서론: 왜 VS Code에서 클라우드 ML 개발이 필요할까?
데이터 사이언티스트나 ML 엔지니어라면 누구나 한 번쯤 이런 고민을 해봤을 거예요. 로컬에서 익숙한 IDE로 코드를 짜다가, 막상 대용량 데이터를 학습시키려면 클라우드의 고성능 컴퓨팅이 필요해지는 상황. 그때마다 환경을 전환하고, 노트북을 다시 설정하고, 데이터를 옮기는 반복 작업에 지쳤죠.
이번에 Google Cloud가 Workbench Notebooks 확장 프로그램 for VS Code를 출시하면서 이 문제가 해결됐습니다. 이제 VS Code 안에서 Google Cloud의 확장 가능한 인프라를 직접 활용할 수 있어요. 로컬 개발 환경의 친숙함과 클라우드의 강력함을 동시에 누리는 거죠.
이 글에서는 확장 프로그램의 주요 기능, 설치 방법, 그리고 실무에서 바로 써먹을 수 있는 팁까지 정리해 보겠습니다.
본론 1: Workbench VS Code 확장 프로그램의 핵심 기능
클라우드 노트북을 VS Code에서 관리
기존에는 Google Cloud의 Workbench(이전 AI Platform Notebooks)를 사용하려면 웹 UI에 접속해야 했습니다. 하지만 이제는 VS Code 확장 프로그램을 통해 로컬에서 직접 클라우드 노트북을 생성하고, 열고, 관리할 수 있어요. 코드와 노트북이 하나의 인터페이스에서 통합되니 컨텍스트 스위칭이 확 줄어듭니다.
ML 라이프사이클 간소화
이 통합은 ML 라이프사이클을 더 유연하게 만들어 줍니다. 로컬에서 실험하고, 클라우드의 고성능 컴퓨팅으로 전환하는 과정이 끊김 없이 이어져요. 예를 들어, 로컬에서 데이터 전처리와 모델 설계를 하고, 학습은 클라우드의 GPU/TPU로 돌리는 방식이 가능합니다.
오픈소스로 커뮤니티 주도 혁신
Google Cloud는 이 확장 프로그램을 완전 오픈소스로 공개했습니다. 개발자 커뮤니티가 직접 기능을 개선하고 확장할 수 있다는 뜻이에요. 이는 단순한 도구 제공을 넘어, 생태계 전체를 발전시키려는 의지로 볼 수 있습니다.
본론 2: 설치부터 실무 적용까지 – 코드로 살펴보기
설치 방법
VS Code 마켓플레이스에서 "Google Cloud Workbench"를 검색해 설치하면 됩니다. 또는 아래 명령어로 CLI에서 설치할 수 있어요.
# VS Code 확장 프로그램 설치 (로컬 터미널)
code --install-extension google-cloud-workbench
클라우드 노트북 생성 및 연결
설치 후에는 Google Cloud 프로젝트에 인증하고, 원하는 머신 유형을 선택해 노트북 인스턴스를 만들 수 있습니다.
# 예: Python으로 노트북 인스턴스 생성 (Google Cloud SDK 사용)
from google.cloud import notebooks_v1
client = notebooks_v1.NotebookServiceClient()
# 인스턴스 생성 요청 예시
request = notebooks_v1.CreateInstanceRequest(
parent="projects/my-project/locations/us-central1",
instance_id="my-workbench-instance",
instance={
"machine_type": "n1-standard-4",
"install_gpu_driver": True,
"metadata": {
"proxy-mode": "service_account",
"enable-oslogin": "TRUE"
}
}
)
operation = client.create_instance(request=request)
print("인스턴스 생성 중:", operation.operation.name)
로컬에서 클라우드 노트북 실행
VS Code에서 확장 프로그램을 통해 노트북을 열면, 커널을 클라우드 인스턴스로 지정할 수 있습니다. 그러면 로컬에서 코드를 작성하지만 실제 실행은 클라우드에서 이루어져요. 주피터 노트북을 다루는 것과 같은 경험이지만, 리소스는 클라우드의 것을 쓰는 셈이죠.
