찰 가능성 계층이 포함됩니다. 사용 사례에는 여러 에이전트를 모니터링하는 운영 엔지니어가 포함되며, 이는 전통적으로 단편화된 로그 및 가시성 부족과 같은 문제를 야기합니다. Antigravity SDK는 스트리밍 API, 라이프사이클 후크, 정책 엔진, 스킬 관리 및 통합 보기를 위한 세션 상태를 제공하여 솔루션을 제공합니다. 백그라운드에서는 런타임이 세션 초기화, 스킬 해결, 동시 스트림 생성 및 샌드박스 처리된 도구 실행을 처리합니다. 라이프사이클 후크를 통한 원격 측정 가로채기는 에이전트 실행의 실시간 관찰 및 제어를 가능하게 합니다. SDK는 모듈식 스킬, 샌드박스 처리된 도구, 세션 격리 및 실시간 원격 측정의 네 가지 핵심 빌딩 블록으로 구성됩니다.

Power agent hubs or custom harnesses with the Antigravity SDK in one toolkit cloud.google.com

RSS Hunter • 9월 8일

KDDI는 더 빠르고 안정적인 소비자 RAG 앱인 Buffmee를 어떻게 구축했는가

통신 회사 KDDI는 생성형 AI 애플리케이션인 Buffmee에서 품질과 속도의 균형을 맞추는 데 어려움을 겪었습니다. Buffmee는 100개 이상의 다양한 출처에 기반한 정보를 제공하여 사용자의 성장을 돕고, 신뢰성을 보장하며 환각을 방지하도록 설계되었습니다. 초기 KDDI는 지연 시간 문제와 방대한 양의 독점 콘텐츠를 처리해야 하는 필요성으로 어려움을 겪었습니다. 이러한 장애물을 극복하기 위해 자동화된 평가 프레임워크와 성능 최적화 기법을 구현했습니다.이러한 체계적인 접근 방식은 상당한 개선으로 이어져 총 애플리케이션 응답 지연 시간을 38% 줄이고 첫 토큰까지의 시간(TTFT)을 거의 18% 향상시켰습니다. KDDI는 자동화된 테스트를 위해 Gemini Enterprise Agent Platform Evaluation Service를 활용하여 수동 작업을 데이터 기반 프로세스로 대체했으며, 이는 근거 점수를 25% 향상시켰습니다. 그들은 이진 평가 시스템, 형식 및 미디어 구성에 기반한 전략적 콘텐츠 샘플링, 그리고 제품 판단에 기반한 보정된 임계값을 채택했습니다.병목 현상은 BigQuery Agent Analytics와 Agent Development Kit(ADK) 로그 분석 에이전트를 사용하여 식별 및 해결되었으며, 이는 프롬프트 과다 및 스킬 분할 문제를 정확히 파악하는 데 도움이 되었습니다. 대규모 시스템 프롬프트는 주의력 드리프트를 피하고 응답 시간을 최적화하기 위해 ADK 스킬로 모듈화되었습니다. 이러한 기법을 통해 KDDI는 수집된 콘텐츠가 즉시 작동하는 RAG 시스템을 구축할 수 있었고, 사용자에게 미디어를 탐색할 수 있는 안전하고 개인화된 방법을 제공했습니다. Buffmee의 성공은 신뢰할 수 있는 생성형 AI 애플리케이션을 위한 체계적인 평가 및 성능 분석의 중요성을 보여줍니다.

How KDDI built Buffmee, a faster, reliable consumer RAG app cloud.google.com

RSS Hunter • 9월 8일

데이터 에이전트 킷을 이용한 에이전트 분석

데이터 실무자들은 다양한 소스의 데이터를 필요로 하는 개방형 질문에 어려움을 겪습니다. Data Agent Kit는 IDE 내에서 직접 데이터 워크플로우를 가능하게 하여 이러한 문제를 해결합니다. Model Context Protocol (MCP)을 사용하여 에이전트를 다양한 데이터 시스템에 연결합니다. 마크다운으로 정의된 스킬은 에이전트에게 특정 데이터 스택과 상호 작용하는 방법을 가르칩니다. 수동 쿼리 대신 에이전트는 사용자 대신 쿼리를 실행하고 결과를 검색합니다. 예를 들어, 평균 주문 가치 하락에 대한 조사는 BigQuery, Cloud SQL 및 Cloud Storage를 쿼리하는 것을 포함했습니다. 에이전트는 프로모션 코드로 인해 평균 주문 가치가 낮은 새로운 도매 채널을 발견했습니다. 그런 다음 새로운 도매 계정을 식별하고 프로모션 코드의 영향을 확인했습니다. 데이터 분석부터 경영진 요약 생성까지 전체 조사가 단일 채팅 세션 내에서 이루어졌습니다. 마지막으로 에이전트는 임시 분석을 데이터 품질 테스트 작성 및 수정과 같은 재현 가능한 dbt 프로젝트로 변환할 수 있습니다.

