Dieses Dokument bietet einen Überblick über Architekturleitfäden zum Entwerfen, Erstellen und Bereitstellen von KI- und ML-Anwendungen.
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.
Agentische KI
Agentic AI-Anwendungen lösen offene Probleme durch autonome Planung und mehrstufige Workflows.
Wenn Sie agentische KI-Anwendungen auf Google Clouderstellen möchten, beginnen Sie mit den folgenden Anleitungen:
- Designleitfaden: Komponenten für die Architektur von agentischen KI-Systemen auswählen
- Designleitfaden: Designmuster für Ihr agentisches KI-System wählen
- Referenzarchitektur: Multi-Agenten-KI-System in Google Cloud
- Weitere Anleitungen zur Architektur von Agent-KI
Generative KI
Mit Anwendungen für generative KI können Sie KI nutzen, um Zusammenfassungen zu erstellen, komplexe verborgene Zusammenhänge aufzudecken oder neue Inhalte zu generieren.
Wenn Sie generative KI-Anwendungen auf Google Clouderstellen möchten, beginnen Sie mit den folgenden Anleitungen:
- Designleitfaden: Anwendungen mit generativer KI bereitstellen und betreiben
- Designleitfaden: Modelle und Infrastruktur für Ihre generative KI-Anwendung auswählen
- Referenzarchitekturen: Generative KI mit RAG
ML-Anwendungen und ‑Vorgänge
Robuste Machine Learning Operations (MLOps) sind die Grundlage für jede KI-Initiative, von Klassifikations- und Regressionsmodellen bis hin zu komplexen generativen KI- und agentischen KI-Systemen.
Wenn Sie ML-Anwendungen auf Google Clouderstellen und ausführen möchten, beginnen Sie mit den folgenden Anleitungen:
- Designleitfaden: Best Practices zum Implementieren von maschinellem Lernen in Google Cloud
- Blueprint: Modelle für generative KI und maschinelles Lernen in einem Unternehmen erstellen und bereitstellen
- Referenzarchitektur: ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen
- Referenzarchitektur: Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud
- Weitere Architekturleitfäden für ML-Anwendungen und ‑Vorgänge
KI- und ML-Infrastruktur
Leistung, Kosten und Skalierbarkeit Ihrer KI- und ML-Anwendungen hängen direkt von der zugrunde liegenden Infrastruktur ab. Jede Phase des ML-Lebenszyklus hat eigene Anforderungen an Computing, Speicher und Netzwerk.
Die folgenden Ressourcen helfen Ihnen, eine geeignete Infrastruktur für Ihre KI- und ML-Arbeitslasten zu entwerfen und auszuwählen:
- Designleitfaden: Speicher für KI- und ML-Arbeitslasten in Google Cloudentwerfen
- Referenzarchitektur: KI- und ML-Arbeitslasten mit Cloud Storage FUSE optimieren
- Referenzarchitektur: KI- und ML-Arbeitslasten mit Google Cloud Managed Lustre optimieren