Im Architekturzentrum werden Inhaltsressourcen für eine Vielzahl von KI- und ML-Themen bereitgestellt. Auf dieser Seite finden Sie Informationen zum Einstieg in generative KI, herkömmliche KI und maschinelles Lernen. Außerdem wird eine Liste aller KI- und ML-Inhalte im Architekturzentrum bereitgestellt.
Mehr erfahren
Die auf dieser Seite aufgeführten Dokumente erleichtern Ihnen den Einstieg in das Entwerfen, Erstellen und Bereitstellen von KI- und ML-Lösungen in Google Cloud.
Generative KI kennenlernen
Auf der Cloud-Dokumentationswebsite erfahren Sie mehr über die Grundlagen der generativen KI in Google Cloud:
- Informationen zu den Phasen der Entwicklung einer generativen KI-Anwendung sowie der Produkte und Tools für Ihren Anwendungsfall finden Sie unter Generative KI-Anwendung in Google Cloud erstellen.
- Informationen dazu, wann generative KI, herkömmliche KI (einschließlich Vorhersage und Klassifizierung) oder eine Kombination aus beidem für Ihren Anwendungsfall geeignet ist, finden Sie unter Wann werden generative oder herkömmliche KI verwendet?.
- Informationen zum Definieren eines geschäftlichen Anwendungsfalls mit KI für einen geschäftlichen Entscheidungsansatz finden Sie unter Geschäftsanwendungsfall der generativen KI bewerten und definieren.
- Informationen zum Beheben der Herausforderungen bei der Auswahl, Bewertung, Feinabstimmung und Entwicklung von Modellen finden Sie unter Generative KI-Anwendung entwickeln.
Informationen zu einem Blueprint für generative KI und maschinelles Lernen, der eine Pipeline zum Erstellen von KI-Modellen bereitstellt, finden Sie unter Generative KI- und ML-Modelle in einem Unternehmen erstellen und bereitstellen. In diesem Leitfaden wird der gesamte Lebenszyklus der KI-Entwicklung erläutert, von der vorläufigen Datenexploration und -experimenten bis hin zu Modelltraining, Bereitstellung und Monitoring.
Sehen Sie sich die folgenden Beispielarchitekturen an, die generative KI verwenden:
- Zusammenfassung von Dokumenten mit generativer KI
- Wissensdatenbank zu generativer KI
- RAG basierend auf generativer KI mit Cloud SQL
- Infrastruktur für eine RAG-fähige generative KI-Anwendung mit GKE
- Infrastruktur für eine RAG-fähige generative KI-Anwendung mit Vertex AI
- Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox
Informationen zu den Angeboten für generative KI von Google Cloud finden Sie unter Vertex AI, Gemini API und Foundation Model ausführen in GKE.
Design und Aufbau
Informationen zum Auswählen der besten Kombination von Speicheroptionen für Ihre KI-Arbeitslast finden Sie unter Speicher für KI- und ML-Arbeitslasten in Google Cloud entwerfen.
Google Cloud bietet eine Reihe von KI- und ML-Diensten, mit denen Sie Dokumente mit generativer KI zusammenfassen, Bildverarbeitungspipelines erstellen und Innovationen mit generativen KI-Lösungen vorantreiben können.
Weiter erkunden
Die Dokumente, die weiter unten auf dieser Seite und in der linken Navigationsleiste aufgeführt sind, helfen Ihnen beim Erstellen einer KI- oder ML-Lösung. Die Dokumente sind in folgende Kategorien unterteilt:
- Generative KI: Folgen Sie diesen Architekturen, um generative KI-Lösungen zu entwerfen und zu erstellen.
- Modelltraining: Implementieren Sie maschinelles Lernen, föderiertes Lernen und personalisierte, intelligente Umgebungen.
- MLOps: Implementieren und automatisieren Sie Continuous Integration, Continuous Delivery und kontinuierliches Training für ML-Systeme.
- KI- und ML-Anwendungen: Erstellen Sie in Google Cloud Anwendungen, die auf Ihre KI- und ML-Arbeitslasten zugeschnitten sind.
