Questo documento fornisce una panoramica delle guide all'architettura per progettare, creare e implementare applicazioni di AI e ML.
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.
AI agentica
Le applicazioni di AI agentica risolvono problemi a risposta aperta tramite la pianificazione autonoma e workflow in più fasi.
Per creare applicazioni di AI agentiche su Google Cloud, inizia con le seguenti guide:
- Guida alla progettazione: Scegliere i componenti dell'architettura di AI agentica
- Guida alla progettazione: Scegliere un pattern di progettazione per il tuo sistema di AI agentica
- Architettura di riferimento: Sistema di AI multi-agente in Google Cloud
- Esplora altre guide all'architettura dell'AI agentica.
AI generativa
Le applicazioni di AI generativa consentono di utilizzare l'AI per creare riepiloghi, scoprire correlazioni nascoste complesse o generare nuovi contenuti.
Per creare applicazioni di AI generativa su Google Cloud, inizia con le seguenti guide:
- Guida alla progettazione: Esegui il deployment e utilizza le applicazioni di AI generativa
- Guida alla progettazione: Scegliere modelli e infrastruttura per la tua applicazione di AI generativa
- Architetture di riferimento: AI generativa con RAG
Applicazioni e operazioni di ML
Operazioni di machine learning (MLOps) solide sono la base di ogni iniziativa di AI, dai modelli di classificazione e regressione ai complessi sistemi di AI generativa e agentica.
Per creare e gestire applicazioni di machine learning su Google Cloud, inizia con le seguenti guide:
- Guida alla progettazione: Best practice per l'implementazione del machine learning su Google Cloud
- Blueprint: Crea ed esegui il deployment di modelli di AI generativa e machine learning in un'azienda
- Architettura di riferimento: Crea una soluzione di analisi della visione ML con Dataflow e l'API Cloud Vision
- Architettura di riferimento: Apprendimento federato cross-silo e cross-device su Google Cloud
- Esplora altre guide all'architettura di applicazioni e operazioni di machine learning.
Infrastruttura AI e ML
Le prestazioni, i costi e la scalabilità delle tue applicazioni di AI e ML dipendono direttamente dall'infrastruttura sottostante. Ogni fase del ciclo di vita del ML ha requisiti unici per computing, archiviazione e networking.
Le seguenti risorse ti aiutano a progettare e selezionare un'infrastruttura appropriata per i tuoi workload AI e ML:
- Guida alla progettazione: Progettare l'archiviazione per i carichi di lavoro di AI e ML in Google Cloud
- Architettura di riferimento: Ottimizza i carichi di lavoro AI e ML con Cloud Storage FUSE
- Architettura di riferimento: Ottimizza i carichi di lavoro di AI e ML con Google Cloud Managed Lustre