Il Centro architetture fornisce risorse per i contenuti per un'ampia gamma di AI e machine learning. Questa pagina fornisce informazioni per aiutarti a: è partito con AI generativa, AI tradizionale e il machine learning. Inoltre, fornisce un elenco di tutti i contenuti di AI e machine learning (ML) Centro architetture.
Inizia
I documenti elencati in questa pagina possono aiutarti a iniziare a progettare, sviluppare ed eseguire il deployment di soluzioni di IA e ML su Google Cloud.
Esplora AI generativa
Inizia imparando le nozioni di base dell'AI generativa su Google Cloud, sul sito della documentazione Cloud:
- Per apprendere le fasi dello sviluppo di un'applicazione di AI generativa e esplora i prodotti e gli strumenti per il tuo caso d'uso, vedi Crea un'applicazione di AI generativa su Google Cloud.
- Per identificare quando l'IA generativa, l'IA tradizionale (che include la previsione e la classificazione) o una combinazione di entrambe potrebbe essere adatta al tuo caso d'uso aziendale, consulta Quando utilizzare l'IA generativa o l'IA tradizionale.
- Definire un caso d'uso aziendale AI con una decisione aziendale basata sul valore l'approccio, vedi Valuta e definisci il tuo caso d'uso aziendale dell'AI generativa.
- Per affrontare le sfide della selezione, della valutazione, dell'ottimizzazione e dello sviluppo dei modelli, consulta Sviluppare un'applicazione di IA generativa.
Per esplorare un progetto di AI generativa e machine learning che esegue il deployment di una pipeline per la creazione di modelli di AI, consulta Creare ed eseguire il deployment di modelli di AI generativa e machine learning in un'azienda. La guida spiega l'intero ciclo di vita dello sviluppo dell'IA, dall'esplorazione e sperimentazione preliminari dei dati all'addestramento, al deployment e al monitoraggio dei modelli.
Sfoglia le seguenti architetture di esempio che utilizzano l'IA generativa:
- Riassunto dei documenti con l'IA generativa
- Knowledge base dell'IA generativa
- RAG di IA generativa con Cloud SQL
- Infrastruttura per un'applicazione di AI generativa compatibile con RAG che utilizza GKE
- Infrastruttura per un'applicazione di AI generativa compatibile con RAG utilizzando Vertex AI
- Sviluppo del modello e etichettatura dei dati con Google Cloud e Labelbox
Per informazioni sulle offerte di AI generativa di Google Cloud, vedi Vertex AI e eseguendo il modello di base su GKE.
Progettazione e costruzione
Per selezionare la migliore combinazione di opzioni di archiviazione per il tuo carico di lavoro AI, vedi Progetta l'archiviazione per carichi di lavoro di AI e ML in Google Cloud.
Google Cloud offre di servizi di AI e machine learning per aiutarti a riepilogare i documenti con AI generativa, creare l'elaborazione delle immagini pipeline di dati e innovare con soluzioni di AI generativa.
Continua a esplorare
I documenti elencati più avanti in questa pagina e nella barra di navigazione a sinistra possono di aiutarti a creare una soluzione AI o ML. I documenti sono organizzati le seguenti categorie:
- IA generativa: segui queste architetture per progettare e creare soluzioni di IA generativa.
- Addestramento dei modelli: implementa il machine learning, l'apprendimento federato e le esperienze intelligenti personalizzate.
- MLOps: implementa e automatizza l'integrazione, la distribuzione e l'addestramento continui per i sistemi di machine learning.
- Applicazioni di IA e ML: crea applicazioni su Google Cloud personalizzati per i tuoi carichi di lavoro di AI e ML.
Risorse di AI e machine learning nel Centro architetture
Puoi filtrare il seguente elenco di risorse di IA e machine learning digitando un nome di prodotto o una frase presente nel titolo o nella descrizione della risorsa.
