Pusat Arsitektur menyediakan resource konten untuk berbagai mata pelajaran AI dan machine learning. Halaman ini memberikan informasi untuk membantu Anda mulai menggunakan AI generatif, AI tradisional, dan machine learning. Bagian ini juga menyediakan daftar semua konten AI dan machine learning (ML) di Architecture Center.
Mulai
Dokumen yang tercantum di halaman ini dapat membantu Anda mulai mendesain, membangun, serta men-deploy solusi AI dan ML di Google Cloud.
Pelajari AI generatif
Mulailah dengan mempelajari dasar-dasar AI generatif di Google Cloud, di situs dokumentasi Cloud:
- Untuk mempelajari tahap pengembangan aplikasi AI generatif serta menjelajahi produk dan alat untuk kasus penggunaan Anda, lihat Membangun 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 mendefinisikan kasus penggunaan bisnis AI dengan pendekatan keputusan berbasis nilai bisnis, lihat Mengevaluasi dan mendefinisikan 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 Membangun 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 model, deployment, dan pemantauan.
Jelajahi contoh arsitektur berikut yang menggunakan AI generatif:
- Ringkasan dokumen AI generatif
- Basis pengetahuan AI generatif
- RAG AI Generatif dengan Cloud SQL
- Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan GKE
- Infrastruktur untuk aplikasi AI generatif berkemampuan RAG menggunakan Vertex AI
- Pengembangan model dan pelabelan data dengan Google Cloud dan Labelbox
Untuk mengetahui informasi tentang penawaran AI generatif Google Cloud, lihat Vertex AI, Gemini API, dan menjalankan model dasar Anda di GKE.
Desain dan bangun
Untuk memilih kombinasi opsi penyimpanan terbaik untuk workload AI Anda, lihat Mendesain penyimpanan untuk workload AI dan ML di Google Cloud.
Google Cloud menyediakan serangkaian layanan AI dan machine learning untuk membantu Anda meringkas dokumen dengan AI generatif, membangun pipeline pemrosesan gambar, dan berinovasi dengan solusi AI generatif.
Terus menjelajah
Dokumen yang tercantum nanti di halaman ini dan di navigasi kiri dapat membantu Anda membangun solusi AI atau ML. Dokumen-dokumen tersebut diatur dalam kategori berikut:
- AI Generatif: Ikuti arsitektur ini untuk mendesain dan membangun solusi AI generatif.
- Pelatihan model: Menerapkan machine learning, federated learning, dan pengalaman cerdas yang dipersonalisasi.
- MLOps: Menerapkan dan mengotomatiskan continuous integration, continuous delivery, dan pelatihan berkelanjutan untuk sistem machine learning.
- Aplikasi AI dan ML: Bangun aplikasi di Google Cloud yang disesuaikan untuk workload 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 |
|
Bangun dan deploy model machine learning dan AI generatif di perusahaan Menjelaskan blueprint AI generatif dan machine learning (ML), yang men-deploy pipeline untuk membuat model AI. |
|
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 |
|
Federated learning lintas silo dan lintas perangkat di Google Cloud Menyediakan panduan untuk membantu Anda membuat platform pembelajaran federasi 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 |
|
Mendesain penyimpanan untuk workload AI dan ML di Google Cloud Petakan tahapan workload AI dan ML ke opsi penyimpanan Google Cloud, lalu pilih opsi penyimpanan yang direkomendasikan untuk workload 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 |
|
Pencadangan Google Workspace dengan Afi.ai Menjelaskan cara menyiapkan pencadangan Google Workspace otomatis menggunakan Afi.ai. Produk yang digunakan: Cloud Storage |
|
Pedoman untuk mengembangkan solusi ML berkualitas tinggi Menyusun beberapa pedoman untuk membantu Anda menilai, memastikan, dan mengontrol kualitas dalam solusi machine learning (ML). |
|
Pemrosesan image menggunakan microservice dan pesan asinkron Menunjukkan cara menerapkan microservice menggunakan Google Kubernetes Engine (GKE) dan Pub/Sub untuk memanggil proses yang berjalan lama secara asinkron. Produk yang digunakan: Artifact Registry, Cloud Build, Cloud Pub/Sub, Cloud SQL, Cloud Storage, Cloud Vision, Compute Engine, Container Registry, Google Kubernetes Engine (GKE) |