Agentic analytics with the Data Agent Kit cloud.google.com

RSS Hunter • 9월 8일

GTIG AI 위협 추적기: 프롬프팅에서 자율성까지 – 적대적 AI의 진화

적대적 행위자들은 기본 AI 프롬프트에서 정교한 에이전트 AI 워크플로우 및 자동화로 이동하며 기술을 빠르게 발전시키고 있습니다. 이러한 발전은 방어자의 대응 시간을 크게 단축시킵니다. 2026년 2분기, 위협 행위자들은 클라우드 리소스를 침해한 지 6시간 이내에 AI를 사용하여 대규모 자격 증명 수집 작전을 실행했습니다. 또한, 위협 행위자들은 첩보, 갈취 및 절도를 위해 독점 모델, 소스 코드 및 클라우드 컴퓨팅 리소스를 포함한 AI 자산을 점점 더 많이 표적으로 삼고 있습니다.AI 지원 코딩 도구와 오픈 소스 소프트웨어의 통합으로 인해 소프트웨어 공급망 위험이 확대되고 있습니다. 적대자들은 오픈 소스 소프트웨어를 침해하기 위해 개발자, AI 코딩 도우미 및 AI 보안 스캐너를 적극적으로 표적으로 삼고 있습니다. 모델 및 코드와 같은 독점 AI 지적 재산 또한 다양한 부문에서 주요 표적이 되고 있습니다. 에이전트 AI 및 자동화로의 전환은 적대자들이 복잡한 공격 파이프라인을 자율적으로 관리하고 운영 오류를 해결할 수 있도록 합니다.AI는 정찰부터 악성코드 난독화 및 후속 공격 활동에 이르기까지 전체 공격 라이프사이클에 걸쳐 전력 증폭기 역할을 합니다. 위협 행위자들은 또한 정보 작전 캠페인을 확장하기 위해 AI를 실험하고 있습니다. 액세스 비용을 우회하고 보안 조치를 회피하기 위해 적대자들은 불법 계정을 조달하고 기업 클라우드 인프라를 납치하여 무단 AI 계산을 수행하고 있습니다. 이러한 강화된 위협 환경은 사전 예방적 모델 보호, 전문 위협 인텔리전스 및 표적화된 격리를 포함한 강력한 방어 전략을 필요로 합니다. Google은 고객과 인프라를 보호하기 위해 이러한 다각적인 방어를 구현하고 있습니다. 이러한 발전은 빠르게 진화하는 AI 환경에서 향상된 보안 조치의 중요성을 강조합니다.

GTIG AI Threat Tracker: From Prompting to Autonomy – The Evolution of Adversarial AI cloud.google.com

RSS Hunter • 9월 8일

Yahoo가 Managed Service for Apache Spark에서 유연한 VM으로 리소스를 최적화하는 방법

야후(Yahoo)는 글로벌 미디어 및 기술 기업으로, 고속 분석 워크로드에서 고정된 가상 머신(VM) 구성으로 인해 취약한 데이터 파이프라인 문제를 겪었습니다. 지역 용량 제약이 발생하면 Managed Service for Apache Spark의 클러스터 프로비저닝이 중단되어 중요한 데이터 파이프라인이 지연될 수 있었습니다. 이를 해결하기 위해 야후는 Managed Service for Apache Spark 클러스터에 유연한 VM을 구현했습니다. 이를 통해 시스템은 허용 가능한 VM 형태의 순위 목록을 정의하여 리소스 변동을 자동으로 흡수할 수 있습니다. Auto-Zone 배치를 활성화하면 시스템이 전체 지역에 걸쳐 용량을 검색하여 수동 개입 없이 파이프라인 실행을 유지할 수 있습니다. 이 최적화는 야후의 광범위한 데이터 현대화 여정의 일부로, 온프레미스 빅데이터 환경을 Google Cloud로 마이그레이션하는 과정입니다. 유연한 구성은 선호하는 VM 유형을 사용할 수 없을 때 순위 목록에서 선택하여 클러스터 생성 성공률을 향상시킵니다. 또한 전체 지역에서 용량을 검색하여 지역 리소스 활용도를 개선합니다. 유연한 클러스터를 구성하려면 자동 영역 배치를 활성화하고 VM 형태 간에 코어 및 메모리 대칭을 유지해야 합니다. YARN 및 Spark 리소스 할당과 같은 구성 요소 속성을 조정하는 것도 중요합니다. 야후는 이 유연한 VM 접근 방식을 구현하여 지역 재고 부족으로 인한 클러스터 프로비저닝 실패를 85% 줄이는 데 성공했습니다. 이를 통해 워크로드 실행이 지속되고 방대한 데이터 파이프라인 전반에 걸쳐 다운스트림 처리 지연을 방지할 수 있습니다.

