Dokumen ini memberikan arsitektur referensi yang dapat Anda gunakan untuk mendesain infrastruktur guna menjalankan aplikasi kecerdasan buatan (AI) generatif dengan retrieval-augmented Generation (RAG). Target audiens untuk dokumen ini meliputi developer dan administrator aplikasi AI generatif serta arsitek cloud. Dokumen ini mengasumsikan bahwa Anda telah memiliki pemahaman dasar tentang konsep AI, machine learning (ML), dan model bahasa besar (LLM). Dokumen ini tidak memberikan panduan tentang cara mendesain dan mengembangkan aplikasi AI generatif.
Arsitektur
Diagram berikut menunjukkan tampilan tingkat tinggi arsitektur untuk aplikasi AI generatif berkemampuan RAG di Google Cloud:
Arsitektur ini berisi komponen yang saling terhubung berikut ini:
| Komponen | Tujuan | Interaksi |
|---|---|---|
| Subsistem penyerapan data | Siapkan dan proses data eksternal yang digunakan untuk mengaktifkan kemampuan RAG. | Subsistem penyerapan data berinteraksi dengan subsistem lain dalam arsitektur melalui lapisan database. |
| Subsistem penayangan | Tangani alur permintaan-respons antara aplikasi AI generatif dan penggunanya. | Subsistem penyaluran berinteraksi dengan subsistem penyerapan data melalui lapisan database. |
| Subsistem evaluasi kualitas | Evaluasi kualitas respons yang dihasilkan subsistem penayangan. | Subsistem evaluasi kualitas berinteraksi dengan subsistem penayangan secara langsung dan dengan subsistem penyerapan data melalui lapisan database. |
| Database | Simpan data berikut:
|
Semua subsistem dalam arsitektur berinteraksi dengan {i>database<i}. |
Diagram berikut menunjukkan tampilan mendetail arsitektur:
Bagian berikut memberikan deskripsi mendetail tentang komponen dan aliran data dalam setiap subsistem arsitektur.
Subsistem penyerapan data
Subsistem penyerapan data menyerap data dari sumber eksternal seperti file, database, dan layanan streaming. Data yang diupload mencakup perintah evaluasi kualitas. Subsistem penyerapan data menyediakan kemampuan RAG dalam arsitektur. Diagram berikut menunjukkan detail subsistem penyerapan data dalam arsitektur:
Berikut adalah langkah-langkah dalam alur penyerapan data:
- Data diupload ke bucket Cloud Storage. Sumber data dapat berupa pengguna aplikasi yang melakukan upload, penyerapan database, atau streaming data.
- Saat data diupload, notifikasi akan dikirim ke topik Pub/Sub.
- Pub/Sub memicu tugas Cloud Run untuk memproses data yang diupload.
- Cloud Run memulai tugas menggunakan data konfigurasi yang disimpan di database AlloyDB untuk PostgreSQL.
- Tugas Cloud Run menggunakan Document AI untuk menyiapkan data untuk diproses lebih lanjut. Misalnya, persiapan dapat mencakup mengurai data, mengonversi data ke format yang diperlukan, dan membagi data menjadi potongan-potongan.
Tugas Cloud Run menggunakan model Vertex AI Embeddings untuk Teks untuk membuat sematan vektor dari data yang diserap.
Cloud Run menyimpan embedding di database AlloyDB untuk PostgreSQL yang mengaktifkan ekstensi
pgvector. Seperti dijelaskan di bagian berikut, saat subsistem penayangan memproses permintaan pengguna, subsistem tersebut akan menggunakan embedding di database vektor untuk mengambil data khusus domain yang relevan.
Subsistem penayangan
Subsistem inferensi menangani alur permintaan-respons antara aplikasi AI generatif dan penggunanya. Diagram berikut menunjukkan detail subsistem penayangan dalam arsitektur:
Berikut adalah langkah-langkah dalam alur permintaan-respons di subsistem penayangan:
- Pengguna mengirimkan permintaan ke aplikasi AI generatif melalui frontend (misalnya, chatbot atau aplikasi seluler).
