이 문서에서는 AI 및 ML 애플리케이션을 설계, 빌드, 배포하기 위한 아키텍처 가이드를 간략하게 설명합니다.
페르소나와 요구사항에 적합한 가이드를 찾을 수 있도록 다음과 같은 유형의 아키텍처 가이드가 제공됩니다.
- 설계 가이드: 클라우드 아키텍처를 계획하고 설계하는 데 도움이 되는 규범적이고 교차 제품 가이드입니다.
- 참조 아키텍처: 특정 워크로드에 대한 자세한 아키텍처 예시 및 설계 권장사항입니다.
- 사용 사례: 특정 비즈니스 문제를 해결하기 위한 개략적인 아키텍처 예시입니다.
- 배포 가이드 및 점프 스타트 솔루션: 특정 아키텍처를 배포하기 위한 단계별 안내 또는 코드입니다.
에이전트 AI
에이전트 AI 애플리케이션은 자율 계획 및 다단계 워크플로를 통해 개방형 문제를 해결합니다.
Google Cloud에서 에이전트형 AI 애플리케이션을 빌드하려면 다음 가이드부터 시작하세요.
- 설계 가이드: 에이전트 AI 아키텍처 구성요소 선택
- 설계 가이드: 에이전트 AI 시스템의 설계 패턴 선택
- 참조 아키텍처: Google Cloud의 멀티 에이전트 AI 시스템
- 에이전트 기반 AI 아키텍처 가이드를 자세히 알아보세요.
생성형 AI
생성형 AI 애플리케이션을 사용하면 AI를 사용하여 요약을 만들거나, 복잡한 숨겨진 상관관계를 파악하거나, 새로운 콘텐츠를 생성할 수 있습니다.
Google Cloud에서 생성형 AI 애플리케이션을 빌드하려면 다음 가이드부터 시작하세요.
- 설계 가이드: 생성형 AI 애플리케이션 배포 및 운영
- 설계 가이드: 생성형 AI 애플리케이션의 모델 및 인프라 선택
- 참조 아키텍처: RAG를 사용한 생성형 AI
ML 애플리케이션 및 작업
강력한 머신러닝 작업 (MLOps)은 분류 및 회귀 모델부터 복잡한 생성형 AI 및 에이전트 AI 시스템에 이르기까지 모든 AI 이니셔티브의 기반입니다.
Google Cloud에서 ML 애플리케이션을 빌드하고 운영하려면 다음 가이드부터 시작하세요.
- 설계 가이드: Google Cloud에서 머신러닝 구현을 위한 권장사항
- 청사진: 기업에서 생성형 AI 및 머신러닝 모델을 빌드하고 배포
- 참조 아키텍처: Dataflow 및 Cloud Vision API를 사용한 ML 비전 분석 솔루션 빌드
- 참조 아키텍처: Google Cloud의 교차 사일로 및 교차 기기 제휴 학습 Google Cloud
- ML 애플리케이션 및 운영 아키텍처 가이드를 자세히 살펴보세요.
AI 및 ML 인프라
AI 및 ML 애플리케이션의 성능, 비용, 확장성은 기본 인프라에 직접적으로 달려 있습니다. ML 수명 주기의 각 단계에는 컴퓨팅, 스토리지, 네트워킹에 대한 고유한 요구사항이 있습니다.
다음 리소스는 AI 및 ML 워크로드에 적합한 인프라를 설계하고 선택하는 데 도움이 됩니다.
- 설계 가이드: Google Cloud의 AI 및 ML 워크로드를 위한 스토리지 설계
- 참조 아키텍처: Cloud Storage FUSE로 AI 및 ML 워크로드 최적화
- 참조 아키텍처: Google Cloud Managed Lustre로 AI 및 ML 워크로드 최적화