How Yahoo optimizes resources with flexible VMs in Managed Service for Apache Spark cloud.google.com

RSS Hunter • 9월 4일

Spanner 마이그레이션: Antigravity CLI를 이용한 최소한의 중단으로 듀얼 쓰기 자동화

Google의 Finance Engineering 팀은 전역적으로 분산되고 강력하게 일관된 데이터베이스인 Spanner로 레거시 데이터 레이어를 현대화해야 했습니다. 다운타임 없는 마이그레이션은 수많은 Data Access Objects(DAOs)에 걸쳐 이중 쓰기 로직을 수동으로 다시 작성하는 것이 느리고 오류가 발생하기 쉬웠기 때문에 상당한 과제였습니다. 이를 극복하기 위해 헤드리스 모드에서 Antigravity CLI를 사용하여 자동화된 리팩토링 파이프라인을 개발했습니다. 이 접근 방식은 마이그레이션 속도를 높이고 스테이징 환경에서 데이터 동등성을 보장했습니다. 마이그레이션은 과거 데이터 백필, 이중 쓰기/이중 읽기 구현, 자동화된 API 검증의 세 단계로 진행되었습니다. 그들의 규모에서는 MutationConverter 및 롤백 로직과 같은 각 DAO의 고유한 요구 사항을 수동으로 구현하는 것이 비현실적이었으며 몇 달이 걸릴 것으로 예상되었습니다. 전용 MutationConverter 단위로 Spanner 스키마 번역을 분리하여 DAO 리팩토링 패턴을 표준화했습니다. 이를 통해 AI 코딩 에이전트가 코드를 안정적으로 생성할 수 있는 결정론적 계약을 만들었습니다. Antigravity CLI의 헤드리스 모드는 사람의 프롬프트 없이 여러 파일에 걸쳐 반복 가능한 리팩토링을 가능하게 했습니다. 결정론적 프롬프트, 자동화된 검증을 통한 배치 실행, 대규모 야간 실행은 마이그레이션 노력을 크게 줄였습니다. 이는 지속적인 데이터 충실도를 갖춘 매우 안정적인 데이터 마이그레이션으로 이어졌고 엔지니어들이 더 높은 가치의 작업에 집중할 수 있도록 했습니다. 주요 시사점은 스키마 번역 분리, 대화형 채팅에서 헤드리스 자동화로 전환, AI 코드 생성을 위한 가드레일로 빌드 시스템 사용을 강조합니다.

Spanner migrations: Automating dual-write with Antigravity CLI for minimal disruption cloud.google.com

RSS Hunter • 9월 4일

모든 LLM 워크로드는 동일하지 않습니다: 분류 대 생성에 대한 TPU 성능 벤치마킹

LLM의 엔터프라이즈 프로덕션 배포는 성능과 비용에 있어 인프라의 중요한 역할을 드러냅니다. 모든 LLM 요청이 하드웨어에 동일하게 부담을 주는 것은 아니므로 표준 벤치마크로는 불충분합니다. 본 연구는 Google Cloud TPU v6e에서 Gemma 3 12B와 27B를 비교하여 서로 다른 워크로드로 대규모 인프라 성능을 이해하고자 합니다. 디코드 중심 생성의 경우, Gemma 3 12B 모델은 높은 동시성에서 더 잘 확장되는 반면, 27B 모델은 포화 상태가 됩니다. 프리필 중심 분류 작업의 경우, 12B 및 27B 모델 모두 유사한 확장을 보여 처리량 페널티 없이 더 큰 모델을 사용할 수 있습니다. 하드웨어 포화는 지연 시간 급증과 요청의 조용한 드롭을 유발하므로, CPU/메모리뿐만 아니라 종단 간 지연 시간을 기반으로 확장해야 합니다. 아키텍처는 GKE, TPU v6e, vLLM 서빙 프레임워크 및 Gemma 3 모델로 구성됩니다. 분류 작업은 입력이 높고 출력이 낮으며, 생성 작업은 입력이 낮거나 중간이고 출력이 높습니다. 벤치마크는 높은 동시성에서의 생성 확장성에서 12B 모델의 우수성을 보여주는 반면, 분류에서는 두 모델이 유사하게 수행됩니다. 최적화를 위해서는 특정 워크로드의 입력/출력 프로필에 맞춰 모델 선택 및 서빙 구성을 조정해야 합니다.