Aplikasi AI generatif mengonversi permintaan bahasa alami menjadi embedding.
Aplikasi menyelesaikan bagian pengambilan pendekatan RAG:
- Aplikasi melakukan penelusuran semantik untuk embedding di AlloyDB untuk penyimpanan vektor PostgreSQL yang dikelola oleh subsistem penyerapan data. Penelusuran semantik membantu menemukan embedding berdasarkan intent perintah, bukan konten tekstualnya.
- Aplikasi akan menggabungkan permintaan asli dengan data mentah yang diambil berdasarkan embedding yang cocok untuk membuat perintah yang kontekstual.
Aplikasi mengirimkan prompt yang kontekstual ke stack inferensi LLM yang berjalan di Vertex AI.
Stack inferensi LLM menggunakan LLM AI generatif yang dapat berupa LLM dasar atau LLM kustom, dan menghasilkan respons yang terbatas pada konteks yang diberikan.
- Aplikasi dapat menyimpan log aktivitas respons permintaan di Cloud Logging. Anda dapat melihat dan menggunakan log untuk memantau menggunakan Cloud Monitoring. Google tidak mengakses atau menggunakan data log.
- Aplikasi tersebut akan memuat respons ke BigQuery untuk analisis offline.
Aplikasi akan menyaring respons menggunakan filter responsible AI.
Aplikasi mengirimkan respons yang telah disaring kepada pengguna melalui frontend.
Subsistem evaluasi kualitas
Diagram berikut menunjukkan detail subsistem evaluasi kualitas dalam arsitektur:
Saat subsistem evaluasi kualitas menerima permintaan, subsistem tersebut akan melakukan hal berikut:
- Pub/Sub memicu tugas Cloud Run.
- Cloud Run memulai tugas menggunakan data konfigurasi yang disimpan di database AlloyDB untuk PostgreSQL.
- Tugas Cloud Run mengambil perintah evaluasi dari AlloyDB untuk database PostgreSQL. Permintaan sebelumnya diupload ke database oleh subsistem penyerapan data.
Tugas Cloud Run menggunakan perintah evaluasi untuk menilai kualitas respons yang dihasilkan subsistem penayangan.
Output evaluasi ini terdiri dari skor evaluasi untuk metrik seperti akurasi dan relevansi faktual.
Cloud Run memuat skor evaluasi, serta perintah dan respons yang dievaluasi ke BigQuery untuk dianalisis di masa mendatang.
Produk yang digunakan
Berikut adalah ringkasan semua produk Google Cloud yang digunakan arsitektur sebelumnya:
- Vertex AI: Platform ML yang memungkinkan Anda melatih dan men-deploy model ML dan aplikasi AI, serta menyesuaikan LLM untuk digunakan dalam aplikasi yang didukung teknologi AI.
- Cloud Run: Platform komputasi serverless yang memungkinkan Anda menjalankan container langsung di atas infrastruktur skalabel Google.
- BigQuery: Data warehouse perusahaan yang membantu Anda mengelola dan menganalisis data dengan fitur bawaan seperti analisis geospasial machine learning dan business intelligence.
- Cloud Storage: Penyimpanan objek tanpa batas dan hemat biaya untuk beragam jenis data. Data dapat diakses dari dalam dan luar Google Cloud, serta direplikasi ke berbagai lokasi untuk redundansi.
- AlloyDB untuk PostgreSQL: Layanan database yang kompatibel dengan PostgreSQL dan terkelola sepenuhnya yang dirancang untuk workload Anda yang paling menuntut, termasuk pemrosesan transaksional dan analisis hybrid.
- Document AI: Platform pemrosesan dokumen yang mengambil data tidak terstruktur dari dokumen dan mengubahnya menjadi data terstruktur.
- Pub/Sub: Layanan pesan asinkron dan skalabel yang memisahkan layanan yang menghasilkan pesan dari layanan yang memproses pesan tersebut.
