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 Rolle und Anforderungen finden, bieten wir die folgenden Arten von Architekturleitfäden an:
- Designleitfäden: Produktübergreifende Anleitungen, die Ihnen bei der Planung und Gestaltung Ihrer Cloud-Architektur helfen.
- Referenzarchitekturen: Detaillierte Architekturbeispiele und Designempfehlungen für bestimmte Arbeitslasten.
- Anwendungsfälle: Allgemeine Architekturbeispiele zur Lösung bestimmter Geschäftsprobleme.
- Bereitstellungsleitfäden und Schnellstartlösungen:Schritt-für-Schritt-Anleitungen oder Code zum Bereitstellen einer bestimmten Architektur.
| Architekturleitfaden | Beschreibung |
|---|---|
| Best Practices zum Implementieren von maschinellem Lernen in Google Cloud | Ein Designleitfaden, der Ihnen bei der Planung und Entwicklung benutzertrainierter Modelle hilft, die im gesamten ML-Workflow Best Practices folgen. |
| 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, Vertex AI Pipelines und Cloud Build | Eine Referenzarchitektur, die Ihnen hilft, ein ML-System (maschinelles Lernen) mit TensorFlow Extended (TFX)-Bibliotheken zu erstellen. |
| 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 beschrieben werden. |
| ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen | Eine Referenzarchitektur, die Ihnen hilft, eine Dataflow-Pipeline bereitzustellen, um Bilddateien mit Cloud Vision zu verarbeiten und die verarbeiteten Ergebnisse in BigQuery zu speichern. |
| Vertrauliches 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 nutzen. |
| Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud | Eine Referenzarchitektur, mit der Sie mit Google Kubernetes Engine (GKE) eine Plattform für föderiertes Lernen erstellen können. |
| Two-Tower-Retrieval für die Kandidatengenerierung im großen Maßstab implementieren | Eine Referenzarchitektur, die Sie bei der Implementierung eines End-to-End-Workflows für die Kandidatengenerierung mit zwei Towern mit Vertex AI unterstützt. |
| Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox | Eine Referenzarchitektur, mit der Sie eine standardisierte Pipeline mit Labelbox erstellen können. |
| C3 AI-Architektur auf Google Cloud | In diesem Dokument werden die effektivsten Methoden zum Bereitstellen von C3 AI-Anwendungen beschrieben. |
| Vertex AI Pipelines für die Neigungsmodellierung auf Google Cloud verwenden | Ein Leitfaden zur Bereitstellung einer Pipeline, die eine Neigungsmodellierung ausführt. |