Not All LLM Workloads Are Equal: Benchmarking TPU Performance on Classification vs. Generation cloud.google.com

RSS Hunter • 9월 4일

Google Gen AI SDK for Kotlin 1.0 발표: Gemini에 대한 관용적인 멀티플랫폼 액세스

Google이 생성형 AI를 위한 Kotlin Multiplatform SDK의 1.0 버전을 출시했습니다. 이 SDK를 통해 개발자는 Gemini 모델을 JVM 및 Android 애플리케이션에 쉽게 통합할 수 있습니다. 비동기 작업을 위해 Coroutines 및 Flow와 같은 관용적인 Kotlin 기능을 제공합니다. 이 SDK는 Google AI Studio와 Google Cloud의 Gemini Enterprise Agent Platform에 대한 액세스를 통합합니다. 관리되는 컨텍스트를 사용한 단항 및 스트리밍 텍스트 생성, 다중 턴 채팅 대화를 지원합니다. 사실 확인을 위한 Google Search 기반으로 멀티모달 분석이 강화되었습니다. 이 SDK는 Gemini의 이미지 생성 모델에 대한 완전한 지원도 제공합니다. WebSockets를 통한 Gemini Live API를 통해 실시간 양방향 상호 작용이 가능합니다. 에이전트 워크플로우를 위해 구조화된 도구 및 함수 호출 기능이 포함되어 있습니다. 이번 릴리스는 생성형 AI 애플리케이션 구축을 위한 깔끔한 멀티플랫폼 기반을 제공합니다.

Announcing the Google Gen AI SDK for Kotlin 1.0: Idiomatic multiplatform access to Gemini cloud.google.com

RSS Hunter • 9월 3일

Google, 2026 Gartner® Magic Quadrant™ for SCPS에서 리더로 선정

Gartner는 9년 연속으로 Google을 전략적 클라우드 플랫폼 서비스 분야의 리더로 인정했으며, 이는 Google의 비전 완성도를 높이 평가한 결과입니다. Google Cloud는 까다로운 워크로드를 구축하고 확장하는 데 있어 고객 성공에 대한 헌신을 강조합니다. 이 회사는 동적인 인프라와 앱, 데이터, 에이전트를 위한 통합 플랫폼을 통해 고객이 에이전트 시대로 나아가는 여정을 가속화하는 데 중점을 둡니다. 세 가지 핵심 이점이 제시됩니다. 공동 설계된 기술 스택, 안전한 확장을 위한 동적인 인프라, 그리고 진정한 선택권을 제공하는 디지털 주권입니다. Google Cloud는 유연성, 성능, 제어를 통해 고객의 혁신과 확장을 촉진하는 데 전념하고 있습니다. 첫 번째 설계 원칙은 실리콘부터 애플리케이션까지 공동 설계된 개방형 스택으로 AI를 가속화하는 것이며, TPU 및 Axion 프로세서와 같은 맞춤형 하드웨어를 특징으로 합니다. 이 접근 방식은 오픈 소스와 표준을 수용하여 공급업체 종속 없이 운영 효율성을 극대화합니다. 두 번째 원칙은 용량 관리를 자동화하고 애플리케이션을 현대화하는 동적인 인프라를 통해 빠르고 경제적으로 확장하는 데 중점을 둡니다. 이를 통해 조직은 최적화된 글로벌 경험을 위해 데이터, 앱, 에이전트를 안전하게 연결할 수 있습니다. 세 번째 원칙은 조직이 유연한 배포 옵션을 통해 데이터 제어를 유지하고 규정을 준수할 수 있도록 디지털 주권을 옹호합니다. 이러한 옵션에는 경계 제어를 통한 데이터 주권, 파트너 운영 클라우드를 통한 현지 규정 준수, Google Distributed Cloud를 통한 온프레미스 유연성이 포함됩니다.