- Cloud Logging: Sistem pengelolaan log real-time dengan penyimpanan, penelusuran, analisis, dan pemberitahuan.
- Cloud Monitoring: Layanan yang memberikan visibilitas pada performa, ketersediaan, dan kondisi aplikasi serta infrastruktur Anda.
Kasus penggunaan
RAG adalah teknik yang efektif untuk meningkatkan kualitas output yang dihasilkan dari LLM. Bagian ini memberikan contoh kasus penggunaan yang memungkinkan Anda menggunakan aplikasi AI generatif yang kompatibel dengan RAG.
Rekomendasi produk yang dipersonalisasi
Situs belanja online mungkin menggunakan chatbot yang didukung LLM untuk membantu pelanggan menemukan produk atau mendapatkan bantuan terkait belanja. Pertanyaan dari pengguna dapat ditambahkan menggunakan data historis tentang perilaku pembelian pengguna dan pola interaksi situs. Data tersebut mungkin mencakup ulasan pengguna dan masukan yang disimpan di datastore tidak terstruktur atau metrik terkait penelusuran yang disimpan di data warehouse analisis web. Pertanyaan yang ditambahkan kemudian dapat diproses oleh LLM untuk menghasilkan respons yang dipersonalisasi yang mungkin lebih menarik dan memikat bagi pengguna.
Sistem bantuan klinis
Dokter di rumah sakit perlu dengan cepat menganalisis dan mendiagnosis kondisi kesehatan pasien untuk membuat keputusan tentang perawatan dan pengobatan yang tepat. Aplikasi AI generatif yang menggunakan LLM medis seperti Med-PaLM dapat digunakan untuk membantu dokter dalam proses diagnosis klinis mereka. Respons yang dihasilkan aplikasi dapat didasarkan pada catatan pasien historis dengan memberikan konteks terhadap perintah dokter dengan data dari database rekam medis elektronik (EHR) rumah sakit atau dari pusat informasi eksternal seperti PubMed.
Riset hukum yang efisien
Riset hukum yang didukung AI generatif memungkinkan pengacara dengan cepat membuat kueri undang-undang dan hukum kasus dalam jumlah besar untuk mengidentifikasi preseden hukum yang relevan atau merangkum konsep hukum yang kompleks. Hasil dari riset tersebut dapat ditingkatkan dengan menambahkan perintah pengacara dengan data yang diambil dari korpus kontrak milik firma hukum, komunikasi hukum sebelumnya, dan catatan kasus internal. Pendekatan desain ini memastikan bahwa respons yang dihasilkan relevan dengan domain hukum yang menjadi spesialisasi pengacara.
Pertimbangan desain
Bagian ini berisi panduan untuk membantu Anda mengembangkan arsitektur AI generatif berkemampuan RAG di Google Cloud yang memenuhi persyaratan khusus Anda untuk keamanan dan kepatuhan, keandalan, biaya, dan performa. Panduan di bagian ini tidak lengkap. Bergantung pada persyaratan spesifik aplikasi AI generatif Anda serta produk dan fitur Google Cloud yang Anda gunakan, Anda mungkin perlu mempertimbangkan faktor desain dan kompromi tambahan.
Keamanan dan kepatuhan
Bagian ini menjelaskan faktor-faktor yang harus dipertimbangkan saat Anda mendesain dan mem-build aplikasi AI generatif yang mendukung RAG di Google Cloud yang memenuhi persyaratan keamanan dan kepatuhan Anda.
