O Centro de arquitetura fornece recursos de conteúdo em uma ampla variedade de assuntos de IA e machine learning. Esta página fornece informações para ajudar você a começar com IA generativa, IA tradicional e machine learning. Ela também fornece uma lista de todo o conteúdo de IA e machine learning (ML) no Centro de Arquitetura.
Começar
Use os documentos listados nesta página para começar a projetar, criar e implantar soluções de IA e ML no Google Cloud.
Conheça a IA generativa
Comece aprendendo sobre os fundamentos da IA generativa no Google Cloud, no site da documentação do Cloud:
- Para conhecer as etapas de desenvolvimento de um aplicativo de IA generativa e explorar os produtos e ferramentas para seu caso de uso, consulte Criar um aplicativo de IA generativa no Google Cloud.
- Para identificar quando a IA generativa, a IA tradicional (que inclui previsão e classificação) ou uma combinação de ambas podem se adequar ao seu caso de uso comercial, consulte Quando usar IA generativa ou IA tradicional.
- Para definir um caso de uso de negócios de IA com uma abordagem de decisão orientada por valor, consulte Avaliar e definir seu caso de uso de negócios de IA generativa.
- Para lidar com os desafios de seleção, avaliação, ajuste e desenvolvimento de modelos, consulte Desenvolver um aplicativo de IA generativa.
Para conhecer um projeto de IA generativa e de machine learning que implanta um pipeline para criar modelos de IA, consulte Criar e implantar modelos de IA generativa e de machine learning em uma empresa. O guia explica todo o ciclo de vida do desenvolvimento de IA, desde a exploração e experimentação preliminar de dados até o treinamento, a implantação e o monitoramento do modelo.
Navegue pelos seguintes exemplos de arquiteturas que usam IA generativa:
- Resumo de documentos de IA generativa
- Base de conhecimento sobre IA generativa
- RAG de IA generativa com o Cloud SQL
- Infraestrutura para um aplicativo de IA generativa com capacidade para RAG usando o GKE
- Infraestrutura para um aplicativo de IA generativa com capacidade de RAG usando a Vertex AI
- Desenvolvimento de modelos e rotulagem de dados com o Google Cloud e o Labelbox
Para informações sobre as ofertas de IA generativa do Google Cloud, consulte Vertex AI, API Genmini e Como executar seu modelo de fundação no GKE.
Projetar e criar
Para selecionar a melhor combinação de opções de armazenamento para sua carga de trabalho de IA, consulte Projetar armazenamento para cargas de trabalho de IA e ML no Google Cloud.
O Google Cloud oferece um conjunto de serviços de IA e machine learning para ajudar você a resumir documentos com IA generativa, criar pipelines de processamento de imagens e inovar com soluções de IA generativa.
Continue explorando
Os documentos listados mais adiante nesta página e na navegação à esquerda podem ajudar você a criar uma solução de IA ou ML. Os documentos são organizados nas seguintes categorias:
- IA generativa: siga estas arquiteturas para projetar e criar soluções de IA generativa.
- Treinamento de modelo: implemente machine learning, aprendizado federado e experiências inteligentes personalizadas.
- MLOps: implemente e automatize a integração e a entrega contínuas e o treinamento contínuos de sistemas de machine learning.
- Aplicativos de IA e ML: crie aplicativos no Google Cloud personalizados para suas cargas de trabalho de IA e ML.
Recursos de IA e machine learning na Central de arquitetura
É possível filtrar a lista a seguir de recursos de IA e machine learning digitando um nome de produto ou uma frase que esteja no título ou na descrição do recurso.
