Ce document présente les guides d'architecture permettant de concevoir, de créer et de déployer des applications d'IA et de ML.
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.
IA agentive
Les applications d'IA agentive résolvent des problèmes ouverts grâce à une planification autonome et des workflows en plusieurs étapes.
Pour créer des applications d'IA agentive sur Google Cloud, commencez par consulter les guides suivants :
- Guide de conception : Choisir les composants de votre architecture d'IA agentive
- Guide de conception : Choisir un modèle de conception pour votre système d'IA agentive
- Architecture de référence : Système d'IA multi-agent dans Google Cloud
- Découvrez d'autres guides sur l'architecture de l'IA agentique.
IA générative
Les applications d'IA générative permettent d'utiliser l'IA pour créer des résumés, découvrir des corrélations complexes cachées ou générer de nouveaux contenus.
Pour créer des applications d'IA générative sur Google Cloud, commencez par consulter les guides suivants :
- Guide de conception : Déployer et exploiter des applications d'IA générative
- Guide de conception : Choisir des modèles et une infrastructure pour votre application d'IA générative
- Architectures de référence : IA générative avec RAG
Applications et opérations de ML
Des opérations de machine learning (MLOps) robustes sont à la base de toute initiative d'IA, qu'il s'agisse de modèles de classification et de régression ou de systèmes complexes d'IA générative et agentive.
Pour créer et exploiter des applications de ML sur Google Cloud, commencez par consulter les guides suivants :
- Guide de conception : Bonnes pratiques de mise en œuvre du machine learning sur Google Cloud
- Plan : Créer et déployer des modèles d'IA générative et de machine learning dans une entreprise
- Architecture de référence : Créer une solution d'analyse ML Vision avec Dataflow et l'API Cloud Vision
- Architecture de référence : Apprentissage fédéré intersilo et inter-appareil sur Google Cloud
- Découvrez d'autres guides sur l'architecture des opérations et des applications de ML.
Infrastructure d'IA et de ML
Les performances, le coût et l'évolutivité de vos applications d'IA et de ML dépendent directement de l'infrastructure sous-jacente. Chaque étape du cycle de vie du ML a des exigences uniques en termes de calcul, de stockage et de mise en réseau.
Les ressources suivantes vous aident à concevoir et à sélectionner une infrastructure appropriée pour vos charges de travail d'IA et de ML :
- Guide de conception : Choisir son stockage pour les charges de travail d'IA et de ML dans Google Cloud
- Architecture de référence : Optimiser les charges de travail d'IA et de ML avec Cloud Storage FUSE
- Architecture de référence : Optimiser les charges de travail d'IA et de ML avec Google Cloud Managed Lustre