| Produk | Pertimbangan desain |
|---|---|
| Vertex AI | Vertex AI mendukung kontrol keamanan Google Cloud yang dapat Anda gunakan untuk memenuhi kebutuhan residensi data, enkripsi data, keamanan jaringan, dan transparansi akses. Untuk mengetahui informasi selengkapnya, lihat Kontrol keamanan untuk Vertex AI dan Kontrol keamanan untuk AI Generatif. |
| Cloud Run |
Secara default, Cloud Run mengenkripsi data menggunakan kunci enkripsi yang dikelola Google. Untuk melindungi container dengan menggunakan kunci yang Anda kontrol, Anda dapat menggunakan kunci enkripsi yang dikelola pelanggan (CMEK). Untuk mengetahui informasi selengkapnya, lihat Menggunakan kunci enkripsi yang dikelola pelanggan. Untuk memastikan bahwa hanya image container yang diizinkan yang di-deploy ke tugas Cloud Run, Anda dapat menggunakan Otorisasi Biner. Cloud Run membantu Anda memenuhi persyaratan residensi data. Instance container Cloud Run dijalankan dalam region yang Anda pilih. |
| AlloyDB untuk PostgreSQL |
Secara default, data yang disimpan di AlloyDB untuk PostgreSQL dienkripsi menggunakan kunci enkripsi yang dikelola Google. Jika perlu menggunakan kunci enkripsi yang dapat Anda kontrol dan kelola, Anda dapat menggunakan CMEK. Untuk mengetahui informasi selengkapnya, lihat Tentang CMEK. Untuk mengurangi risiko pemindahan data yang tidak sah dari AlloyDB untuk database PostgreSQL, Anda dapat membuat perimeter layanan menggunakan Kontrol Layanan VPC. Secara default, instance AlloyDB untuk PostgreSQL hanya menerima koneksi yang menggunakan SSL. Untuk lebih mengamankan koneksi ke database AlloyDB untuk PostgreSQL, Anda dapat menggunakan konektor Proxy Auth AlloyDB untuk PostgreSQL. Konektor Auth Proxy menyediakan otorisasi koneksi berbasis Identity and Access Management (IAM) dan menggunakan koneksi TLS 1.3 dengan cipher AES 256-bit untuk memverifikasi identitas klien dan server serta mengenkripsi traffic data. Untuk mengetahui informasi selengkapnya, lihat Tentang AlloyDB untuk Proxy Auth PostgreSQL. Untuk koneksi yang dibuat menggunakan Java, Python, atau Go, gunakan Konektor Bahasa yang sesuai, bukan konektor Proxy Auth. AlloyDB untuk PostgreSQL membantu Anda memenuhi persyaratan residensi data. Data disimpan atau direplikasi dalam region yang Anda tentukan. |
| BigQuery |
BigQuery menyediakan banyak fitur yang dapat Anda gunakan untuk mengontrol akses ke data, melindungi data sensitif, dan memastikan akurasi dan konsistensi data. Untuk informasi selengkapnya, lihat Pengantar tata kelola data di BigQuery. BigQuery membantu Anda memenuhi persyaratan residensi data. Data disimpan dalam region yang Anda tentukan. |
| Cloud Storage |
Secara default, data yang disimpan di Cloud Storage dienkripsi menggunakan kunci enkripsi yang dikelola Google. Jika diperlukan, Anda dapat menggunakan CMEK atau kunci Anda sendiri yang dikelola dengan menggunakan metode pengelolaan eksternal seperti kunci enkripsi yang disediakan pelanggan (CSEK). Untuk mengetahui informasi selengkapnya, lihat Opsi enkripsi data. Cloud Storage mendukung dua metode untuk memberi pengguna akses ke bucket dan objek Anda: IAM dan daftar kontrol akses (ACL). Dalam sebagian besar kasus, sebaiknya gunakan IAM, yang memungkinkan Anda memberikan izin di level bucket dan project. Untuk mengetahui informasi selengkapnya, lihat Ringkasan kontrol akses. Data yang Anda muat ke subsistem penyerapan data melalui Cloud Storage mungkin mencakup data sensitif. Untuk melindungi data tersebut, Anda dapat menggunakan Sensitive Data Protection untuk menemukan, mengklasifikasi, dan melakukan de-identifikasi data. Untuk mengetahui informasi selengkapnya, lihat Menggunakan Perlindungan Data Sensitif dengan Cloud Storage. Cloud Storage membantu Anda memenuhi persyaratan residensi data. Data disimpan atau direplikasi dalam region yang Anda tentukan. |