Google named a Leader in 2026 Gartner® Magic Quadrant™ for SCPS cloud.google.com

RSS Hunter • 9월 3일

Mantis, 우리의 오픈 소스 버그 탐지 및 수정 하네스와 함께 시작하기

AI는 이제 소프트웨어 취약점을 자율적으로 발견하고 악용할 수 있습니다. 이를 해결하기 위해 Google은 취약점 발견, 분류, 재현 및 패치를 자동화하는 오픈 소스 프레임워크인 Mantis를 개발했습니다. Mantis는 기계 속도의 보안 분석을 가능하게 하여 방어자에게 AI 이점을 제공하는 것을 목표로 합니다. 낮은 참긍정률로 어려움을 겪는 다른 AI 도구와 달리, Mantis는 정확도를 위해 에이전트 기법과 샌드박스화된 취약점 재현을 사용합니다. 리포지토리 내의 과거 보안 수정 사항을 학습하여 아키텍처 및 위협 모델 문서를 구축합니다. Mantis는 대규모 코드베이스를 계층적 보안 요약 트리로 압축하여 토큰 오버헤드를 크게 줄입니다. 이 프레임워크는 광범위한 사이버 보안 지식을 추출하며 GitHub에서 사용할 수 있습니다. 사용자는 Mantis를 로컬로 복제한 다음 코딩 에이전트에게 프롬프트를 제공하여 코드 검토 및 취약점 분석을 시작할 수 있습니다. Google 내부적으로 이 접근 방식은 실제 취약점을 성공적으로 식별했습니다. Mantis는 샘플 샌드박싱 옵션을 제공하며 사용자 정의 샌드박스 구현을 허용합니다. 취약점 발견, 필터링 및 패치를 시작하는 간단한 방법을 제공합니다. mantis-advise 스킬은 처음부터 안전한 코드를 작성하기 위해 축적된 지식을 더욱 활용합니다. AI 기반 취약점 발견을 극대화하기 위해 도구에 컨텍스트를 제공하고 명확한 취약점 수용 기준을 사용하여 사이버 샌드박스를 구축하는 것이 좋습니다.

Getting started with Mantis, our open-source bug finding-and-fixing harness cloud.google.com

RSS Hunter • 9월 2일

새로운 BigQuery ID 열로 파이프라인 간소화

BigQuery가 고객의 데이터 여정을 지원하기 위해 Identity Columns를 출시했습니다. 이 기능은 테이블 내 고유 식별을 위해 순차적인 64비트 정수 값을 자동으로 생성합니다. 데이터 엔지니어는 이를 더욱 원활하고 안정적인 데이터 수집을 위한 강력한 내장 메커니즘으로 활용할 수 있습니다. ID 생성을 BigQuery에 위임함으로써 데이터 파이프라인의 복잡성이 줄어들어 인사이트에 집중할 수 있습니다. Identity Columns를 구현하면 데이터 아키텍처의 개발 및 유지 관리가 간소화됩니다. 애플리케이션 로직이나 ETL 도구에서 사전 계산된 고유 키의 필요성을 제거하여 수집을 단순화합니다. 또한 상용구 코드가 줄어들어 더 깔끔하고 유지 관리하기 쉬운 SQL을 사용할 수 있습니다. Identity Columns는 자동 고유 식별자 할당을 위한 표준 DML 작업과 원활하게 통합됩니다. INSERT 또는 MERGE 문을 사용하여 기존 워크플로우에 유연하게 적용할 수 있습니다. Identity Column 설정은 GENERATED ALWAYS AS IDENTITY 또는 GENERATED BY DEFAULT AS IDENTITY 옵션을 통해 간단합니다. 이 기능은 유연하고 고성능이며 표준을 준수하는 데이터 플랫폼에 대한 BigQuery의 노력을 강조합니다.

Simplify pipelines with new BigQuery identity columns cloud.google.com

RSS Hunter • 9월 2일

BigQuery에 TabFM 소개: 예측 분석의 재해석

예측 분석은 이전에는 복잡한 맞춤형 모델 구축 및 학습 주기를 필요로 했습니다. 이러한 전통적인 접근 방식은 수동 특징 공학, 긴 튜닝, 전문 기술을 포함했으며, 종종 예측 모델의 활용 저하로 이어졌습니다. Google Research는 이제 BigQuery에서 사용할 수 있는 테이블 데이터용 사전 학습된 기반 모델인 TabFM을 출시했습니다. TabFM은 인컨텍스트 학습을 활용하여 단일 SQL 문을 통해 즉각적이고 매우 정확한 예측을 제공하며, 별도의 학습 및 배포 단계를 제거합니다. 이 시스템은 제로샷 예측을 제공하여 광범위한 머신러닝 전문 지식이 없는 사용자에게 프로세스를 단순화합니다. 또한 인프라를 관리하지 않고 예측 기능을 제공하여 에이전트 애플리케이션을 향상시킵니다. TabFM은 벤치마크에서 전통적인 모델을 능가하는 최첨단 정확도를 보여줍니다. 개발자 경험은 네이티브 BigQuery 통합 및 간단한 SQL 구문을 통해 단순화됩니다. TabFM은 특징 공학 작업을 자동으로 처리하며, 확장성을 통해 수백만 행을 빠르게 처리할 수 있습니다. 사용자는 AI.PREDICT를 활용하여 즉각적인 예측을 수행하고 AI.EVALUATE를 사용하여 모델 성능을 평가할 수 있습니다. TabFM은 빠른 인사이트 및 빈번한 재학습에 뛰어나지만, 전통적인 모델은 매우 큰 데이터셋이나 특징 중요도 설명 가능성이 중요한 경우에 여전히 적합합니다. 이 통합은 예측 머신러닝을 표준 SQL 쿼리 실행만큼 쉽게 만듭니다.

