Last reviewed 2025-11-25 UTC
Dokumen di Architecture Center ini menyediakan link ke panduan arsitektur yang dapat Anda gunakan untuk membangun dan men-deploy aplikasi serta operasi ML di Google Cloud.
Untuk membantu Anda menemukan panduan yang tepat dan relevan dengan persona dan kebutuhan Anda, kami menyediakan jenis panduan arsitektur berikut:
- Panduan desain: Panduan preskriptif lintas produk untuk membantu Anda merencanakan dan mendesain arsitektur cloud.
- Arsitektur referensi: Contoh arsitektur mendetail dan rekomendasi desain untuk workload tertentu.
- Kasus penggunaan: Contoh arsitektur tingkat tinggi untuk menyelesaikan masalah bisnis tertentu.
- Panduan deployment: Petunjuk langkah demi langkah atau kode untuk men-deploy arsitektur tertentu.
| Panduan arsitektur | Deskripsi |
|---|---|
| Praktik terbaik untuk menerapkan machine learning di Google Cloud | Panduan desain untuk membantu Anda merencanakan dan mengembangkan model yang dilatih khusus yang mengikuti praktik terbaik di seluruh alur kerja ML. |
| Panduan untuk mengembangkan solusi ML prediktif berkualitas tinggi | Panduan yang membantu Anda menilai, memastikan, dan mengontrol kualitas dalam membangun solusi ML prediktif. |
| Arsitektur untuk MLOps menggunakan TensorFlow Extended, Gemini Enterprise Agent Platform Pipelines, dan Cloud Build | Arsitektur referensi untuk membantu Anda membangun sistem machine learning (ML) menggunakan library TensorFlow Extended (TFX). |
| MLOps: Pipeline otomatisasi dan continuous delivery di machine learning | Panduan yang membahas teknik untuk menerapkan dan mengotomatiskan continuous integration (CI), continuous delivery (CD), dan continuous training (CT) untuk sistem ML. |
| Membangun solusi analisis ML vision dengan Dataflow dan Cloud Vision API | Arsitektur referensi untuk membantu Anda membangun pipeline Dataflow guna memproses file gambar dengan Cloud Vision dan menyimpan hasil yang diproses di BigQuery. Untuk mengetahui informasi tentang cara men-deploy arsitektur referensi ini, lihat Men-deploy solusi analisis ML vision dengan Dataflow dan Cloud Vision API |
| Federated learning lintas-silo dan lintas-perangkat di Google Cloud | Arsitektur referensi untuk membantu Anda membuat platform federated learning menggunakan Google Kubernetes Engine (GKE). |
| Mengimplementasikan pengambilan dua menara untuk pembuatan kandidat berskala besar | Arsitektur referensi untuk membantu Anda menerapkan alur kerja pemilihan kandidat dua menara menyeluruh dengan Gemini Enterprise Agent Platform. |
| Pengembangan model dan pelabelan data dengan Google Cloud dan Labelbox | Arsitektur referensi untuk membantu Anda membangun pipeline standar dengan Labelbox. |
| Arsitektur C3 AI di Google Cloud | Dokumen ini menjelaskan cara paling efektif untuk men-deploy aplikasi C3 AI. |