|
Architettura per MLOps con TensorFlow Extended, Vertex AI Pipelines e Cloud Build Questo documento descrive l'architettura complessiva di un sistema di machine learning (ML) che utilizza le librerie TensorFlow Extended (TFX). Inoltre, illustra come configurare un sistema di integrazione continua (CI), distribuzione continua (CD) e addestramento continuo (CT) per... Prodotti utilizzati: Cloud Build |
|
Best practice per l'implementazione del machine learning su Google Cloud Vengono presentate le best practice per l'implementazione del machine learning (ML) su Google Cloud, con un focus sui modelli addestrati in base ai tuoi dati e al tuo codice. Prodotti utilizzati: Vertex AI, Vertex AI, Vertex AI, Vertex Explainable AI, Vertex Feature Store, Vertex Pipelines, Vertex Tensorboard |
|
Crea una soluzione di analisi della visione artificiale ML con Dataflow e l'API Cloud Vision Come eseguire il deployment di una pipeline Dataflow per elaborare file immagine su larga scala con Cloud Vision. Dataflow archivia i risultati in BigQuery in modo che tu possa utilizzarli per addestrare modelli predefiniti di BigQuery ML. Prodotti utilizzati: BigQuery, Cloud Build, Cloud Storage, Cloud Vision, Dataflow, Pub/Sub" |
|
Creare ed eseguire il deployment di modelli di IA generativa e di machine learning in un'azienda Descrive il progetto base di AI generativa e machine learning (ML), che esegue il deployment di una pipeline per la creazione di modelli di AI. |
|
Apprendimento federato tra silos e dispositivi su Google Cloud Fornisce indicazioni per aiutarti a creare una piattaforma di apprendimento federata che supporta un'architettura multi-silo o cross-device. |
|
Data science con R su Google Cloud: analisi esplorativa dei dati Mostra come iniziare a utilizzare la data science su larga scala con R su Google Cloud. Questo documento è rivolto a chi ha una certa esperienza con R e con i Jupyter Notebook e ha dimestichezza con SQL. Prodotti utilizzati: BigQuery, Cloud Storage, Notebook, Vertex AI |
|
Progettare l'archiviazione per i carichi di lavoro di AI e ML in Google Cloud Mappa le fasi del carico di lavoro di AI e ML alle opzioni di archiviazione di Google Cloud e seleziona le opzioni di archiviazione consigliate per i tuoi carichi di lavoro di AI e ML. Prodotti utilizzati: Cloud Storage, Filestore, Persistent Disk |
|
Architettura dell'analisi geospaziale Scopri di più sulle funzionalità geospaziali di Google Cloud e su come puoi utilizzarle nelle tue applicazioni di analisi geospaziale. Prodotti utilizzati: BigQuery, Dataflow |
|
Backup di Google Workspace con Afi.ai Descrive come configurare un backup automatico di Google Workspace utilizzando Afi.ai. Prodotti utilizzati: Cloud Storage |
|
Linee guida per lo sviluppo di soluzioni di ML predittive di alta qualità Metti insieme alcune linee guida per aiutarti a valutare, garantire e controllare la qualità nelle soluzioni di machine learning (ML). |
|
Infrastruttura per un'applicazione di AI generativa compatibile con RAG utilizzando GKE Mostra come progettare l'infrastruttura per un'applicazione di AI generativa con RAG utilizzando GKE. Prodotti utilizzati: Cloud SQL, Cloud Storage, Google Kubernetes Engine (GKE) |
|
Infrastruttura per un'applicazione di IA generativa compatibile con RAG che utilizza Vertex AI Progetta l'infrastruttura per eseguire un'applicazione di IA generativa con la generazione basata sul recupero. Prodotti utilizzati: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
|
Soluzione Jump Start: elaborazione di immagini AI/ML su Cloud Functions Analizza le immagini utilizzando modelli di machine learning preaddestrati e un'app di elaborazione delle immagini di cui è stato eseguito il deployment su Cloud Functions. |
|
Soluzione Jump Start: lakehouse di analisi Unifica i data lake e i data warehouse creando una lakehouse di analisi utilizzando BigQuery per archiviare, elaborare, analizzare e attivare i dati. |
|
Soluzione rapida: data warehouse con BigQuery Crea un data warehouse con uno strumento di visualizzazione e dashboard utilizzando BigQuery. |
|
Soluzione rapida: Riassunto dei documenti con l'IA generativa Elabora e riepiloga i documenti on demand utilizzando l'IA generativa di Vertex AI e i modelli linguistici di grandi dimensioni (LLM). |
|
Soluzione già pronta: knowledge base dell'IA generativa Estrai coppie di domande e risposte dai documenti on demand utilizzando l'AI generativa di Vertex AI e i modelli linguistici di grandi dimensioni (LLM)... |
|
Soluzione già pronta: RAG di IA generativa con Cloud SQL Esegui il deployment di un'applicazione RAG (Retrieval Augmented Generation) con incorporamenti vettoriali e Cloud SQL. |
|
MLOps: pipeline di distribuzione continua e automazione nel machine learning Vengono discusse tecniche per l'implementazione e l'automazione dell'integrazione continua (CI), della distribuzione continua (CD) e dell'addestramento continuo (CT) per i sistemi di machine learning (ML). |
|
Sviluppo di modelli ed etichettatura dei dati con Google Cloud e Labelbox Fornisce indicazioni per creare una pipeline standardizzata per accelerare lo sviluppo di modelli ML. |
|
Sistema di inferenza TensorFlow scalabile Descrive come progettare ed eseguire il deployment di un sistema di inferenza online ad alte prestazioni per modelli di deep learning utilizzando una GPU NVIDIA® T4 e un server di inferenza Triton. Prodotti utilizzati: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
|
Pubblicare modelli di ML di Spark utilizzando Vertex AI Mostra come pubblicare (eseguire) previsioni online da modelli di machine learning (ML) creati con Spark MLlib e gestiti tramite Vertex AI. Prodotti utilizzati: Vertex AI |
|
Utilizzare AI generativa per la gestione dell'utilizzo Un'architettura di riferimento per le compagnie di assicurazione sanitaria per automatizzare l'elaborazione delle richieste di autorizzazione preventiva (AP) e migliorare le procedure di revisione dell'utilizzo (RU). Prodotti utilizzati: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Run, Cloud Storage, Document AI, Vertex AI |
|
Utilizzare Vertex AI Pipelines per la creazione di modelli di propensione su Google Cloud Descrive un esempio di pipeline automatizzata in Google Cloud che esegue modelli di propensione. Prodotti utilizzati: BigQuery, Cloud Functions, Vertex AI |