Architecture Center menyediakan referensi konten untuk berbagai subjek AI dan machine learning. Halaman ini memberikan informasi untuk membantu Anda memulai AI generatif, AI tradisional, dan machine learning. Halaman ini juga menyediakan daftar semua konten AI dan machine learning (ML) di Architecture Center.
Mulai
Dokumen yang tercantum di halaman ini dapat membantu Anda memulai proses mendesain, mem-build, dan men-deploy solusi AI dan ML di Google Cloud.
Menjelajahi AI generatif
Mulailah dengan mempelajari dasar-dasar AI generatif di Google Cloud, di situs dokumentasi Cloud:
- Untuk mempelajari tahapan pengembangan aplikasi AI generatif dan mempelajari produk serta alat untuk kasus penggunaan Anda, lihat Mem-build aplikasi AI generatif di Google Cloud.
- Untuk mengidentifikasi kapan AI generatif, AI tradisional (yang mencakup prediksi dan klasifikasi), atau kombinasi keduanya mungkin sesuai dengan kasus penggunaan bisnis Anda, lihat Kapan harus menggunakan AI generatif atau AI tradisional.
- Untuk menentukan kasus penggunaan bisnis AI dengan pendekatan pengambilan keputusan yang berorientasi pada nilai bisnis, lihat Mengevaluasi dan menentukan kasus penggunaan bisnis AI generatif Anda.
- Untuk mengatasi tantangan pemilihan, evaluasi, penyesuaian, dan pengembangan model, lihat Mengembangkan aplikasi AI generatif.
Untuk mempelajari blueprint AI generatif dan machine learning yang men-deploy pipeline untuk membuat model AI, lihat Mem-build dan men-deploy model AI generatif dan machine learning di perusahaan. Panduan ini menjelaskan seluruh siklus proses pengembangan AI, mulai dari eksplorasi dan eksperimen data awal hingga pelatihan, deployment, dan pemantauan model.
Jelajahi contoh arsitektur berikut yang menggunakan AI generatif:
- Peringkasan dokumen AI generatif
- Pangkalan pengetahuan AI generatif
- RAG AI Generatif dengan Cloud SQL
- Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan Vertex AI dan Vector Search
- Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan Vertex AI dan AlloyDB untuk PostgreSQL
- Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan GKE
- Pengembangan model dan pelabelan data dengan Google Cloud dan Labelbox
Untuk mengetahui informasi tentang penawaran AI generatif Google Cloud, lihat Vertex AI dan menjalankan model dasar Anda di GKE.
Desain dan build
Untuk memilih kombinasi opsi penyimpanan terbaik bagi workload AI Anda, lihat Mendesain penyimpanan untuk workload AI dan ML di Google Cloud.
Google Cloud menyediakan rangkaian layanan AI dan machine learning untuk membantu Anda meringkas dokumen dengan AI generatif, membuat pipeline pemrosesan gambar, dan berinovasi dengan solusi AI generatif.
Terus jelajahi
Dokumen yang tercantum nanti di halaman ini dan di navigasi sebelah kiri dapat membantu Anda membuat solusi AI atau ML. Dokumen disusun dalam kategori berikut:
- AI Generatif: Ikuti arsitektur ini untuk mendesain dan mem-build solusi AI generatif.
- Pelatihan model: Terapkan machine learning, federated learning, dan pengalaman cerdas yang dipersonalisasi.
- MLOps: Menerapkan dan mengotomatiskan continuous integration, continuous delivery, dan continuous training untuk sistem machine learning.
- Aplikasi AI dan ML: Buat aplikasi di Google Cloud yang disesuaikan untuk beban kerja AI dan ML Anda.
Referensi AI dan machine learning di Architecture Center
Anda dapat memfilter daftar referensi AI dan machine learning berikut dengan mengetik nama produk atau frasa yang ada di judul atau deskripsi referensi.