# 노트북 셀에서 클라우드 리소스 확인
import os
print("현재 실행 환경:", os.environ.get("GOOGLE_CLOUD_PROJECT"))
print("CPU 코어 수:", os.cpu_count())
이렇게 하면 로컬 머신의 사양에 제약받지 않고, 대규모 데이터 처리나 모델 학습을 클라우드에서 수행할 수 있습니다.
본론 3: 주의사항 및 심화 팁
비용 관리
클라우드 인스턴스는 사용한 만큼 비용이 발생합니다. 특히 GPU를 사용하면 시간당 요금이 꽤 나가요. 노트북을 사용하지 않을 때는 인스턴스를 중지하는 습관을 들이세요. VS Code 확장 프로그램에서도 중지 버튼을 제공하니, 작업이 끝나면 바로 중지하는 것을 권장합니다.
네트워크 및 보안
클라우드 인스턴스는 기본적으로 VPC 네트워크 안에 있으므로, 외부에서 직접 접근할 수 없게 설정하는 것이 좋습니다. IAM 역할을 세밀하게 조정하고, OS Login을 활성화하여 SSH 키 관리도 강화하세요.
확장 프로그램의 한계
아직 초기 단계라서 일부 기능이 제한적일 수 있습니다. 예를 들어, 커스텀 커널을 사용하거나, 특정 라이브러리를 설치할 때 로컬과의 호환성 문제가 발생할 수 있어요. 이럴 때는 공식 문서를 참고하거나 GitHub 이슈에 기여해 보세요.
결론: 실무 적용 조언
Google Cloud Workbench VS Code 확장 프로그램은 로컬 개발 환경과 클라우드 인프라 사이의 장벽을 허물어 주는 혁신적인 도구입니다. 특히 데이터 사이언스 팀이 협업할 때, 각자 로컬에서 작업한 코드를 클라우드에서 동일하게 실행할 수 있어 재현성과 생산성이 크게 향상됩니다.
다음 단계로는 이 확장 프로그램을 실제 프로젝트에 도입해 보세요. 간단한 데이터 분석부터 시작해 점차 모델 학습까지 확장해 보는 것을 추천합니다. 그리고 팀 내에서 공유할 수 있는 워크플로우를 만들어 보면 더 좋을 거예요.
함께 보면 좋은 글:
- Gemini CLI에 Plan Mode가 정식 출시되었습니다 (삽질 방지 필수 기능)
- Google Home이 진화한다 Gemini for Home, 서비스 제공자를 위한 풀스택 AI 오퍼링
마지막으로, 이 확장 프로그램은 오픈소스로 개발되고 있으니, 직접 코드를 보고 개선에 참여할 수도 있습니다. Google Cloud의 기능을 최대한 활용해 보세요!
본론 1: Workbench VS Code 확장 프로그램의 핵심 기능
클라우드 노트북을 VS Code에서 관리
기존에는 Google Cloud의 Workbench(이전 AI Platform Notebooks)를 사용하려면 웹 UI에 접속해야 했습니다. 하지만 이제는 VS Code 확장 프로그램을 통해 로컬에서 직접 클라우드 노트북을 생성하고, 열고, 관리할 수 있어요. 코드와 노트북이 하나의 인터페이스에서 통합되니 컨텍스트 스위칭이 확 줄어듭니다.
ML 라이프사이클 간소화
이 통합은 ML 라이프사이클을 더 유연하게 만들어 줍니다. 로컬에서 실험하고, 클라우드의 고성능 컴퓨팅으로 전환하는 과정이 끊김 없이 이어져요. 예를 들어, 로컬에서 데이터 전처리와 모델 설계를 하고, 학습은 클라우드의 GPU/TPU로 돌리는 방식이 가능합니다.
오픈소스로 커뮤니티 주도 혁신
Google Cloud는 이 확장 프로그램을 완전 오픈소스로 공개했습니다. 개발자 커뮤니티가 직접 기능을 개선하고 확장할 수 있다는 뜻이에요. 이는 단순한 도구 제공을 넘어, 생태계 전체를 발전시키려는 의지로 볼 수 있습니다.
본론 2: 설치부터 실무 적용까지 – 코드로 살펴보기
설치 방법
VS Code 마켓플레이스에서 "Google Cloud Workbench"를 검색해 설치하면 됩니다. 또는 아래 명령어로 CLI에서 설치할 수 있어요.
