Recursos de IA e machine learning

Last reviewed 2024-06-02 UTC

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 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:

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

Práticas recomendadas para implementar machine learning no Google Cloud

Criar uma solução de análise de visão de ML com a API Cloud Vision e o Dataflow

Criar e implantar modelos de IA generativa e de machine learning em uma empresa

Aprendizado federado entre silos e dispositivos no Google Cloud

Ciência de dados com R no Google Cloud: análise de dados exploratória

Planejar armazenamento para cargas de trabalho de IA e ML no Google Cloud

Arquitetura de análise geoespacial

Backup do Google Workspace com Afi.ai

Diretrizes para desenvolver soluções de ML de alta qualidade

Processamento de imagens usando microsserviços e mensagens assíncronas

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

Solução Jump Start: processamento de imagens de IA/ML no Cloud Functions

Jump Start Solution: Analytics lakehouse

Solução de início rápido: data warehouse com o BigQuery

Solução de início rápido: resumo de documentos de IA generativa

Soluções de início rápido: base de conhecimento de IA generativa

Solução de início rápido: RAG de IA generativa com Cloud SQL

MLOps com Intelligent Products Essentials

MLOps: pipelines de automação e entrega contínua no machine learning

Desenvolvimento de modelos e rotulagem de dados com o Google Cloud e o Labelbox

Sistema de inferência do TensorFlow escalonável

Como exibir modelos de ML do Spark usando a Vertex AI

Usar o Kubeflow Pipelines para modelagem de propensão no Google Cloud