Arsitektur untuk MLOps menggunakan TensorFlow Extended, Vertex AI Pipelines, dan Cloud Build Dokumen ini menjelaskan arsitektur keseluruhan sistem machine learning (ML) menggunakan library TensorFlow Extended (TFX). Dokumen ini juga membahas cara menyiapkan continuous integration (CI), continuous delivery (CD), dan continuous training (CT) untuk... Produk yang digunakan: Cloud Build |
Praktik terbaik untuk mengimplementasikan machine learning di Google Cloud Memperkenalkan praktik terbaik untuk menerapkan machine learning (ML) di Google Cloud, dengan fokus pada model yang dilatih khusus berdasarkan data dan kode Anda. Produk yang digunakan: Vertex AI, Vertex AI, Vertex AI, Vertex Explainable AI, Vertex Feature Store, Vertex Pipelines, Vertex Tensorboard |
Membangun solusi analisis visi ML dengan Dataflow dan Cloud Vision API Cara men-deploy pipeline Dataflow untuk memproses file image berskala besar dengan Cloud Vision. Dataflow menyimpan hasil di BigQuery sehingga Anda dapat menggunakannya untuk melatih model bawaan BigQuery ML. Produk yang digunakan: BigQuery, Cloud Build, Cloud Pub/Sub, Cloud Storage, Cloud Vision, Dataflow |
Mem-build dan men-deploy model AI generatif dan machine learning di perusahaan Menjelaskan blueprint AI generatif dan machine learning (ML), yang men-deploy pipeline untuk membuat model AI. |
Federated learning lintas silo dan lintas perangkat di Google Cloud Memberikan panduan untuk membantu Anda membuat platform federated learning yang mendukung arsitektur lintas silo atau lintas perangkat. |
Data science dengan R pada Google Cloud: Analisis data eksplorasi Menunjukkan kepada Anda cara memulai data science dalam skala besar dengan R pada Google Cloud. Dokumen ini ditujukan bagi mereka yang memiliki pengalaman menggunakan R dan Jupyter notebook, serta terbiasa menggunakan SQL. Produk yang digunakan: BigQuery, Cloud Storage, Notebooks, Vertex AI |
Men-deploy dan mengoperasikan aplikasi AI generatif Membahas teknik untuk membuat dan mengoperasikan aplikasi AI generatif menggunakan prinsip MLOps dan DevOps. |
Mendesain penyimpanan untuk workload AI dan ML di Google Cloud Petakan tahap beban kerja AI dan ML ke opsi penyimpanan Google Cloud, dan pilih opsi penyimpanan yang direkomendasikan untuk beban kerja AI dan ML Anda. Produk yang digunakan: Cloud Storage, Filestore, Persistent Disk |
Arsitektur analisis geospasial Pelajari kemampuan geospasial Google Cloud dan cara Anda menggunakan kemampuannya di aplikasi analisis geospasial Anda. Produk yang digunakan: BigQuery, Dataflow |
Pedoman untuk mengembangkan solusi ML prediktif berkualitas tinggi Menyusun beberapa pedoman untuk membantu Anda menilai, memastikan, dan mengontrol kualitas dalam solusi machine learning (ML). |
Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan GKE Menunjukkan cara mendesain infrastruktur untuk aplikasi AI generatif dengan RAG menggunakan GKE. Produk yang digunakan: Cloud SQL, Cloud Storage, Google Kubernetes Engine (GKE) |
Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan Vertex AI Mendesain infrastruktur untuk menjalankan aplikasi AI generatif dengan retrieval-augmented generation. Produk yang digunakan: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
Solusi Praktis: Pemrosesan image AI/ML di Cloud Functions Menganalisis gambar menggunakan model machine learning terlatih dan aplikasi pemrosesan gambar yang di-deploy di Cloud Functions. |
Solusi Praktis: Lakehouse analisis Menyatukan data lake dan data warehouse dengan membuat lakehouse analisis menggunakan BigQuery untuk menyimpan, memproses, menganalisis, dan mengaktifkan data. |
Solusi Praktis: Data warehouse dengan BigQuery Buat data warehouse dengan dasbor dan alat visualisasi menggunakan BigQuery. |
Solusi Praktis: Ringkasan dokumen AI generatif Memproses dan meringkas dokumen sesuai permintaan menggunakan AI Generatif Vertex AI dan model bahasa besar (LLM). |
Solusi Praktis: Pusat Informasi AI Generatif Mengekstrak pasangan pertanyaan dan jawaban dari dokumen sesuai permintaan menggunakan AI Generatif Vertex AI dan model bahasa besar (LLM)... |
Solusi Praktis: RAG AI Generatif dengan Cloud SQL Men-deploy aplikasi retrieval augmented generation (RAG) dengan embeddings vektor dan Cloud SQL. |
MLOps: Pipeline otomatisasi dan continuous delivery di machine learning Membahas teknik untuk menerapkan dan mengotomatisasi continuous integration (CI), continuous delivery (CD), dan continuous training (CT) untuk sistem machine learning (ML). |
Pengembangan model dan pelabelan data dengan Google Cloud dan Labelbox Memberikan panduan untuk membuat pipeline standar guna membantu mempercepat pengembangan model ML. |
Menyajikan model Spark ML menggunakan Vertex AI Menunjukkan cara menyajikan (menjalankan) prediksi online dari model machine learning (ML) yang dibuat menggunakan Spark MLlib dan dikelola menggunakan Vertex AI. Produk yang digunakan: Vertex AI |
Menggunakan AI generatif untuk pengelolaan penggunaan Arsitektur referensi untuk perusahaan asuransi kesehatan guna mengotomatiskan pemrosesan permintaan otorisasi sebelumnya (PA) dan meningkatkan proses peninjauan penggunaan (UR) mereka. Produk yang digunakan: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
Menggunakan Vertex AI Pipelines untuk pemodelan kecenderungan di Google Cloud Menjelaskan contoh pipeline otomatis di Google Cloud yang melakukan pemodelan kecenderungan. Produk yang digunakan: BigQuery, Cloud Functions, Vertex AI |