Ressources sur l'IA et le machine learning

Last reviewed 2025-11-25 UTC

Ce document présente les guides d'architecture permettant de concevoir, de créer et de déployer des applications d'IA et de ML.

Pour vous aider à trouver les conseils adaptés à votre profil et à vos besoins, nous proposons les types de guides d'architecture suivants :

  • Guides de conception : conseils prescriptifs et multiproduits pour vous aider à planifier et à concevoir votre architecture cloud.
  • Architectures de référence : exemples d'architecture détaillés et recommandations de conception pour des charges de travail spécifiques.
  • Cas d'utilisation : exemples d'architecture de haut niveau pour résoudre des problèmes métier spécifiques.
  • Guides de déploiement : instructions détaillées ou code pour déployer une architecture spécifique.

IA agentique

Les applications d'IA agentique résolvent des problèmes ouverts grâce à une planification autonome et à des workflows en plusieurs étapes.

Pour créer des applications d'IA agentive sur Google Cloud, commencez par consulter les guides suivants :

Découvrez d'autres guides sur l'architecture de l'IA agentique.

IA générative

Les applications d'IA générative permettent d'utiliser l'IA pour créer des résumés, découvrir des corrélations complexes cachées ou générer de nouveaux contenus.

Pour créer des applications d'IA générative sur Google Cloud, commencez par consulter les guides suivants :

Découvrez d'autres guides d'architecture d'IA générative.

Applications et opérations de ML

Des opérations de machine learning (MLOps) robustes sont à la base de toute initiative d'IA, des modèles de classification et de régression aux systèmes complexes d'IA générative et d'IA agentique.

Pour créer et exploiter des applications de ML sur Google Cloud, commencez par consulter les guides suivants :

Découvrez d'autres guides d'architecture pour les applications et les opérations de ML.

Infrastructure d'IA et de ML

Les performances, le coût et l'évolutivité de vos applications d'IA et de ML dépendent directement de l'infrastructure sous-jacente. Chaque étape du cycle de vie du ML présente des exigences uniques en termes de calcul, de stockage et de mise en réseau.

Les ressources suivantes vous aident à concevoir et à sélectionner une infrastructure appropriée pour vos charges de travail d'IA et de ML :