|
Arquitetura para MLOps usando a TensorFlow Extended, a Vertex AI Pipelines e o Cloud Build Este documento descreve a arquitetura geral de um sistema de machine learning (ML) usando bibliotecas da TensorFlow Extended (TFX). Ele também discute como configurar uma integração contínua (CI), entrega contínua (CD) e treinamento contínuo (CT) para... Produtos usados: Cloud Build |
|
Práticas recomendadas para implementar machine learning no Google Cloud Apresentamos as práticas recomendadas para implementar machine learning (ML) no Google Cloud, com foco em modelos treinados personalizados com base nos dados e no código. Produtos usados: Vertex AI, Vertex AI, Vertex AI, Vertex Explainable AI, Vertex Feature Store, Vertex Pipelines, Vertex TensorBoard |
|
Criar uma solução de análise de visão de ML com a API Cloud Vision e o Dataflow Como implantar um pipeline do Dataflow para processar arquivos de imagem em grande escala com o Cloud Vision. O Dataflow armazena os resultados no BigQuery para que você possa usá-los no treinamento de modelos pré-criados do BigQuery ML. Produtos usados: BigQuery, Cloud Build, Cloud Storage, Cloud Vision, Dataflow e Pub/Sub" |
|
Criar e implantar modelos de IA generativa e de machine learning em uma empresa Descreve o blueprint da IA generativa e do machine learning (ML), que implanta um pipeline para criar modelos de IA. |
|
Aprendizado federado entre silos e dispositivos no Google Cloud Fornece orientações para ajudar você a criar uma plataforma de aprendizado federada compatível com uma arquitetura entre silos ou dispositivos. |
|
Ciência de dados com R no Google Cloud: análise de dados exploratória Mostra como começar a usar a ciência de dados em escala com o R no Google Cloud. Esse documento é destinado a quem tem alguma experiência com R e com notebooks Jupyter e a quem está familiarizado com SQL. Produtos usados: BigQuery, Cloud Storage, Notebooks |
|
Planejar armazenamento para cargas de trabalho de IA e ML no Google Cloud Mapeie as fases da carga de trabalho de IA e ML com as opções de armazenamento do Google Cloud e selecione as opções de armazenamento recomendadas para suas cargas de trabalho de IA e ML. Produtos usados: Cloud Storage, Filestore, Persistent Disk |
|
Arquitetura de análise geoespacial Saiba mais sobre os recursos geoespaciais do Google Cloud e como usar esses recursos em aplicativos de análise geoespacial. Produtos usados: BigQuery, Dataflow |
|
Backup do Google Workspace com Afi.ai Descreve como configurar um backup automatizado do Google Workspace usando o Afi.ai. Produtos usados: Cloud Storage |
|
Diretrizes para desenvolver soluções de ML de alta qualidade Reúne algumas diretrizes para ajudar a avaliar, garantir e controlar a qualidade em soluções de machine learning (ML). |
|
Processamento de imagens usando microsserviços e mensagens assíncronas Mostra como implementar microsserviços usando o Google Kubernetes Engine (GKE) e o Pub/Sub para invocar processos de longa duração de forma assíncrona. Produtos usados: Artifact Registry, Cloud Build, Cloud Pub/Sub, Cloud SQL, Cloud Storage, Cloud Vision, Compute Engine, Container Registry e Google Kubernetes Engine (GKE) |
|
Infraestrutura para um aplicativo de IA generativa com capacidade para RAG usando o GKE Mostra como projetar a infraestrutura para um aplicativo de IA generativa com RAG usando o GKE. Produtos usados: Cloud SQL, Cloud Storage, Google Kubernetes Engine (GKE) |
|
Infraestrutura para um aplicativo de IA generativa com capacidade de RAG usando a Vertex AI Projetar infraestrutura para executar um aplicativo de IA generativa com geração aumentada de recuperação. Produtos usados: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI e Vertex AI |
|
Solução Jump Start: processamento de imagens de IA/ML no Cloud Functions Analise imagens usando modelos de machine learning pré-treinados e um aplicativo de processamento de imagens implantado no Cloud Functions. |
|
Jump Start Solution: Analytics lakehouse Unifique data lakes e data warehouses criando um lakehouse de análise que usa o BigQuery para armazenar, processar, analisar e ativar os dados. |
|
Solução de início rápido: data warehouse com o BigQuery Criar um data warehouse com painel e ferramenta de visualização usando o BigQuery. |
|
Solução de início rápido: resumo de documentos de IA generativa Processe e resuma documentos sob demanda usando a IA generativa da Vertex AI e modelos de linguagem grandes (LLMs). |
|
Soluções de início rápido: base de conhecimento de IA generativa Extraia pares de perguntas e respostas de documentos sob demanda usando a IA generativa da Vertex AI e os modelos de linguagem grande (LLMs). |
|
Solução de início rápido: RAG de IA generativa com Cloud SQL Implantar um aplicativo de geração aumentada de recuperação (RAG, na sigla em inglês) com embeddings vetoriais e o Cloud SQL. |
|
MLOps com Intelligent Products Essentials Descreve uma arquitetura de referência para implementar MLOps usando o Intelligent Products Essentials e a Vertex AI. Produtos usados: BigQuery, Cloud Scheduler, Dataflow, Dataproc, Intelligent Products Essentials, Vertex AI |
|
MLOps: pipelines de automação e entrega contínua no machine learning Este documento discute técnicas para implementar e automatizar a integração contínua (CI), a entrega contínua (CD) e o treinamento contínuo (TC) para sistemas de machine learning (ML). |
|
Desenvolvimento de modelos e rotulagem de dados com o Google Cloud e o Labelbox Fornece orientações para criar um pipeline padronizado que ajuda a acelerar o desenvolvimento de modelos de ML. |
|
Sistema de inferência do TensorFlow escalonável Descreve como projetar e implantar um sistema de inferência on-line de alto desempenho para modelos de aprendizado profundo usando uma GPU NVIDIA® T4 e um servidor de inferência Triton. Produtos usados: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
|
Como exibir modelos de ML do Spark usando a Vertex AI Mostra como exibir (executar) previsões on-line a partir de modelos de machine learning (ML) que são criados usando o Spark MLlib e gerenciados usando a Vertex AI. Produtos usados: Vertex AI |
|
Usar o Kubeflow Pipelines para modelagem de propensão no Google Cloud Descreve um exemplo de pipeline automatizado no Google Cloud que realiza modelagem de propensão. Produtos usados: BigQuery, Cloud Functions, Vertex AI |