Questo documento fornisce una panoramica delle guide all'architettura per progettare, creare ed eseguire il deployment di applicazioni di AI e ML.
Per aiutarti a trovare le indicazioni giuste per la tua persona e le tue esigenze, forniamo i seguenti tipi di guide all'architettura:
- Guide alla progettazione: indicazioni prescrittive e interprodotto per aiutarti a pianificare e progettare la tua architettura cloud.
- Architetture di riferimento: esempi di architettura dettagliati e suggerimenti di progettazione per workload specifici.
- Casi d'uso: esempi di architettura di alto livello per risolvere problemi aziendali specifici.
- Guide al deployment: istruzioni o codice passo passo per eseguire il deployment di un'architettura specifica.
AI agentica
Le applicazioni di AI agentica risolvono problemi aperti attraverso la pianificazione autonoma e workflow in più passaggi.
Per creare applicazioni di AI agentica su Google Cloud, inizia con le seguenti guide:
- Guida alla progettazione: Scegli i componenti dell'architettura di AI agentica
- Guida alla progettazione: Scegli un pattern di progettazione per il tuo sistema di AI agentica
- Architettura di riferimento: sistema di AI multi-agente in Google Cloud
- Architettura di riferimento: sistema AI ad agente singolo che utilizza ADK e Cloud Run
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 gestisci le applicazioni di AI generativa
- Guida alla progettazione: Scegli modelli e infrastruttura per la tua applicazione di AI generativa
- Architetture di riferimento: AI generativa con RAG
Esplora altre guide all'architettura dell'AI generativa.
Applicazioni e operazioni di ML
Le operazioni di machine learning (MLOps) solide sono alla base di ogni iniziativa di AI, dai modelli di classificazione e regressione ai sistemi di AI generativa e AI agentica complessi.
Per creare e gestire applicazioni ML su Google Cloud, inizia con le seguenti guide:
- Progetto: Crea ed esegui il deployment di modelli di AI generativa e machine learning in un'azienda
- Architettura di riferimento: Crea una soluzione di analisi di visione ML con Dataflow e l'API Cloud Vision
- Architettura di riferimento: Apprendimento federato cross-silo e cross-device su Google Cloud
Scopri altre guide all'architettura delle applicazioni e delle operazioni di ML.
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 di AI e ML:
- Guida alla progettazione: Progetta lo spazio di archiviazione per i workload di AI e ML in Google Cloud
- Architettura di riferimento: Ottimizza i workload di AI e ML con Cloud Storage FUSE
- Architettura di riferimento: Ottimizza i workload di AI e ML con Google Cloud Managed Lustre