Architekturleitfäden für ML-Anwendungen und ‑Vorgänge

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 Anleitungen für Ihre Persona und Ihre Anforderungen finden, bieten wir die folgenden Arten von Architekturleitfäden an:

  • Designleitfäden: Produktübergreifende Anleitungen, die Ihnen bei der Planung und dem Entwurf Ihrer Cloud-Architektur helfen.
  • Referenzarchitekturen: Detaillierte Architekturbeispiele und Designempfehlungen für bestimmte Arbeitslasten.
  • Anwendungsfälle: Beispiele für allgemeine Architekturen zur Lösung bestimmter Geschäftsprobleme.
  • Bereitstellungsleitfäden: Detaillierte Anleitung oder Code zum Bereitstellen einer bestimmten Architektur.
Architekturleitfaden Beschreibung
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 durchgängigen Two-Tower-Workflow für die Kandidatengenerierung 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.