Introducing TabFM in BigQuery: Predictive analytics reimagined cloud.google.com

RSS Hunter • 9월 1일

Blackline이 VPC Service Controls로 경계 정책 인텔리전스를 간소화하는 방법

VPC Service Controls는 클라우드 환경을 데이터 유출 및 기타 위협으로부터 보호하는 데 매우 중요합니다. Google Cloud는 VPC-SC 관리를 단순화하고 문제 해결을 돕기 위해 새로운 정책 인텔리전스 기능을 도입했습니다. 이러한 새로운 도구에는 위반 분석기 및 위반 대시보드가 포함됩니다. 금융 운영 리더인 BlackLine은 민감한 고객 데이터를 보호하고 위험을 완화하기 위해 VPC-SC를 사용합니다. 위반 분석기는 API 요청 위반에 관련된 주체 및 리소스를 식별하여 BlackLine 관리자가 보안 경계를 조정하는 데 도움을 줍니다. 이전에는 이러한 위반을 해결하려면 복잡한 Cloud Logging 쿼리가 필요했지만, 새로운 도구는 직접 상세한 보고서를 제공합니다. 위반 대시보드는 추세 식별 및 필터링을 위해 조직 전체의 모든 서비스 경계 위반을 집계합니다. 위반 분석기는 수동 로그 분석 없이 특정 규칙에 대한 거부를 매핑하여 조사를 간소화합니다. 이러한 도구는 새로운 경계를 테스트하는 것부터 정책을 개선하고 사고를 효율적으로 해결하는 것까지 전체 VPC-SC 수명 주기를 단순화합니다. 이러한 발전을 활용함으로써 조직은 조사에 소요되는 시간을 줄이고 클라우드 이니셔티브를 안전하게 확장하는 데 더 많은 시간을 할애할 수 있습니다.

How Blackline simplifies perimeter policy intelligence with VPC Service Controls cloud.google.com

RSS Hunter • 9월 1일

재정적 동기 위협 행위자 BREEZE COMET, 브라질 타겟

Mandiant는 2024년부터 브라질 금융 기관을 적극적으로 침해해 온, 이전에는 UNC5669로 알려졌던 금전적 동기의 위협 행위자인 BREEZE COMET을 추적하고 있습니다. 이 그룹은 사기 거래를 수행하기 위해 결제 시스템 및 은행 소프트웨어를 조작하는 데 특화되어 있습니다. BREEZE COMET은 맞춤형 멀웨어 제품군을 사용하며, 초기 액세스 및 명령 및 제어를 위해 침해된 신뢰할 수 있는 웹사이트를 활용합니다. 이들의 운영은 멀웨어 개발을 위해 생성형 AI를 활용하는 것으로 확장되었으며, 이는 운영의 정교함을 증가시킬 가능성이 있습니다. 이 그룹은 National Financial System Network에 액세스할 수 있는 엔티티를 대상으로 하며, 인증된 사기 거래를 위해 mTLS 자격 증명이 필요합니다. BREEZE COMET은 음성 피싱 및 침해된 정부 웹사이트 악용을 포함한 다양한 초기 침해 방법을 사용합니다. 또한 소매 네트워크에 무단 하드웨어 장치를 직접 연결하여 발판을 마련하기도 합니다. 권한 상승을 위해 정찰 도구와 맞춤형 멀웨어를 사용하여 자격 증명 및 API 키를 위해 클라우드 및 개발 환경을 구체적으로 대상으로 합니다. BREEZE COMET은 납치된 서비스 계정과 COBALTSPIN과 같은 특수 라우팅 멀웨어를 사용하여 네트워크를 통해 측면으로 이동합니다. 이들은 LIGHTPAINT, MILDFROST, KICKPLATE, BOATBEAM과 같은 맞춤형 백도어를 통해 지속성을 유지하며, 종종 Windows Defender와 같은 엔드포인트 방어를 비활성화합니다. 금융 애플리케이션을 침해한 후 BREEZE COMET은 대규모 사기 거래를 실행하고 흔적을 지우기 위해 이벤트 로그를 삭제합니다. 이들의 진화하는 전술은 라틴 아메리카 사이버 범죄에서 소매 사기에서 핵심 금융 인프라에 대한 직접적인 침입으로의 중요한 전환을 나타냅니다. BREEZE COMET의 AI 사용은 위협 행위자의 능력, 속도 및 규모를 향상시키는 데 미치는 영향을 보여줍니다.

