Ce document du centre d'architecture fournit des liens vers des guides d'architecture que vous pouvez utiliser pour créer et déployer des applications et des opérations de ML dans Google Cloud.
Pour vous aider à trouver les conseils adaptés à votre rôle et à vos besoins, nous proposons les types de guides d'architecture suivants :
- Guides de conception : conseils prescriptifs et transversaux pour vous aider à planifier et à concevoir votre architecture cloud.
- Architectures de référence : exemples d'architecture détaillés et recommandations de conception pour des charges de travail spécifiques.
- Cas d'utilisation : exemples d'architectures de haut niveau pour résoudre des problèmes commerciaux spécifiques.
- Guides de déploiement et solutions de démarrage rapide : instructions détaillées ou code permettant de déployer une architecture spécifique.
| Guide d'architecture | Description |
|---|---|
| Bonnes pratiques pour implémenter le machine learning sur Google Cloud | Guide de conception pour vous aider à planifier et à développer des modèles avec entraînement personnalisé qui suivent les bonnes pratiques tout au long du workflow de ML. |
| Consignes pour le développement de solutions de ML prédictives de haute qualité | Guide qui vous aide à évaluer, garantir et contrôler la qualité lors de la mise en place de solutions de ML prédictives. |
| Architecture pour les opérations de machine learning avec TensorFlow Extended, Vertex AI Pipelines et Cloud Build | Architecture de référence pour vous aider à créer un système de machine learning (ML) à l'aide des bibliothèques TensorFlow Extended (TFX). |
| MLOps : pipelines de livraison continue et d'automatisation dans le machine learning | Guide qui traite des techniques de mise en œuvre et d'automatisation de l'intégration continue (CI), de la livraison continue (CD) et de l'entraînement continu (CT) pour les systèmes de ML. |
| Créer une solution d'analyse ML Vision avec Dataflow et l'API Cloud Vision | Architecture de référence pour vous aider à déployer un pipeline Dataflow afin de traiter des fichiers image avec Cloud Vision et de stocker les résultats traités dans BigQuery. |
| Informatique confidentielle pour l'analyse de données, l'IA et l'apprentissage fédéré | Architecture de référence pour vous aider à utiliser le calcul confidentiel afin de collaborer de manière sécurisée sur les données, d'entraîner des modèles d'IA et d'effectuer de l'apprentissage fédéré. |
| Apprentissage fédéré intersilo et inter-appareil sur Google Cloud | Architecture de référence pour vous aider à créer une plate-forme d' apprentissage fédéré à l'aide de Google Kubernetes Engine (GKE). |
| Implémenter la récupération à deux tours pour la génération de candidats à grande échelle | Architecture de référence pour vous aider à implémenter un workflow de génération de candidats à deux tours de bout en bout avec Vertex AI. |
| Développement de modèles et étiquetage de données avec Google Cloud et Labelbox | Architecture de référence pour vous aider à créer un pipeline standardisé avec Labelbox. |
| Architecture C3 AI sur Google Cloud | Ce document décrit les méthodes les plus efficaces pour déployer les applications C3.AI. |
| Utiliser Vertex AI Pipelines pour la modélisation de la propension sur Google Cloud | Guide pour vous aider à déployer un pipeline implémenté qui effectue une modélisation des tendances. |