Il Centro architetture fornisce risorse per i contenuti su una vasta gamma di argomenti di AI e machine learning. Questa pagina fornisce informazioni utili per iniziare con l'AI generativa, l'AI tradizionale e il machine learning. Fornisce inoltre un elenco di tutti i contenuti di AI e machine learning (ML) presenti nel Centro di architettura.
Inizia
I documenti elencati in questa pagina possono aiutarti a iniziare con la progettazione, la creazione e il deployment di soluzioniAIA e ML su Google Cloud.
Esplora l'AI generativa
Inizia apprendendo le nozioni di base dell'AI generativa su Google Cloud, visitando il sito della documentazione di Cloud:
- Per conoscere le fasi dello sviluppo di un'applicazione di AI generativa ed esplorare i prodotti e gli strumenti per il tuo caso d'uso, consulta Creare un'applicazione di AI generativa su Google Cloud.
- Per identificare quando AI generativa, l'AI tradizionale (che include previsione e classificazione) o una combinazione di entrambe potrebbero adattarsi al tuo caso d'uso aziendale, consulta Quando utilizzare AI generativa o l'IA tradizionale.
- Per definire un caso d'uso aziendale dell'AI con un approccio decisionale aziendale basato sul valore, consulta Valutare e definire il caso d'uso aziendale dell'AI generativa.
- Per affrontare le sfide legate alla selezione, alla valutazione, all'ottimizzazione e allo sviluppo dei modelli, vedi Sviluppare un'applicazione di AI 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'AI, dall'esplorazione e alla sperimentazione preliminari dei dati all'addestramento, al deployment e al monitoraggio del modello.
Sfoglia le seguenti architetture di esempio che utilizzano l'AI generativa:
- Riassunto dei documenti con l'IA generativa
- Knowledge Base sull'IA generativa
- RAG di IA generativa con Cloud SQL
- Infrastruttura per un'applicazione di AI generativa compatibile con RAG utilizzando GKE
- Infrastruttura per un'applicazione di AI generativa compatibile con RAG utilizzando Vertex AI
- Sviluppo di modelli ed etichettatura dei dati con Google Cloud e Labelbox
Per informazioni sulle offerte di IA generativa di Google Cloud, consulta Vertex AI, l'API Gemini ed l'esecuzione del tuo modello di base su GKE.
Progettazione e costruzione
Per selezionare la migliore combinazione di opzioni di archiviazione per il carico di lavoro AI, consulta Progettare l'archiviazione per carichi di lavoro AI e ML in Google Cloud.
Google Cloud offre una suite di servizi di AI e machine learning per aiutarti a riepilogare i documenti con l'AI generativa, creare pipeline di elaborazione delle immagini e innovare con soluzioni di AI generativa.
Continua a esplorare
I documenti elencati più avanti in questa pagina e nel riquadro di navigazione a sinistra possono aiutarti a creare una soluzioneAIA o ML. I documenti sono organizzati nelle seguenti categorie:
- IA generativa: segui queste architetture per progettare e creare soluzioni di AI generativa.
- Addestramento del modello: implementa machine learning, apprendimento federato ed esperienze intelligenti personalizzate.
- MLOps: implementa e automatizza l'integrazione e la distribuzione continue e l'addestramento continuo per i sistemi di machine learning.
- Applicazioni di IA e ML: crea su Google Cloud applicazioni personalizzate per i tuoi carichi di lavoro diAIA e ML.
Risorse di AI e machine learning nel Centro architetture
Puoi filtrare il seguente elenco di risorse di AI e machine learning digitando il nome di un 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) utilizzando le librerie TensorFlow Extended (TFX). Discute inoltre di come impostare l'integrazione continua (CI), la distribuzione continua (CD) e l'addestramento continuo (CT) per... Prodotti utilizzati: Cloud Build |
|
Best practice per l'implementazione del machine learning su Google Cloud Introduce le best practice per l'implementazione del machine learning (ML) su Google Cloud, con particolare attenzione ai modelli con addestramento personalizzato basati sui tuoi dati e sul 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 |
|
Crea ed esegui il deployment di modelli di AI generativa e 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 cross-silo e cross-device 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 coloro che hanno una certa esperienza con R e con i blocchi note Jupyter e che hanno dimestichezza con SQL. Prodotti utilizzati: BigQuery, Cloud Storage, Notebooks |
|
Progettare l'archiviazione per i carichi di lavoro di AI e ML in Google Cloud Mappa le fasi dei carichi di lavoro di AI e ML alle opzioni di archiviazione di Google Cloud e seleziona le opzioni di archiviazione consigliate per i 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 ML di alta qualità Metti insieme alcune linee guida per aiutarti a valutare, garantire e controllare la qualità nelle soluzioni di machine learning (ML). |
|
Elaborazione di immagini mediante microservizi e messaggistica asincrona Mostra come implementare i microservizi utilizzando Google Kubernetes Engine (GKE) e Pub/Sub per richiamare processi a lunga esecuzione in modo asincrono. Prodotti utilizzati: Artifact Registry, Cloud Build, Cloud Pub/Sub, Cloud SQL, Cloud Storage, Cloud Vision, Compute Engine, Container Registry, Google Kubernetes Engine (GKE) |
|
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 Progettare l'infrastruttura per eseguire un'applicazione di AI generativa con la generazione aumentata del 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 già pronta: lakehouse di analisi Unifica data lake e data warehouse creando una lakehouse di analisi con BigQuery per archiviare, elaborare, analizzare e attivare i dati. |
|
Soluzione già pronta: data warehouse con BigQuery Creare un data warehouse con una dashboard e uno strumento di visualizzazione utilizzando BigQuery. |
|
Soluzione già pronta: 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 Illustra le tecniche per implementare e automatizzare l'integrazione continua (CI), la distribuzione continua (CD) e l'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 Triton Inference Server. Prodotti utilizzati: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
|
Gestire modelli Spark ML 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 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 |