Last reviewed 2025-11-25 UTC
In diesem Dokument im Architecture Center finden Sie Links zu Architekturleitfäden, mit denen Sie ML-Anwendungen und ‑Vorgänge erstellen und bereitstellen können Google Cloud.
Damit Sie die richtige Anleitung für Ihre Rolle und Ihre Anforderungen finden, bieten wir die folgenden Arten von Architekturleitfäden an:
- Designleitfäden: Vorgeschriebene, produktübergreifende Anleitungen zum Planen und Entwerfen Ihrer Cloud-Architektur.
- Referenzarchitekturen: Detaillierte Architekturbeispiele und Designempfehlungen für bestimmte Arbeitslasten.
- Anwendungsfälle: Allgemeine Architekturbeispiele zur Lösung bestimmter geschäftlicher Probleme.
- Bereitstellungsleitfäden: Schritt-für-Schritt-Anleitungen oder Code zum Bereitstellen einer bestimmten Architektur.
| Architekturleitfaden | Beschreibung |
|---|---|
| Best Practices für die Implementierung von maschinellem Lernen in Google Cloud | Ein Designleitfaden, der Ihnen bei der Planung und Entwicklung benutzertrainierter Modelle hilft, die Best Practices im gesamten ML-Workflow folgen. |
| Leitlinien für die Entwicklung hochwertiger prädiktiver ML-Lösungen | Ein Leitfaden, der Ihnen hilft, die Qualität beim Erstellen prädiktiver 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, die Ihnen beim Erstellen eines ML-Systems (maschinelles Lernen) mit Bibliotheken von TensorFlow Extended (TFX) hilft. |
| 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, die Ihnen beim Erstellen einer Dataflow Pipeline hilft, 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. |
| Confidential Computing für Datenanalysen, KI und föderiertes Lernen | Eine Referenzarchitektur, die Ihnen hilft, Confidential Computing für die sichere Zusammenarbeit bei Daten, das Trainieren von KI-Modellen und föderiertes Lernen zu verwenden. |
| Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud | Eine Referenzarchitektur, die Ihnen beim Erstellen einer Plattform für föderiertes Lernen mit Google Kubernetes Engine (GKE) hilft. |
| Two-Tower-Retrieval für die Kandidatengenerierung im großen Maßstab implementieren | Eine Referenzarchitektur, die Ihnen beim Implementieren eines End-to-End-Workflows zur Kandidatengenerierung mit zwei Towern mit der Gemini Enterprise Agent Platform hilft. |
| Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox | Eine Referenzarchitektur, die Ihnen beim Erstellen einer standardisierten Pipeline mit Labelbox hilft. |
| C3 AI-Architektur in Google Cloud | In diesem Dokument werden die effektivsten Möglichkeiten zum Bereitstellen von C3 AI-Anwendungen beschrieben. |