Architecture Center 提供了涵盖各种 AI 和机器学习主题的内容资源。
Architecture Center 中的 AI 和机器学习资源
您可以通过输入产品名称或者资源名称或说明中的短语来过滤以下 AI 和机器学习资源列表。
使用 TensorFlow Extended、Vertex AI Pipelines 和 Cloud Build 的 MLOps 的架构 本文档介绍了使用 TensorFlow Extended (TFX) 库的机器学习系统的整体架构。此外,它还介绍了如何为以下各项设置持续集成 (CI)、持续交付 (CD) 和持续训练 (CT)… 使用的产品:Cloud Build |
介绍了在 Google Cloud 上实现机器学习 (ML) 的最佳实践,重点关注了基于您的数据和代码的自定义训练模型。 使用的产品:Vertex AI、Vertex Explainable AI、Vertex Feature Store、Vertex Pipelines、Vertex Tensorboard |
使用 Dataflow 和 Cloud Vision API 构建机器学习视觉分析解决方案 如何部署 Dataflow 流水线以使用 Cloud Vision 处理大规模图片文件。Dataflow 将结果存储在 BigQuery 中,以便将其用于训练 BigQuery ML 预构建模型。 使用的产品:BigQuery、Cloud Build、Cloud Pub/Sub、Cloud Storage、Cloud Vision、Dataflow |
在 Google Cloud 上使用 R 进行数据科学研究:探索性数据分析 介绍了如何在 Google Cloud 上使用 R 大规模开始进行数据科学研究。本文档面向拥有 R 和 Jupyter 笔记本经验且熟悉 SQL 的人员。 使用的产品:BigQuery、Cloud Storage、Notebooks |
介绍联邦学习用例的实现。它考虑了您需要针对多云环境和混合环境考虑的安全和隔离注意事项。 使用的产品:Google Kubernetes Engine (GKE)、TensorFlow |
了解 Google Cloud 地理空间功能以及如何在地理空间分析应用中使用这些功能。 使用的产品:BigQuery、Dataflow |
使用 Afi.ai 的 Google Workspace 备份 介绍了如何使用 Afi.ai 设置自动 Google Workspace 备份。 使用的产品:Cloud Storage |
介绍了一些指南,可帮助您评估、确保和控制机器学习 (ML) 解决方案的质量。 |
介绍如何使用 Google Kubernetes Engine (GKE) 和 Pub/Sub 实现微服务,以异步调用长时间运行的进程。 使用的产品:Artifact Registry、Cloud Build、Cloud Pub/Sub、Cloud SQL、Cloud Storage、Cloud Vision、Compute Engine、Container Registry、Google Kubernetes Engine (GKE) |
使用 Vertex AI 且支持 RAG 的生成式 AI 应用的基础设施 设计基础设施,以运行具有检索增强生成功能的生成式 AI 应用。 使用的产品:Alloy Db、BigQuery、Cloud Pub/Sub、Cloud Run、Cloud Storage、Document AI、Logging、Monitoring、Vertex AI |
Intelligent Products Essentials 参考架构 介绍想要使用 Intelligent Products Essentials 连接设备并在 Google Cloud 上构建 Cloud IoT 应用的技术决策者的参考架构。 使用的产品:BigQuery、Cloud Pub/Sub、Firebase、Intelligent Products Essentials、Looker、Run、Scheduler |
快速起步解决方案:借助 Cloud Functions 函数处理 AI/机器学习图片 使用预训练的机器学习模型和部署在 Cloud Functions 上的图片处理应用来分析图片。 |
通过使用 BigQuery 创建分析湖仓一体来统一数据湖和数据仓库,从而存储、处理、分析和激活数据。 |
使用 BigQuery 通过信息中心和可视化工具来构建数据仓库。 |
使用 Vertex AI 生成式 AI 和大语言模型 (LLM) 按需处理文档并创建文档的摘要。 |
介绍了 Google Cloud 上用于根据机器学习模型进行预测的常见架构,以及哪些技巧可最大限度地缩短机器学习系统执行预测时的延迟。 使用的产品:AI Platform、Bigtable、Cloud Memorystore、Cloud Pub/Sub、Dataflow、Datastore、Google Kubernetes Engine (GKE) |
将 MLOps 与 Intelligent Products Essentials 结合使用 介绍使用 Intelligent Products Essentials 和 Vertex AI 实现 MLOps 的参考架构。 使用的产品:BigQuery、Cloud Scheduler、Dataflow、Dataproc、Intelligent Products Essentials、Vertex AI |
讨论了实现和自动执行机器学习系统的持续集成 (CI)、持续交付 (CD) 和持续训练 (CT) 的方法。 |
在 Bigtable 和 GKE 上使用 OpenTSDB 监控时序数据 时序数据是一项非常宝贵的资产,可用于趋势、监控和机器学习等各种应用。您可以基于服务器基础架构、应用代码和其他来源生成时序数据。OpenTSDB... 使用的产品:Bigtable、Google Kubernetes Engine (GKE) |
保护 Vertex AI Workbench 用户管理的笔记本中的机密数据 介绍可用于保护 Vertex AI Workbench 用户管理的笔记本中的机密数据的安全控制措施和安全层。 使用的产品:BigQuery、Notebooks |
介绍支持环境可持续发展的 Google Cloud 方法。其中包括可让您了解 Google Cloud 碳排放量的信息和其他资源。 使用的产品:BigQuery、Compute Engine、Google Kubernetes Engine (GKE) |
介绍如何使用 NVIDIA® T4 GPU 和 Triton 推理服务器为深度学习模型设计和部署高性能的在线推理系统。 使用的产品:Cloud Load Balancing、Google Kubernetes Engine (GKE) |
展示了如何通过使用 Spark MLlib 构建并使用 Vertex AI 管理的机器学习 (ML) 模型提供(运行)在线预测。 使用的产品:Vertex AI |
使用 Kubeflow Pipelines 在 Google Cloud 上进行倾向建模 介绍 Google Cloud 中执行倾向建模的自动流水线示例。 使用的产品:BigQuery、Cloud Functions、Vertex AI |