Questo documento nel Centro architettura fornisce link a guide all'architettura che puoi utilizzare per creare ed eseguire il deployment di applicazioni e operazioni di ML in Google Cloud.
Per aiutarti a trovare le indicazioni giuste e pertinenti per la tua persona e le tue esigenze, forniamo i seguenti tipi di guide all'architettura:
- Guide alla progettazione: indicazioni prescrittive e multiprodotto per aiutarti a pianificare e progettare la tua architettura cloud.
- Architetture di riferimento: esempi di architetture dettagliate e consigli di progettazione per carichi di lavoro specifici.
- Casi d'uso: esempi di architettura di alto livello per risolvere problemi aziendali specifici.
- Guide al deployment e soluzioni Jump Start: istruzioni passo passo o codice per implementare un'architettura specifica.
| Guida all'architettura | Descrizione |
|---|---|
| Best practice per l'implementazione del machine learning su Google Cloud | Una guida alla progettazione per aiutarti a pianificare e sviluppare modelli con addestramento personalizzato che seguono le best practice durante il workflow ML. |
| Linee guida per lo sviluppo di soluzioni di machine learning predittive e di alta qualità | Una guida che ti aiuta a valutare, garantire e controllare la qualità nella creazione di soluzioni di ML predittivo. |
| Architettura per MLOps che utilizza TensorFlow Extended, Vertex AI Pipelines e Cloud Build | Un'architettura di riferimento per aiutarti a creare un sistema di machine learning (ML) utilizzando le librerie TensorFlow Extended (TFX). |
| MLOps: pipeline di distribuzione continua e automazione nel machine learning | Una guida che illustra le tecniche per l'implementazione e l'automazione dell'integrazione continua (CI), della distribuzione continua (CD) e dell'addestramento continuo (CT) per i sistemi di ML. |
| Crea una soluzione di analisi della visione ML con Dataflow e l'API Cloud Vision | Un'architettura di riferimento per aiutarti a eseguire il deployment di una pipeline Dataflow per elaborare file immagine con Cloud Vision e archiviare i risultati elaborati in BigQuery. |
| Confidential Computing per l'analisi dei dati, l'AI e il Federated Learning | Un'architettura di riferimento per aiutarti a utilizzare il confidential computing per la collaborazione sicura sui dati, l'addestramento di modelli di AI e l'apprendimento federato. |
| Apprendimento federato cross-silo e cross-device su Google Cloud | Un'architettura di riferimento per aiutarti a creare una piattaforma di apprendimento federato utilizzando Google Kubernetes Engine (GKE). |
| Implementare il recupero a due torri per la generazione di candidati su larga scala | Un'architettura di riferimento per aiutarti a implementare un flusso di lavoro di generazione di candidati end-to-end a due torri con Vertex AI. |
| Sviluppo del modello ed etichettatura dei dati con Google Cloud e Labelbox | Un'architettura di riferimento per aiutarti a creare una pipeline standardizzata con Labelbox. |
| Architettura di C3 AI su Google Cloud | Questo documento descrive i modi più efficaci per eseguire il deployment delle applicazioni C3 AI. |
| Utilizzare Vertex AI Pipelines per la modellazione della propensione su Google Cloud | Una guida per aiutarti a eseguire il deployment di una pipeline implementata che esegue la modellazione della propensione. |