Financially Motivated Threat Actor BREEZE COMET Targets Brazil cloud.google.com

RSS Hunter • 9월 1일

BigQuery Graph가 이제 GA가 되었습니다: 에이전트 시대의 지식 기반

현재 일반 제공된 BigQuery Graph는 네이티브 그래프 분석을 데이터 웨어하우스에 직접 통합하여 사일로와 운영 오버헤드를 제거합니다. 이 새로운 기능은 사용자가 ISO 표준 GQL을 사용해 전통적인 SQL과 함께 복잡한 그래프 쿼리를 수행할 수 있게 합니다. BigQuery의 페타바이트 규모 처리, 기존 보안 조치, 그리고 ML 및 AI 기능과 통합됩니다. 사이버보안, 금융, 소매, IT 등 다양한 산업 분야의 데이터 팀이 BigQuery Graph를 도입하고 있습니다. 사용 사례에는 위협 및 사기 탐지, 공급망 최적화, 고객 360도, 지식 그래프 생성, 네트워크 관리 등이 포함됩니다. 최근 개선 사항으로는 더 빠르고 광범위한 그래프 엔진이 포함되어 GQL 실행 속도와 표현력을 향상시킵니다. 새로운 경계 없는 그래프 레이크하우스 기능은 BigQuery Graph가 네이티브 BigQuery 테이블에 존재하는 데이터와 다양한 클라우드에 걸쳐 데이터를 데이터 이동 없이 교차할 수 있게 합니다. 이를 통해 에이전트는 여러 출처의 데이터로 구성된 가상 지식 그래프를 탐색할 수 있으며, 이는 Google Cloud와 AWS에서 고객 및 제품 정보를 조회하는 지원 에이전트와 같습니다. 대화형 분석은 그래프와 자연어로 상호작용할 수 있게 하여 AI 에이전트의 모호함과 환각을 줄입니다. 더 나아가, 에이전트는 이제 데이터셋을 노드와 엣지로 변환하여 작성 및 검증 기능을 갖춘 그래프를 생성할 수 있습니다. 컨텍스트 그래프 기능은 AI 에이전트에게 감사 가능한 메모리를 제공하며, BigQuery Graph 내에서 그들의 추론과 결정을 쿼리 가능한 추적으로 기록합니다. 이는 설명 가능성을 보장하고 향후 에이전트 행동 개선의 기반이 됩니다.

BigQuery Graph is now GA: the knowledge foundation for the agentic era cloud.google.com

RSS Hunter • 8월 31일

클라우드 CISO 관점: AI 시대의 수자원 부문 보안을 위한 팁

2026년 8월호 클라우드 CISO 관점에서는 Chris Sistrunk와 Stephanie Kiel이 수자원 부문의 중요한 보안 문제들을 다룹니다. 위협 행위자들은 점점 더 중요 기반 시설, 특히 수자원 설비의 인터넷 연결 프로그래머블 로직 컨트롤러를 표적으로 삼고 있습니다. 수동 전환 기능이 역사적으로 안전망을 제공해 왔지만, AI 시대에는 근본적인 디지털 보안이 무엇보다 중요합니다. 수자원 및 폐수 처리 설비에는 위협 정보에 기반한 위험 관리 대응이 권장됩니다. 주요 조치에는 자산 목록화, 기본적인 보안 위생 구현, 강력한 백업 유지, 네트워크 분할 및 다중 인증 사용이 포함됩니다. 비상 계획에는 기존의 모든 위험 시스템에 사이버 사고 대응을 통합해야 하며, 제3자 공급업체 접근은 엄격하게 보호되어야 합니다. IT 및 OT 리더들은 사이버 물리 시스템 복원력을 강화하기 위해 통합 거버넌스 프레임워크를 구축하기 위해 협력해야 합니다. AI 기반 보안 접근 방식은 현대적인 방어를 구축하고 소규모 보안 팀의 전력 증폭기 역할을 하는 데 중요합니다. "Mandiant 운영 기술(OT) 이론 99"는 대부분의 침해가 컴퓨터 워크스테이션 및 서버에서 발생하며, AI를 통해 방어자에게 중간 기반 시설을 보호할 수 있는 이점을 제공한다고 강조합니다. 인간의 감독 하에 AI 도구를 전략적으로 통합하면 네트워크 보안에서 방어자에게 유리한 균형을 옮길 수 있습니다. 수자원 시스템을 보호하는 것은 공공 안전의 필수 과제이며, 이는 정부의 조치 증가와 국가 사이버 국장실 및 텍사스 주에서 시작된 시범 프로그램과 같은 이니셔티브로 이어지고 있습니다.