Ressourcen für KI und maschinelles Lernen im Architekturzentrum
Sie können die folgende Liste von KI- und ML-Ressourcen filtern, indem Sie einen Produktnamen oder eine Wortgruppe eingeben, die im Ressourcentitel oder in der Beschreibung enthalten ist.
|
Architektur für MLOps mit TensorFlow Extended, Vertex AI Pipelines und Cloud Build In diesem Dokument wird die Gesamtarchitektur eines ML-Systems (maschinelles Lernen) mit Bibliotheken von TensorFlow Extended (TFX) beschrieben. Außerdem wird erläutert, wie Sie Continuous Integration (CI), Continuous Delivery (CD) und Continuous Training (CT) einrichten für... Verwendete Produkte: Cloud Build |
|
Best Practices zum Implementieren von maschinellem Lernen in Google Cloud Hier werden Best Practices für die Implementierung von maschinellem Lernen (ML) in Google Cloud vorgestellt. Der Schwerpunkt liegt auf benutzerdefiniert trainierten Modellen, die auf Ihren Daten und Ihrem Code basieren. Verwendete Produkte: Vertex AI, Vertex AI, Vertex AI, Vertex Explainable AI, Vertex Feature Store, Vertex Pipelines, Vertex TensorBoard |
|
Modelle für generative KI und maschinelles Lernen in einem Unternehmen erstellen und bereitstellen Beschreibt den Blueprint für generative KI und maschinelles Lernen (ML), der eine Pipeline zum Erstellen von KI-Modellen bereitstellt. |
|
BML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen Hier erfahren Sie, wie Sie eine Dataflow-Pipeline bereitstellen, um umfangreiche Bilddateien mit Cloud Vision zu verarbeiten. Dataflow speichert die Ergebnisse in BigQuery, damit Sie sie verwenden können, um vordefinierte BigQuery ML-Modelle zu trainieren. Verwendete Produkte: BigQuery, Cloud Build, Cloud Pub/Sub, Cloud Storage, Cloud Vision, Dataflow |
|
Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud Bietet eine Anleitung zum Erstellen einer Plattform für föderiertes Lernen, die entweder eine silo- oder geräteübergreifende Architektur unterstützt. |
|
Data Science mit R in Google Cloud: Anleitung zur explorativen Datenanalyse Hier wird gezeigt, wie Sie mit Data Science in großem Umfang mit R in Google Cloud loslegen können. Dieses Dokument richtet sich an Personen, die bereits mit R und Jupyter-Notebooks sowie mit SQL vertraut sind. Verwendete Produkte: BigQuery, Cloud Storage, Notebooks |
|
Speicher für KI- und ML-Arbeitslasten in Google Cloud entwerfen Ordnen Sie die KI- und ML-Arbeitslastphasen Google Cloud-Speicheroptionen zu und wählen Sie die empfohlenen Speicheroptionen für Ihre KI- und ML-Arbeitslasten aus. Verwendete Produkte: Cloud Storage, Filestore, Persistent Disk |
|
Architektur für raumbezogene Analysen Hier erhalten Sie Informationen zu raumbezogenen Funktionen von Google Cloud und wie Sie diese Funktionen in Anwendungen für raumbezogene Analysen verwenden können. Verwendete Produkte: BigQuery, Dataflow |
|
Google Workspace-Sicherung mit Afi.ai Hier wird die Einrichtung einer automatischen Google Workspace-Sicherung mit Afi.ai beschrieben. Verwendete Produkte: Cloud Storage |
|
Leitlinien für die Entwicklung hochwertiger ML-Lösungen Sortierungen, mit denen Sie die Qualität von ML-Lösungen bewerten, gewährleisten und steuern können. |
|
Bildverarbeitung mit Mikrodiensten und asynchronem Messaging Beschreibt, wie Sie Mikrodienste mit Google Kubernetes Engine (GKE) und Pub/Sub implementieren, um Prozesse mit langer Ausführungszeit asynchron aufzurufen. Verwendete Produkte: Artifact Registry, Cloud Build, Cloud Pub/Sub, Cloud SQL, Cloud Storage, Cloud Vision, Compute Engine, Container Registry, Google Kubernetes Engine (GKE) |
|
Infrastruktur für eine RAG-fähige generative KI-Anwendung mit GKE Hier erfahren Sie, wie Sie die Infrastruktur für eine generative KI-Anwendung mit RAG mithilfe von GKE entwerfen. Verwendete Produkte: Cloud SQL, Cloud Storage, Google Kubernetes Engine (GKE) |
|
Infrastruktur für eine RAG-fähige generative KI-Anwendung mit Vertex AI Entwerfen Sie eine Infrastruktur zum Ausführen einer generativen KI-Anwendung mit Retrieval Augmented Generation. Verwendete Produkte: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
