이 세션을 진행하실 경우, 슬라이드, 스크립트 및 기타 리소스를 위해 session-delivery-sources 폴더를 확인하십시오.

GitHub Copilot이 실제 개발 워크플로우(planning, executing multi-step tasks, engineering processes 통합)에서 어떻게 AI 에이전트(AI agent)로 작동하는지 살펴보십시오. Copilot이 어떻게 팀의 생산성을 높이고, 소프트웨어 개발을 가속화하며, 모범 사례(best practices)를 지원할 수 있는지 확인하십시오. 조직 내에서 측정 가능한 영향력을 입증하는 실질적이고 실제적인 사례를 통해 자동 완성(autocomplete) 그 이상의 가치를 경험하십시오.

이 세션이 끝나면 학습자는 다음을 수행할 수 있습니다:

• 현대적인 개발 워크플로우 내에서 GitHub Copilot 에이전트 모드(Agent mode) 사용

• 코딩 에이전트(Coding agent)를 에이전트 동료(agent co-worker)로서 이슈를 할당하고 Pull Request(PR)를 검토하여 팀의 규모 확장

• 안전하고 고품질의 결과를 보장하기 위해 GitHub Copilot 사용자 지정 지침(custom instructions) 적용

• 내장 및 외부 MCP 서버(MCP Servers)를 사용하여 GitHub Copilot과 즉시 연동되는 강력한 서비스 통합

• AI 코드 에디터(AI code editor)로서의 Visual Studio Code

• 당신과 함께 빌드하는 AI로서의 GitHub Copilot

• 에이전트 모드(agent mode)를 확장하기 위한 MCP 서버(MCP Servers)

Liam Hampton
📢 |
Julia Muiruri
📢 |

Microsoft는 Transparency Notes 및 영향 평가(Impact Assessments)와 같은 도구를 통해 고객이 당사의 AI 제품을 책임감 있게 사용할 수 있도록 돕고, 학습 내용을 공유하며, 신뢰 기반의 파트너십을 구축하기 위해 최선을 다하고 있습니다. 이러한 리소스의 상당수는 https://aka.ms/RAI 에서 찾을 수 있습니다. 책임감 있는 AI(responsible AI)에 대한 Microsoft의 접근 방식은 공정성, 신뢰성 및 안전성, 개인정보 보호 및 보안, 포용성, 투명성 및 책임성이라는 당사의 AI 원칙에 기반합니다.

이 샘플에서 사용된 것과 같은 대규모 자연어 (Natural language), 이미지 (Image), 음성 (Speech) 모델은 잠재적으로 불공정하거나, 신뢰할 수 없거나, 공격적인 방식으로 동작하여 결과적으로 해를 끼칠 수 있습니다. 위험 요소와 한계에 대해 숙지하려면 Azure OpenAI 서비스의 투명성 노트 (Transparency note)를 참조하십시오.

이러한 위험을 완화하기 위한 권장 접근 방식은 해로운 동작을 감지하고 방지할 수 있는 안전 시스템 (Safety system)을 아키텍처에 포함하는 것입니다. Azure AI Content Safety는 애플리케이션과 서비스 내에서 사용자가 생성한 콘텐츠 및 AI가 생성한 콘텐츠의 유해성을 감지할 수 있는 독립적인 보호 계층을 제공합니다. Azure AI Content Safety에는 유해한 자료를 감지할 수 있는 텍스트 및 이미지 API가 포함되어 있습니다. Azure AI Foundry 포털 내의 Content Safety 서비스를 사용하면 다양한 모달리티 (Modalities)에 걸쳐 유해한 콘텐츠를 감지하기 위한 샘플 코드를 확인, 탐색 및 실행해 볼 수 있습니다. 다음의 퀵스타트 (Quickstart) 문서는 서비스에 요청을 보내는 과정을 안내합니다.

고려해야 할 또 다른 측면은 애플리케이션의 전반적인 성능 (Performance)입니다. 멀티모달 (Multi-modal) 및 멀티 모델 (Multi-models) 애플리케이션의 경우, 성능이란 시스템이 유해한 출력을 생성하지 않는 것을 포함하여 귀하와 사용자가 기대하는 대로 작동하는 것을 의미합니다. 성능 및 품질 (Performance and Quality), 그리고 위험 및 안전 (Risk and Safety) 평가기 (Evaluators)를 사용하여 전체 애플리케이션의 성능을 평가하는 것이 중요합니다. 또한 사용자 정의 평가기 (Custom evaluators)를 생성하고 이를 통해 평가할 수도 있습니다.

Azure AI Evaluation SDK를 사용하면 개발 환경에서 AI 애플리케이션을 평가할 수 있습니다. 테스트 데이터 세트 (Test dataset) 또는 타겟 (Target)이 주어지면, 생성형 AI (Generative AI) 애플리케이션의 생성 결과는 내장된 평가기 또는 사용자가 선택한 사용자 정의 평가기를 통해 정량적으로 측정됩니다. 시스템 평가를 위해 Azure AI Evaluation SDK를 시작하려면 퀵스타트 가이드를 따를 수 있습니다. 평가 실행 (Evaluation run)을 완료하면 Azure AI Foundry 포털에서 결과를 시각화할 수 있습니다.