アーキテクチャ センターには、さまざまな AI と ML のテーマに関するコンテンツ リソースが用意されています。このページでは、生成 AI、従来の AI、ML を始める際に役立つ情報を提供します。また、アーキテクチャ センターの AI と ML に関するすべてのコンテンツのリストも提供されます。
始める
このページに記載されているドキュメントは、Google Cloud での AI ソリューションと ML ソリューションの設計、構築、デプロイの開始に役立ちます。
生成 AI を使ってみる
まず、Cloud ドキュメント サイトで、Google Cloud の生成 AI の基礎を学習します。
- 生成 AI アプリケーションの開発の各段階と、ユースケースに適したプロダクトとツールを確認するには、Google Cloud で生成 AI アプリケーションを構築するをご覧ください。
- 生成 AI、従来の AI（予測と分類を含む）、またはその両方を組み合わせたものが、どのようなビジネス ユースケースに適しているかを判断するには、生成 AI と従来の AI の使い分けをご覧ください。
- ビジネス価値に基づく意思決定アプローチで AI ビジネス ユースケースを定義するには、生成 AI のビジネス ユースケースの評価と定義をご覧ください。
- モデルの選択、評価、チューニング、開発における課題に対処するには、生成 AI アプリケーションを開発するをご覧ください。
AI モデル作成のパイプラインをデプロイする生成 AI / ML のブループリントについては、企業で生成 AI モデルと ML モデルを構築してデプロイするをご覧ください。このガイドでは、事前のデータ探索とテストから、モデルのトレーニング、デプロイ、モニタリングに至るまで、AI 開発ライフサイクル全体について説明します。
生成 AI を使用する次のアーキテクチャの例を確認してください。
- 生成 AI によるドキュメントの要約
- 生成 AI のナレッジベース
- Cloud SQL を使用した生成 AI RAG
- GKE を使用した RAG 対応生成 AI アプリケーション用インフラストラクチャ
- Vertex AI を使用した RAG 対応生成 AI アプリケーション用インフラストラクチャ
- Google Cloud と Labelbox を使用したモデル開発とデータラベル付け
Google Cloud の生成 AI サービスの詳細については、Vertex AI、Gemini API、GKE 上の基盤モデルの実行をご覧ください。
設計と構築
AI ワークロードに最適なストレージ オプションの組み合わせを選択するには、Google Cloud で AI と ML ワークロードのストレージを設計するをご覧ください。
Google Cloud は、AI サービスと ML サービスのスイートを提供しています。これにより、生成 AI を使用したドキュメントの要約、画像処理パイプラインの構築、生成 AI ソリューションを使用したイノベーションが可能になります。
その他の詳細
このページの後半と左側のナビゲーションにあるドキュメントは、AI または ML ソリューションの構築に役立ちます。ドキュメントは次のカテゴリに分類されます。
- 生成 AI: これらのアーキテクチャに沿って生成 AI ソリューションを設計、構築します。
- モデル トレーニング: ML、フェデレーション ラーニング、パーソナライズされたインテリジェント エクスペリエンスを実装します。
- MLOps: ML システムの継続的インテグレーション、継続的デリバリー、継続的トレーニングを実装して自動化します。
- AI アプリケーションと ML アプリケーション: AI ワークロードと ML ワークロードに合わせてカスタマイズされた Google Cloud アプリケーションを構築します。
アーキテクチャ センターの AI と ML に関するリソース
リソースのタイトルまたは説明に含まれるプロダクト名またはフレーズを入力すると、次の AI と ML に関するリソースのリストをフィルタリングできます。
|
TensorFlow Extended、Vertex AI Pipelines、Cloud Build を使用した MLOps のアーキテクチャ このドキュメントでは、TensorFlow Extended（TFX）ライブラリを使用する機械学習（ML）システムの全体的なアーキテクチャについて説明します。また、継続的インテグレーション（CI）、継続的デリバリー（CD）、継続的トレーニング（CT）の設定方法についても説明します。 使用するプロダクト: Cloud Build |
|
Google Cloud で ML を実装するためのベスト プラクティス Google Cloud で ML を実装するためのベスト プラクティスを紹介します。データとコードに基づいたカスタム トレーニング モデルに重点を置いています。 使用するプロダクト: Vertex AI、Vertex AI、Vertex AI、Vertex Explainable AI、Vertex Feature Store、Vertex Pipelines、Vertex TensorBoard |
|
企業で生成 AI モデルと ML モデルを構築してデプロイする AI モデル作成のためのパイプラインをデプロイする、生成 AI と機械学習（ML）のブループリントについて説明します。 |
|
Dataflow と Cloud Vision API を使用した ML 可視分析ソリューションの構築 Cloud Vision で大規模な画像ファイルを処理する Dataflow パイプラインをデプロイする方法。Dataflow は結果を BigQuery に保存し、それを使用して BigQuery ML の事前構築モデルをトレーニングします。 使用するプロダクト: BigQuery、Cloud Build、Cloud Pub/Sub、Cloud Storage、Cloud Vision、Dataflow |
|
Google Cloud でのクロスサイロ / クロスデバイス フェデレーション ラーニング クロスサイロまたはクロスデバイス アーキテクチャをサポートするフェデレーション ラーニング プラットフォームの作成に役立つガイダンスを提供します。 |
|
Google Cloud の R によるデータ サイエンス: 探索的データ分析 Google Cloud で R を使用して大規模なデータ サイエンスを始める方法について説明します。このドキュメントは、R および Jupyter ノートブックの使用経験があり、SQL に関して精通している方を対象としています。 使用するプロダクト: BigQuery、Cloud Storage、Notebooks |
|