|
Referenzarchitektur für Intelligent Products Essentials Hier wird eine Referenzarchitektur für technische Entscheidungsträger beschrieben, die in Google Cloud mit Intelligent Products Essentials Geräte verbinden und Cloud IoT-Anwendungen erstellen möchten. Verwendete Produkte: BigQuery, Cloud Pub/Sub, Firebase, Intelligent Products Essentials, Looker, Run, Scheduler |
|
JJump Start-Lösung: KI/ML-Bildverarbeitung in Cloud Functions Bilder mit vortrainierten ML-Modellen und einer in Cloud Functions bereitgestellten Bildverarbeitungsanwendung analysieren |
|
Jump Start Solution: Analytics Lakehouse Vereinheitlichen Sie Data Lakes und Data Warehouses und erstellen Sie dazu ein Analytics Lakehouse mit BigQuery, um Daten zu speichern, zu verarbeiten, zu analysieren und zu aktivieren. |
|
Schnellstart-Lösungen: Data Warehouse with BigQuery Erstellen Sie mit BigQuery ein Data Warehouse mit einem Dashboard und einem Visualisierungstool. |
|
Schnellstartlösung: Zusammenfassung der Dokumente zu „Generative AI“ Dokumente mit Vertex AI Generative AI und Large Language Models (LLMs) verarbeiten und zusammenfassen. |
|
Schnellstart-Lösung: Generative AI-Wissensdatenbank Mit generativer KI in Vertex AI und Large Language Models (LLMs) Frage- und Antwortpaare aus Dokumenten bei Bedarf extrahieren... |
|
Schnellstartlösung: Generative AI RAG mit Cloud SQL RAG-Anwendung (Retrieval Augmented Generation) mit Vektoreinbettungen und Cloud SQL bereitstellen. |
|
MLOps mit Intelligent Products Essentials Hier wird eine Referenzarchitektur für die Implementierung von MLOps mit Intelligent Products Essentials und Vertex AI beschrieben. Verwendete Produkte: BigQuery, Cloud Scheduler, Dataflow, Dataproc, Intelligent Products Essentials, Vertex AI |
|
MLOps: Continuous Delivery und Pipelines zur Automatisierung im maschinellen Lernen Hier werden Verfahren zur Implementierung und Automatisierung von Continuous Integration (CI), Continuous Delivery (CD) und Continuous Training (CT) für ML-Systeme (maschinelles Lernen) erläutert. |
|
Modellentwicklung und Daten-Labeling mit Google Cloud und Labelbox Bietet eine Anleitung zum Erstellen einer standardisierten Pipeline, um die Entwicklung von ML-Modellen zu beschleunigen. |
|
Monitoring von Zeitachsendaten mit OpenTSDB in Bigtable und GKE Zeitachsendaten sind sehr wertvoll und können auf vielerlei Art genutzt werden, zum Beispiel für die Erkennung von Trends, Monitoring und maschinelles Lernen. Sie können Zeitachsendaten aus der Serverinfrastruktur, dem Anwendungscode und anderen Quellen generieren. OpenTSDB... Verwendete Produkte: Bigtable, Google Kubernetes Engine (GKE) |
|
Vertrauliche Daten in nutzerverwalteten Vertex AI Workbench-Notebooks schützen HIer werden Steuerelemente und Sicherheitsebenen beschrieben, mit denen Sie vertrauliche Daten in nutzerverwalteten Vertex AI Workbench-Notebooks schützen können. Verwendete Produkte: BigQuery, Notebooks |
|
CO₂-Bilanz von Google Cloud reduzieren Erläutert den Google Cloud-Ansatz für Klimaschutz. Es enthält Informationen und andere Ressourcen, mit denen Sie Ihre CO2-Bilanz in Verbindung mit Google Cloud nachvollziehen können. Verwendete Produkte: BigQuery, Compute Engine, Google Kubernetes Engine (GKE) |
|
Skalierbares TensorFlow-Inferenzsystem Hier wird beschrieben, wie Sie mit einer NVIDIA® T4-GPU und Triton Inference Server ein leistungsstarkes Online-Inferenzsystem für Deep Learning-Modelle entwerfen und bereitstellen. Verwendete Produkte: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
|
Spark ML-Modelle mit Vertex AI bereitstellen Hier werden das Bereitstellen (Ausführen) von Onlinevorhersagen aus Modellen für maschinelles Lernen (ML) gezeigt, die mit Spark MLlib erstellt und mit Vertex AI verwaltet werden. Verwendete Produkte: Vertex AI |
|
Kubeflow Pipelines für die Neigungsmodellierung in Google Cloud verwenden Beschreibt ein Beispiel für eine automatisierte Pipeline in Google Cloud, die eine Neigungsmodellierung ausführt. Verwendete Produkte: BigQuery, Cloud Functions, Vertex AI |