這份文件提供架構指南總覽，協助您設計、建構及部署 AI 和 ML 應用程式。
為協助您找到符合自身角色和需求的合適指南，我們提供下列類型的架構指南：
- 設計指南：提供跨產品的規範性指引，協助您規劃及設計雲端架構。
- 參考架構：特定工作負載的詳細架構範例和設計建議。
- 應用實例：解決特定業務問題的高階架構範例。
- 部署指南和快速部署解決方案：部署特定架構的逐步說明或程式碼。
代理式 AI
代理式 AI 應用程式可透過自主規劃和多步驟工作流程，解決開放式問題。
如要在 Google Cloud上建構具備代理功能的 AI 應用程式，請先參閱下列指南：
- 設計指南： 選擇代理式 AI 架構元件
- 設計指南： 選擇代理式 AI 系統的設計模式
- 參考架構： Google Cloud 中的多代理 AI 系統
- 如要瞭解詳情，請參閱代理 AI 架構指南。
生成式 AI
生成式 AI 應用程式可讓您使用 AI 建立摘要、找出隱藏的複雜關聯性，或生成新內容。
如要在 Google Cloud上建構生成式 AI 應用程式，請先參閱下列指南：
- 設計指南：部署及營運生成式 AI 應用程式
- 設計指南： 為生成式 AI 應用程式選擇模型和基礎架構
- 參考架構： 搭配 RAG 的生成式 AI
機器學習應用程式和作業
從分類和迴歸模型，到複雜的生成式 AI 和代理式 AI 系統，穩健的機器學習運作 (MLOps) 是每項 AI 計畫的基礎。
如要在 Google Cloud上建構及運作機器學習應用程式，請先參閱下列指南：
- 設計指南： 在 Google Cloud 中實作機器學習技術的最佳做法 Google Cloud
- 藍圖： 在企業中建構及部署生成式 AI 和機器學習模型
- 參考架構： 使用 Dataflow 和 Cloud Vision API 建構機器學習視覺分析解決方案
- 參考架構： 在 Google Cloud上進行跨孤島和跨裝置的聯合學習
- 請參閱更多機器學習應用程式和作業架構指南。
AI 和機器學習基礎架構
AI 和機器學習應用程式的效能、成本和擴充性，直接取決於底層基礎架構。機器學習生命週期的每個階段，對運算、儲存空間和網路都有獨特需求。
下列資源可協助您為 AI 和機器學習工作負載設計及選取合適的基礎架構：
- 設計指南： 在 Google Cloud 中設計 AI 和機器學習工作負載的儲存空間 Google Cloud
- 參考架構： 運用 Cloud Storage FUSE 最佳化 AI 和機器學習工作負載
- 參考架構： 使用 Google Cloud Managed Lustre 最佳化 AI 和機器學習工作負載