Google Cloud で AI と ML ワークロードのストレージを設計する AI / ML のワークロードのステージを Google Cloud のストレージ オプションにマッピングし、AI / ML のワークロードに推奨のストレージ オプションを選択します。 使用するプロダクト: Cloud Storage、Filestore、Persistent Disk |
|
Google Cloud の地理空間機能の概要と、これらの機能を地理空間分析アプリケーションで使用する方法について説明します。 使用するプロダクト: BigQuery、Dataflow |
|
Afi.ai を使用した Google Workspace のバックアップ Afi.ai を使用して Google Workspace の自動バックアップを設定する方法について説明します。 使用するプロダクト: Cloud Storage |
|
ML ソリューションの品質を評価、確保、制御するためのガイドラインを以下に示します。 |
|
Google Kubernetes Engine（GKE）と Pub/Sub を使用してマイクロサービスを実装し、長時間実行プロセスを非同期で呼び出す方法について説明します。 使用するプロダクト: Artifact Registry、Cloud Build、Cloud Pub/Sub、Cloud SQL、Cloud Storage、Cloud Vision、Compute Engine、Container Registry、Google Kubernetes Engine（GKE） |
|
GKE を使用した RAG 対応生成 AI アプリケーション用インフラストラクチャ GKE を使用して RAG を備えた生成 AI アプリケーションのインフラストラクチャを設計する方法について説明します。 使用するプロダクト: Cloud SQL、Cloud Storage、Google Kubernetes Engine（GKE） |
|
Vertex AI を使用した RAG 対応生成 AI アプリケーション用インフラストラクチャ 検索拡張生成を使用した生成 AI アプリケーションを実行するためのインフラストラクチャを設計します。 使用するプロダクト: BigQuery、Cloud Logging、Cloud Monitoring、Cloud Pub/Sub、Cloud Run、Cloud Storage、Document AI、Vertex AI |
|
ジャンプ スタート ソリューション: Cloud Functions での AI / ML 画像処理 事前トレーニング済みの ML モデルと、Cloud Functions にデプロイされた画像処理アプリを使用して画像を分析します。 |
|
BigQuery を使用してデータを保存、処理、分析、有効活用する分析レイクハウスを作成し、データレイクとデータ ウェアハウスを統合します。 |
|
ジャンプ スタート ソリューション: BigQuery を使用したデータ ウェアハウス BigQuery を使用して、ダッシュボードと可視化ツールを備えたデータ ウェアハウスを構築します。 |
|
ジャンプ スタート ソリューション: 生成 AI によるドキュメントの要約 Vertex AI の生成 AI と大規模言語モデル（LLM）を使用し、ドキュメントをオンデマンドで処理および要約します。 |
|
ジャンプ スタート ソリューション: 生成 AI ナレッジベース Vertex AI の生成 AI と大規模言語モデル（LLM）を使用し、ドキュメントから質問と回答のペアをオンデマンドで抽出します。 |
|
ジャンプ スタート ソリューション: Cloud SQL を使用する生成 AI の RAG ベクトル エンベディングと Cloud SQL を使用した検索拡張生成（RAG）アプリケーションをデプロイします。 |
|
MLOps と Intelligent Products Essentials Intelligent Products Essentials と Vertex AI を使用して MLOps を実装するためのリファレンス アーキテクチャについて説明します。 使用するプロダクト: BigQuery、Cloud Scheduler、Dataflow、Dataproc、Intelligent Products Essentials、Vertex AI |
|
MLOps: ML における継続的デリバリーと自動化のパイプライン ML システムの継続的インテグレーション（CI）、継続的デリバリー（CD）、継続的トレーニング（CT）の実装と自動化について説明します。 |
|
Google Cloud と Labelbox を使用したモデル開発とデータラベル付け 標準化されたパイプラインを構築して ML モデルの開発を加速させるためのガイダンスを提供します。 |
|
Bigtable と GKE の OpenTSDB を使用した時系列データのモニタリング 時系列データは、傾向分析、モニタリング、ML などのアプリケーションで使用できる、非常に価値のあるアセットです。時系列データを生成できるソースには、サーバー インフラストラクチャ、アプリケーション コードなどが含まれます。OpenTSDB は... 使用するプロダクト: Bigtable、Google Kubernetes Engine（GKE） |
|
環境のサステナビリティに対する Google Cloud のアプローチについて説明します。Google Cloud での温室効果ガス排出量を把握するために使用できる情報やリソースが含まれています。 使用するプロダクト: BigQuery、Compute Engine、Google Kubernetes Engine（GKE） |
|
NVIDIA® T4 GPU と Triton Inference Server を使用して、ディープ ラーニング モデル用の高性能オンライン推論システムを設計およびデプロイする方法について説明します。 使用するプロダクト: Cloud Load Balancing、Google Kubernetes Engine（GKE） |
|
Vertex AI を使用して Spark ML モデルを提供する Spark MLlib で構築して Vertex AI で管理している機械学習（ML）モデルのオンライン予測を提供（実行）する方法について説明します。 使用するプロダクト: Vertex AI |
|
Google Cloud での傾向モデリングに Kubeflow Pipelines を使用する 傾向モデリングを行う Google Cloud の自動化パイプラインの例を紹介します。 使用するプロダクト: BigQuery、Cloud Functions、Vertex AI |