# VS Code 확장 프로그램 설치 (로컬 터미널)
code --install-extension google-cloud-workbench
클라우드 노트북 생성 및 연결
설치 후에는 Google Cloud 프로젝트에 인증하고, 원하는 머신 유형을 선택해 노트북 인스턴스를 만들 수 있습니다.
# 예: Python으로 노트북 인스턴스 생성 (Google Cloud SDK 사용)
from google.cloud import notebooks_v1
client = notebooks_v1.NotebookServiceClient()
# 인스턴스 생성 요청 예시
request = notebooks_v1.CreateInstanceRequest(
parent="projects/my-project/locations/us-central1",
instance_id="my-workbench-instance",
instance={
"machine_type": "n1-standard-4",
"install_gpu_driver": True,
"metadata": {
"proxy-mode": "service_account",
"enable-oslogin": "TRUE"
}
}
)
operation = client.create_instance(request=request)
print("인스턴스 생성 중:", operation.operation.name)
로컬에서 클라우드 노트북 실행
VS Code에서 확장 프로그램을 통해 노트북을 열면, 커널을 클라우드 인스턴스로 지정할 수 있습니다. 그러면 로컬에서 코드를 작성하지만 실제 실행은 클라우드에서 이루어져요. 주피터 노트북을 다루는 것과 같은 경험이지만, 리소스는 클라우드의 것을 쓰는 셈이죠.
# 노트북 셀에서 클라우드 리소스 확인
import os
print("현재 실행 환경:", os.environ.get("GOOGLE_CLOUD_PROJECT"))
print("CPU 코어 수:", os.cpu_count())
이렇게 하면 로컬 머신의 사양에 제약받지 않고, 대규모 데이터 처리나 모델 학습을 클라우드에서 수행할 수 있습니다.
본론 3: 주의사항 및 심화 팁
비용 관리
클라우드 인스턴스는 사용한 만큼 비용이 발생합니다. 특히 GPU를 사용하면 시간당 요금이 꽤 나가요. 노트북을 사용하지 않을 때는 인스턴스를 중지하는 습관을 들이세요. VS Code 확장 프로그램에서도 중지 버튼을 제공하니, 작업이 끝나면 바로 중지하는 것을 권장합니다.
네트워크 및 보안
클라우드 인스턴스는 기본적으로 VPC 네트워크 안에 있으므로, 외부에서 직접 접근할 수 없게 설정하는 것이 좋습니다. IAM 역할을 세밀하게 조정하고, OS Login을 활성화하여 SSH 키 관리도 강화하세요.
확장 프로그램의 한계
아직 초기 단계라서 일부 기능이 제한적일 수 있습니다. 예를 들어, 커스텀 커널을 사용하거나, 특정 라이브러리를 설치할 때 로컬과의 호환성 문제가 발생할 수 있어요. 이럴 때는 공식 문서를 참고하거나 GitHub 이슈에 기여해 보세요.
결론: 실무 적용 조언
Google Cloud Workbench VS Code 확장 프로그램은 로컬 개발 환경과 클라우드 인프라 사이의 장벽을 허물어 주는 혁신적인 도구입니다. 특히 데이터 사이언스 팀이 협업할 때, 각자 로컬에서 작업한 코드를 클라우드에서 동일하게 실행할 수 있어 재현성과 생산성이 크게 향상됩니다.
다음 단계로는 이 확장 프로그램을 실제 프로젝트에 도입해 보세요. 간단한 데이터 분석부터 시작해 점차 모델 학습까지 확장해 보는 것을 추천합니다. 그리고 팀 내에서 공유할 수 있는 워크플로우를 만들어 보면 더 좋을 거예요.
함께 보면 좋은 글:
- Gemini CLI에 Plan Mode가 정식 출시되었습니다 (삽질 방지 필수 기능)
- Google Home이 진화한다 Gemini for Home, 서비스 제공자를 위한 풀스택 AI 오퍼링
마지막으로, 이 확장 프로그램은 오픈소스로 개발되고 있으니, 직접 코드를 보고 개선에 참여할 수도 있습니다. Google Cloud의 기능을 최대한 활용해 보세요!