Ressourcen für KI und maschinelles Lernen

Last reviewed 2024-11-22 UTC

Im Architekturzentrum werden Inhaltsressourcen für eine Vielzahl von KI- und ML-Themen bereitgestellt. Auf dieser Seite finden Sie Informationen zum Einstieg in generative KI, herkömmliche KI und maschinelles Lernen. Außerdem wird eine Liste aller KI- und ML-Inhalte im Architekturzentrum bereitgestellt.

Mehr erfahren

Die auf dieser Seite aufgeführten Dokumente erleichtern Ihnen den Einstieg in das Entwerfen, Erstellen und Bereitstellen von KI- und ML-Lösungen in Google Cloud.

Generative KI kennenlernen

Machen Sie sich zuerst mit den Grundlagen der generativen KI in Google Cloud vertraut:

Einen Blueprint für generative KI und maschinelles Lernen, der eine Pipeline zum Erstellen von KI-Modellen bereitstellt, finden Sie unter Modelle für generative KI und maschinelles Lernen in einem Unternehmen erstellen und bereitstellen. Der Leitfaden erläutert den gesamten Lebenszyklus der KI-Entwicklung, von der explorativen Datenanalyse und Experimentierung über das Modelltraining, die Bereitstellung und Überwachung.

Sehen Sie sich die folgenden Beispielarchitekturen an, die generative KI verwenden:

Informationen zu den Angeboten für generative KI von Google Cloud finden Sie unter Vertex AI und Foundation Model ausführen in GKE.

Design und Aufbau

Informationen zum Auswählen der besten Kombination von Speicheroptionen für Ihre KI-Arbeitslast finden Sie unter Speicher für KI- und ML-Arbeitslasten in Google Cloud entwerfen.

Google Cloud bietet eine Reihe von KI- und ML-Diensten, mit denen Sie Dokumente mit generativer KI zusammenfassen, Bildverarbeitungspipelines erstellen und Innovationen mit generativen KI-Lösungen vorantreiben können.

Weiter erkunden

Die Dokumente, die weiter unten auf dieser Seite und in der linken Navigationsleiste aufgeführt sind, helfen Ihnen beim Erstellen einer KI- oder ML-Lösung. Die Dokumente sind in folgende Kategorien unterteilt:

  • Generative KI: Folgen Sie diesen Architekturen, um generative KI-Lösungen zu entwerfen und zu erstellen.
  • Modelltraining: Implementieren Sie maschinelles Lernen, föderiertes Lernen und personalisierte, intelligente Umgebungen.
  • MLOps: Implementieren und automatisieren Sie Continuous Integration, Continuous Delivery und kontinuierliches Training für ML-Systeme.
  • KI- und ML-Anwendungen: Erstellen Sie in Google Cloud Anwendungen, die auf Ihre KI- und ML-Arbeitslasten zugeschnitten sind.

Ressourcen für KI und maschinelles Lernen im Architekturzentrum

Sie können die folgende Liste von KI- und ML-Ressourcen filtern, indem Sie einen Produktnamen oder eine Wortgruppe eingeben, die im Ressourcentitel oder in der Beschreibung enthalten ist.

Architektur für MLOps mit TensorFlow Extended, Vertex AI Pipelines und Cloud Build

Best Practices zum Implementieren von maschinellem Lernen in Google Cloud

ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen

Modelle für generative KI und maschinelles Lernen in einem Unternehmen erstellen und bereitstellen

Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud

Data Science mit R in Google Cloud: Anleitung zur explorativen Datenanalyse

Generative KI-Anwendungen bereitstellen und betreiben

Speicher für KI- und ML-Arbeitslasten in Google Cloud entwerfen

Architektur für raumbezogene Analysen

Google Workspace-Sicherung mit Afi.ai

Leitlinien für die Entwicklung hochwertiger prädiktiver ML-Lösungen

Infrastruktur für eine RAG-fähige generative KI-Anwendung mit GKE

Infrastruktur für eine RAG-fähige generative KI-Anwendung mit Vertex AI

JJump Start-Lösung: KI/ML-Bildverarbeitung in Cloud Functions

Jump Start Solution: Analytics Lakehouse

Schnellstart-Lösungen: Data Warehouse with BigQuery

Schnellstartlösung: Zusammenfassung der Dokumente zu „Generative AI“

Schnellstartlösung: Wissensdatenbank zu generativer KI

Schnellstartlösung: Generative AI RAG mit Cloud SQL

MLOps: Continuous Delivery und Pipelines zur Automatisierung im maschinellen Lernen

Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox

Spark ML-Modelle mit Vertex AI bereitstellen

Generative KI für die Auslastungsverwaltung verwenden

Vertex AI Pipelines für die Neigungsmodellierung in Google Cloud verwenden