Last reviewed 2025-11-25 UTC
Dieses Dokument im Architecture Center enthält Links zu Architekturleitfäden, mit denen Sie ML-Anwendungen und -Vorgänge in Google Clouderstellen und bereitstellen können.
Damit Sie die richtigen Informationen für Ihre Persona und Ihre Anforderungen finden, bieten wir die folgenden Arten von Architekturleitfäden an:
- Designleitfäden: Produktübergreifende Anleitungen, die Sie bei der Planung und dem Entwurf Ihrer Cloud-Architektur unterstützen.
- Referenzarchitekturen: Detaillierte Architekturbeispiele und Designempfehlungen für bestimmte Arbeitslasten.
- Anwendungsfälle: Allgemeine Architekturbeispiele zur Lösung bestimmter Geschäftsprobleme.
- Bereitstellungsleitfäden: Detaillierte Anleitungen oder Code zum Bereitstellen einer bestimmten Architektur.
| Architekturleitfaden | Beschreibung |
|---|---|
| Best Practices zum Implementieren von maschinellem Lernen in Google Cloud | Ein Designleitfaden, der Sie bei der Planung und Entwicklung von benutzerdefiniert trainierten Modellen unterstützt, die den Best Practices im gesamten ML-Workflow entsprechen. |
| Leitlinien für die Entwicklung hochwertiger prädiktiver ML-Lösungen | Ein Leitfaden, der Ihnen hilft, die Qualität beim Erstellen von prädiktiven ML-Lösungen zu bewerten, zu gewährleisten und zu steuern. |
| Architektur für MLOps mit TensorFlow Extended, Gemini Enterprise Agent Platform Pipelines und Cloud Build | Eine Referenzarchitektur, mit der Sie ein ML-System (Machine Learning) mit TensorFlow Extended (TFX)-Bibliotheken erstellen können. |
| MLOps: Continuous Delivery und Pipelines zur Automatisierung im maschinellen Lernen | Ein Leitfaden, in dem Verfahren zur Implementierung und Automatisierung von Continuous Integration (CI), Continuous Delivery (CD) und Continuous Training (CT) für ML-Systeme erläutert werden. |
| ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen | Eine Referenzarchitektur, mit der Sie eine Dataflow-Pipeline erstellen können, um Bilddateien mit Cloud Vision zu verarbeiten und die verarbeiteten Ergebnisse in BigQuery zu speichern. Informationen zum Bereitstellen dieser Referenzarchitektur finden Sie unter ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API bereitstellen. |
| Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud | Eine Referenzarchitektur, mit der Sie mit der Google Kubernetes Engine (GKE) eine Plattform für föderiertes Lernen erstellen können. |
| Two-Tower-Retrieval für die Kandidatengenerierung in großem Umfang implementieren | Eine Referenzarchitektur, mit der Sie einen End-to-End-Workflow für die Kandidatengenerierung mit Two-Tower-Modellen mit der Gemini Enterprise Agent Platform implementieren können. |
| Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox | Eine Referenzarchitektur, mit der Sie eine standardisierte Pipeline mit Labelbox erstellen können. |
| C3 AI-Architektur in Google Cloud | In diesem Dokument werden die effektivsten Methoden zum Bereitstellen von C3 AI-Anwendungen beschrieben. |