Este documento oferece uma visão geral dos guias de arquitetura para projetar, criar e implantar aplicativos de IA e ML.
Para ajudar você a encontrar a orientação certa para sua persona e necessidades, oferecemos os seguintes tipos de guias de arquitetura:
- Guias de design: orientação prescritiva e entre produtos para ajudar você a planejar e projetar sua arquitetura de nuvem.
- Arquiteturas de referência: exemplos detalhados de arquitetura e recomendações de design para cargas de trabalho específicas.
- Casos de uso: exemplos de arquitetura de alto nível para resolver problemas específicos de negócios.
- Guias de implantação e soluções de início rápido:instruções detalhadas ou código para implantar uma arquitetura específica.
IA agêntica
Os aplicativos de IA agêntica resolvem problemas abertos com planejamento autônomo e fluxos de trabalho de várias etapas.
Para criar aplicativos de IA agênticos no Google Cloud, comece com os seguintes guias:
- Guia de design: Escolha os componentes da arquitetura de IA agêntica
- Guia de design: Escolha um padrão de design para seu sistema de IA agêntica
- Arquitetura de referência: Sistema de IA multiagente em Google Cloud
- Confira mais guias de arquitetura de IA com agentes.
IA generativa
Os aplicativos de IA generativa permitem usar a IA para criar resumos, descobrir correlações complexas e ocultas ou gerar novos conteúdos.
Para criar aplicativos de IA generativa no Google Cloud, comece com os seguintes guias:
- Guia de design: Implante e opere aplicativos de IA generativa
- Guia de design: Escolher modelos e infraestrutura para seu aplicativo de IA generativa
- Arquiteturas de referência: IA generativa com RAG
Aplicações e operações de ML
Operações de machine learning (MLOps) robustas são a base de toda iniciativa de IA, desde modelos de classificação e regressão até sistemas complexos de IA generativa e baseada em agentes.
Para criar e operar aplicativos de ML no Google Cloud, comece com os seguintes guias:
- Guia de design: Práticas recomendadas para implementar machine learning em Google Cloud
- Blueprint: Criar e implantar modelos de IA generativa e de machine learning em uma empresa
- Arquitetura de referência: Criar uma solução de análise de visão de ML com a API Cloud Vision e o Dataflow
- Arquitetura de referência: Aprendizado federado entre silos e dispositivos no Google Cloud
- Confira mais guias de arquitetura de operações e aplicativos de ML.
Infraestrutura de IA e ML
O desempenho, o custo e a escalonabilidade dos seus aplicativos de IA e ML dependem diretamente da infraestrutura subjacente. Cada etapa do ciclo de vida de ML tem requisitos exclusivos de computação, armazenamento e rede.
Os recursos a seguir ajudam você a projetar e selecionar uma infraestrutura adequada para suas cargas de trabalho de IA e ML:
- Guia de design: Planejar armazenamento para cargas de trabalho de IA e ML em Google Cloud
- Arquitetura de referência: Otimizar cargas de trabalho de IA e ML com o Cloud Storage FUSE
- Arquitetura de referência: Otimizar cargas de trabalho de IA e ML com o Managed Lustre do Google Cloud