|
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 Merancang infrastruktur untuk menjalankan aplikasi AI generatif dengan generasi yang dipercepat. Produk yang digunakan: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
|
Arsitektur referensi Intelligent Product Essentials Menjelaskan arsitektur referensi untuk pengambil keputusan teknis yang ingin menghubungkan perangkat dan mem-build aplikasi Cloud IoT di Google Cloud menggunakan Intelligent Products Essentials. Produk yang digunakan: BigQuery, Cloud Pub/Sub, Firebase, Intelligent Products Essentials, Looker, Run, Scheduler |
|
Solusi Praktis: Pemrosesan image AI/ML di Cloud Functions Analisis gambar menggunakan model machine learning terlatih dan aplikasi pemrosesan gambar yang di-deploy di Cloud Functions. |
|
Solusi Praktis: Lakehouse analisis Satukan data lake dan data warehouse dengan membuat lakehouse analisis menggunakan BigQuery untuk menyimpan, memproses, menganalisis, dan mengaktifkan data. |
|
Solusi Langsung Mulai: Data warehouse dengan BigQuery Bangun data warehouse dengan dasbor dan alat visualisasi menggunakan BigQuery. |
|
Solusi Langsung Mulai: Perangkuman dokumen AI generatif Memproses dan merangkum dokumen sesuai permintaan menggunakan AI Generatif Vertex AI dan model bahasa besar (LLM). |
|
Solusi Langsung Mulai: Generative AI Knowledge Base Ekstrak pasangan tanya jawab dari dokumen sesuai permintaan menggunakan AI Generatif Vertex AI dan model bahasa besar (LLM)... |
|
Solusi Langsung Mulai: RAG AI Generatif dengan Cloud SQL Men-deploy aplikasi generasi augmented (RAG) pengambilan dengan embedding vektor dan Cloud SQL. |
|
Meminimalkan latensi penyajian prediksi real-time di machine learning Membahas arsitektur umum di Google Cloud untuk memberikan prediksi dari model machine learning, serta teknik untuk meminimalkan latensi penyajian prediksi di sistem ML. Produk yang digunakan: AI Platform, Bigtable, Cloud Memorystore, Cloud Pub/Sub, Dataflow, Datastore, Google Kubernetes Engine (GKE) |
|
MLOps dengan Intelligent Products Essentials Menjelaskan arsitektur referensi untuk mengimplementasikan MLOps menggunakan Intelligent Products Essentials dan Vertex AI. Produk yang digunakan: BigQuery, Cloud Scheduler, Dataflow, Dataproc, Intelligent Products Essentials, Vertex AI |
|
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 membangun pipeline terstandardisasi untuk membantu mempercepat pengembangan model ML. |
|
Memantau data deret waktu dengan OpenTSDB di Bigtable dan GKE Data deret waktu adalah aset sangat berharga yang dapat Anda gunakan untuk berbagai aplikasi, termasuk trending, pemantauan, dan machine learning. Anda dapat menghasilkan data deret waktu dari infrastruktur server, kode aplikasi, dan sumber lainnya. OpenTSDB... Produk yang digunakan: Bigtable, Google Kubernetes Engine (GKE) |
|
Melindungi data rahasia di notebook yang dikelola pengguna Vertex AI Workbench Menjelaskan kontrol dan lapisan keamanan yang dapat Anda gunakan untuk membantu melindungi data rahasia di notebook yang dikelola pengguna Vertex AI Workbench. Produk yang digunakan: BigQuery, Notebooks |
|
Mengurangi jejak karbon Google Cloud Anda Menjelaskan pendekatan Google Cloud terhadap kelestarian lingkungan. Panduan ini mencakup informasi dan resource lainnya yang dapat Anda gunakan untuk memahami jejak karbon Anda di Google Cloud. Produk yang digunakan: BigQuery, Compute Engine, Google Kubernetes Engine (GKE) |
|
Sistem inferensi TensorFlow yang skalabel Menjelaskan cara merancang dan men-deploy sistem inferensi online berperforma tinggi untuk model deep learning dengan menggunakan GPU NVIDIA® T4 dan Server Inferensi Triton. Produk yang digunakan: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
|
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 Kubeflow 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 |