Cloud CISO Perspectives: Tips on securing the water sector in the AI era cloud.google.com

RSS Hunter • 8월 31일

주에서 분으로: 데이터 파이프라인의 새로운 에이전트 시대

Google Cloud는 Google Cloud NEXT ’26에서 소개된 새로운 Orchestration Pipelines 프레임워크를 통해 데이터 파이프라인 오케스트레이션을 민주화하고 있습니다. 이 프레임워크는 무료 오픈 소스 데이터 엔지니어링 도구 모음인 Data Agent Kit을 통해 접근 가능합니다. 이 키트는 인기 있는 IDE 및 CLI에 통합되어 Data Engineering 탭과 Airflow DAG를 위한 agentic skill을 제공합니다. 이를 통해 데이터 전문가들은 자연어를 사용하여 프로덕션 등급의 Airflow DAG를 작성, 배포 및 문제 해결할 수 있습니다. 이 프레임워크는 선언적 YAML DSL을 사용하여 오케스트레이션 로직과 컴퓨팅 실행을 분리함으로써 MLOps를 간소화합니다. 이를 통해 모든 데이터 페르소나는 복잡한 Python Airflow 보일러플레이트를 우회할 수 있습니다. 실용적인 예시는 선제적 공급망 관리를 위한 MLOps 아키텍처 구축을 보여줍니다. 이 아키텍처는 BigQuery, Managed Service for Apache Spark, Gemini Enterprise Agent Platform 및 dbt를 사용하여 운송 시간을 예측합니다. Data Agent Kit은 자연어 프롬프트에서 PySpark 스크립트와 선언적 YAML 파이프라인을 생성합니다. 세 가지 개별 파이프라인이 시연됩니다. 즉, 훈련 엔진, 일일 추론 파이프라인, 자동 평가 및 분기 파이프라인입니다. 배포는 CI/CD를 통해 자동화되며, Data Agent Kit은 필요한 워크플로를 생성합니다. Day-two 운영을 위해 이 키트는 IDE 내에서 실시간 모니터링 및 agentic 문제 해결을 제공합니다. 실패를 진단하고 근본 원인을 식별하며 문제에 대한 인라인 수정을 제안합니다. Orchestration Pipelines와 Data Agent Kit은 MLOps 아키텍처를 구축하고 유지 관리하는 시간과 복잡성을 크게 줄여줍니다.

From weeks to minutes: The new agentic era of data pipelines cloud.google.com

RSS Hunter • 8월 31일

업무 재구상: Pythian의 내부 AI 플레이북이 고객 ROI를 제공하는 방법

Pythian은 기업 AI ROI를 연구하기 위해 Google Cloud의 Gemini Enterprise를 내부적으로 구현했습니다. 그들은 많은 AI 이니셔티브가 도구 중심 접근 방식과 사소한 효율성에 집중하는 것 때문에 실패한다는 것을 발견했습니다. Pythian은 이러한 문제를 해결하기 위해 AI 운영 모델을 개발했습니다. 이 모델은 전략, 실행 및 운영을 지속적인 루프로 통합합니다.이 프레임워크는 Field CTO 전략 및 거버넌스로 시작하여 높은 ROI 사용 사례를 식별합니다. 다음으로, 도구 및 플랫폼 배포는 안전하고 맥락화된 AI 기반을 구축합니다. 이중 COE(Center of Excellence)는 실행 엔진 역할을 하며, 한 부분은 노코드 에이전트를 통한 사람 생산성에, 다른 부분은 맞춤 코딩된 에이전트를 통한 프로세스 생산성에 집중합니다.마지막으로 XOps는 모델 드리프트 및 프롬프트 튜닝을 관리하여 프로덕션에서 지속적인 AI 성능을 보장합니다. 이 포괄적인 모델은 도구 채택을 넘어 구조적인 워크플로우 변환으로 나아갑니다. Pythian은 이 모델을 내부적으로 입증함으로써 데이터베이스 사고 해결 시간을 80% 단축하고 사용자 참여를 세 배로 늘렸습니다. 이 모델의 성공은 데이터베이스 운영, 지식 관리, 공급망 및 소매 분야의 고객 사례 연구를 통해 더욱 입증됩니다. AI를 효과적으로 확장하려면 도구 실험뿐만 아니라 이러한 엔드투엔드 운영 모델이 필요합니다.

Reimagining work: How Pythian’s internal AI playbook delivers customer ROI cloud.google.com

RSS Hunter • 8월 27일