Last reviewed 2025-11-25 UTC
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 profil et à vos besoins, nous proposons les types de guides d'architecture suivants :
- Guides de conception : conseils prescriptifs et interproduits 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'architecture de haut niveau pour résoudre des problèmes commerciaux spécifiques.
- Guides de déploiement : instructions ou code détaillés pour déployer une architecture spécifique.
| Guide d'architecture | Description |
|---|---|
| Bonnes pratiques de mise en œuvre du 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 pour vous aider à évaluer, garantir et contrôler la qualité lors de la création de solutions de ML prédictives. |
| Architecture pour les MLOps avec TensorFlow Extended, Gemini Enterprise Agent Platform 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 créer un pipeline Dataflow afin de traiter des fichiers image avec Cloud Vision et de stocker les résultats traités dans BigQuery. Pour savoir comment déployer cette architecture de référence, consultez la page Déployer une solution d'analyse ML Vision avec Dataflow et l'API Cloud Vision. |
| Calcul confidentiel pour l'analyse de données, l'IA et l'apprentissage fédéré | Architecture de référence pour vous aider à utiliser le calcul confidentiel pour une collaboration sécurisée sur les données, l'entraînement de modèles d'IA et 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). |
| Mettre en œuvre la récupération à deux tours pour la génération de candidats à grande échelle | Architecture de référence pour vous aider à mettre en œuvre un workflow de génération de candidats à deux tours de bout en bout avec Gemini Enterprise Agent Platform. |
| 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 moyens les plus efficaces de déployer des applications C3 AI. |