Architecture Center 提供了涵盖各种 AI 和机器学习主题的内容资源。本页面提供的信息可帮助您开始使用生成式 AI、传统 AI 和机器学习。它还提供了 Architecture Center 中所有 AI 和机器学习 (ML) 内容的列表。
开始使用
本页面中列出的文档可帮助您开始在 Google Cloud 上设计、构建和部署 AI 和机器学习解决方案。
探索生成式 AI
首先，访问 Cloud 文档网站，了解 Google Cloud 上的生成式 AI 的基础知识：
- 如需了解开发生成式 AI 应用的阶段并探索适合您的应用场景的产品和工具，请参阅在 Google Cloud 上构建生成式 AI 应用。
- 如需确定生成式 AI、传统 AI（包括预测和分类）或两者的组合何时适合您的业务应用场景，请参阅何时使用生成式 AI 或传统 AI。
- 如需使用业务价值驱动的决策方法定义 AI 业务应用场景，请参阅评估并定义您的生成式 AI 业务应用场景。
- 如需应对模型选择、评估、调优和开发方面的挑战，请参阅开发生成式 AI 应用。
如需探索用于部署流水线以创建 AI 模型的生成式 AI 和机器学习蓝图，请参阅在企业中构建和部署生成式 AI 和机器学习模型。本指南介绍了从初步的数据探索和实验到模型训练、部署和监控的整个 AI 开发生命周期。
浏览使用生成式 AI 的以下示例架构：
- 生成式 AI 文档摘要
- 生成式 AI 知识库
- Generative AI RAG with Cloud SQL
- 使用 GKE 且支持 RAG 的生成式 AI 应用的基础设施
- 使用 Vertex AI 且支持 RAG 的生成式 AI 应用的基础设施
- 利用 Google Cloud 和 Labelbox 开发模型并为数据添加标签
如需了解 Google Cloud 生成式 AI 产品，请参阅 Vertex AI 以及在 GKE 上运行基础模型。
设计和构建
如需为 AI 工作负载选择最佳存储选项组合，请参阅为 Google Cloud 中的 AI 和机器学习工作负载设计存储。
Google Cloud 提供了一套 AI 和机器学习服务，可帮助您使用生成式 AI 汇总文档、构建图片处理流水线，以及使用生成式 AI 解决方案推动创新。
继续探索
本页面后面部分和左侧导航部分中列出的文档可帮助您构建 AI 或机器学习解决方案。文档分为以下几类：
- 生成式 AI：可遵循这些架构来设计和构建生成式 AI 解决方案。
- 模型训练：实现机器学习、联邦学习和个性化智能体验。
- MLOps：为机器学习系统实现并自动执行持续集成、持续交付和持续训练。
- AI 和机器学习应用：在 Google Cloud 上构建针对您的 AI 和机器学习工作负载自定义的应用。
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 Storage、Cloud Vision、Dataflow、Pub/Sub |
|
介绍生成式 AI 和机器学习 (ML) 蓝图，该蓝图部署了用于创建 AI 模型的流水线。 |
|
指导您创建支持跨孤岛或跨设备架构的联邦学习平台。 |
|
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、Vertex AI |
|
为 Google Cloud 中的 AI 和机器学习工作负载设计存储 将 AI 和机器学习工作负载阶段映射到 Google Cloud 存储方案，并为您的 AI 和机器学习工作负载选择推荐的存储方案。 使用的产品：Cloud Storage、Filestore、Persistent Disk |
|
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。 |
|
使用 GKE 且支持 RAG 的生成式 AI 应用的基础设施 介绍如何为使用 GKE 且具有 RAG 功能的生成式 AI 应用设计基础设施。 使用的产品：Cloud SQL、Cloud Storage、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：BigQuery、Cloud Logging、Cloud Monitoring、Cloud Pub/Sub、Cloud Run、Cloud Storage、Document AI、Vertex AI |
|
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。 |
|
使用 Vertex AI 生成式 AI 和大语言模型 (LLM) 按需从文档中提取问答对… |
|
快速起步解决方案：Generative AI RAG with Cloud SQL 使用矢量嵌入和 Cloud SQL 部署检索增强生成 (RAG) 应用。 |
|
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。 |
|
利用 Google Cloud 和 Labelbox 开发模型并为数据添加标签 提供有关构建标准化流水线的指导，以帮助加速机器学习模型的开发。 |
|
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 |
|
保险公司可使用此参考架构来自动处理事先批准 (PA) 请求，并改进其利用率审核 (UR) 流程。 使用的产品：BigQuery、Cloud Logging、Cloud Monitoring、Cloud Run、Cloud Storage、Document AI、Vertex AI |
|
使用 Vertex AI 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 |