Dokumen ini memberikan ringkasan panduan arsitektur untuk mendesain, membangun, dan men-deploy aplikasi AI dan ML.
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 memecahkan masalah bisnis tertentu.
- Panduan deployment dan Solusi Praktis: Petunjuk langkah demi langkah atau kode untuk men-deploy arsitektur tertentu.
AI agentic
Aplikasi AI agentic memecahkan masalah terbuka melalui perencanaan otonom dan alur kerja multilangkah.
Untuk membangun aplikasi AI agentik di Google Cloud, mulai dengan panduan berikut:
- Panduan desain: Memilih komponen arsitektur AI agentic Anda
- Panduan desain: Memilih pola desain untuk sistem AI agentic Anda
- Arsitektur referensi: Sistem AI multi-agen di Google Cloud
- Jelajahi panduan arsitektur AI agentik lainnya.
AI Generatif
Aplikasi AI generatif memungkinkan penggunaan AI untuk membuat ringkasan, mengungkap korelasi tersembunyi yang kompleks, atau menghasilkan konten baru.
Untuk membangun aplikasi AI generatif di Google Cloud, mulai dengan panduan berikut:
- Panduan desain: Men-deploy dan mengoperasikan aplikasi AI generatif
- Panduan desain: Memilih model dan infrastruktur untuk aplikasi AI generatif Anda
- Arsitektur referensi: AI Generatif dengan RAG
Aplikasi dan operasi ML
Operasi machine learning (MLOps) yang andal adalah fondasi untuk setiap inisiatif AI, mulai dari model klasifikasi dan regresi hingga sistem AI generatif dan AI agentic yang kompleks.
Untuk membangun dan mengoperasikan aplikasi ML di Google Cloud, mulai dengan panduan berikut:
- Panduan desain: Praktik terbaik untuk menerapkan machine learning di Google Cloud
- Blueprint: Membangun dan men-deploy model AI generatif dan machine learning di perusahaan
- Arsitektur referensi: Membangun solusi analisis visi ML dengan Dataflow dan Cloud Vision API
- Arsitektur referensi: Federated learning lintas silo dan lintas perangkat di Google Cloud
- Pelajari lebih lanjut panduan arsitektur operasi dan aplikasi ML.
Infrastruktur AI dan ML
Performa, biaya, dan skalabilitas aplikasi AI dan ML Anda bergantung langsung pada infrastruktur yang mendasarinya. Setiap tahap siklus proses ML memiliki persyaratan unik untuk komputasi, penyimpanan, dan jaringan.
Referensi berikut membantu Anda mendesain dan memilih infrastruktur yang sesuai untuk workload AI dan ML Anda:
- Panduan desain: Mendesain penyimpanan untuk workload AI dan ML di Google Cloud
- Arsitektur referensi: Mengoptimalkan workload AI dan ML dengan Cloud Storage FUSE
- Arsitektur referensi: Mengoptimalkan workload AI dan ML dengan Managed Lustre Google Cloud