| Pub/Sub |
Secara default, Pub/Sub mengenkripsi semua pesan, baik saat dalam penyimpanan maupun saat transit, menggunakan kunci enkripsi yang dikelola Google. Pub/Sub mendukung penggunaan CMEK untuk enkripsi pesan pada lapisan aplikasi. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi enkripsi pesan. Jika memiliki persyaratan residensi data, untuk memastikan bahwa data pesan disimpan di lokasi tertentu, Anda dapat mengonfigurasi kebijakan penyimpanan pesan. |
| Document AI | Secara default, data dalam penyimpanan dienkripsi menggunakan kunci enkripsi yang dikelola Google. Jika perlu menggunakan kunci enkripsi yang dapat Anda kontrol dan kelola, gunakan CMEK. Untuk informasi selengkapnya, lihat Keamanan & Kepatuhan Document AI. |
| Cloud Logging |
Log audit Aktivitas Admin diaktifkan secara default untuk semua layanan Google Cloud yang digunakan dalam arsitektur referensi ini. Log ini merekam panggilan API atau tindakan lainnya yang mengubah konfigurasi atau metadata resource Google Cloud. Log audit Akses Data diaktifkan secara default untuk BigQuery. Untuk layanan lain yang digunakan dalam arsitektur ini, Anda dapat mengaktifkan log audit Akses Data. Log tersebut memungkinkan Anda melacak panggilan API yang membaca konfigurasi atau metadata resource atau permintaan pengguna untuk membuat, mengubah, atau membaca data resource yang disediakan pengguna. Untuk membantu memenuhi persyaratan residensi data, Anda dapat mengonfigurasi Cloud Logging untuk menyimpan data log di region yang Anda tentukan. Untuk mengetahui informasi selengkapnya, lihat Melokalkan log Anda. |
Untuk panduan umum tentang prinsip keamanan yang perlu dipertimbangkan untuk aplikasi AI, lihat Memperkenalkan Framework AI yang Aman di Google.
Keandalan
Bagian ini menjelaskan faktor desain yang harus Anda pertimbangkan untuk membangun dan mengoperasikan infrastruktur yang andal untuk aplikasi AI generatif berkemampuan RAG di Google Cloud.
| Produk | Pertimbangan desain |
|---|---|
| Cloud Run |
Cloud Run adalah layanan regional. Data disimpan secara sinkron di beberapa zona dalam satu region. Traffic akan secara otomatis di-load balanced di seluruh zona. Jika terjadi pemadaman zona, tugas Cloud Run akan terus berjalan dan data tidak hilang. Jika terjadi pemadaman layanan region, tugas Cloud Run akan berhenti berjalan hingga Google menyelesaikan pemadaman layanan tersebut. Setiap tugas atau tugas Cloud Run mungkin gagal. Untuk menangani kegagalan tersebut, Anda dapat menggunakan percobaan ulang tugas dan checkpointing. Untuk mengetahui informasi selengkapnya, lihat Percobaan ulang tugas dan praktik terbaik checkpoint. |
| AlloyDB untuk PostgreSQL |
Secara default, cluster AlloyDB untuk PostgreSQL menyediakan ketersediaan tinggi (HA) dengan failover otomatis. Instance utama memiliki node redundan yang terletak di dua zona berbeda dalam satu region. Redundansi ini memastikan bahwa cluster kuat terhadap pemadaman zona. Untuk merencanakan pemulihan dari pemadaman layanan region, Anda dapat menggunakan replikasi lintas region. |
| BigQuery |
Data yang Anda muat ke BigQuery disimpan secara sinkron di dua zona dalam region yang Anda tentukan. Redundansi ini membantu memastikan bahwa data Anda tidak hilang saat terjadi pemadaman layanan zona. Untuk mengetahui informasi selengkapnya tentang fitur keandalan di BigQuery, lihat Memahami keandalan. |
| Cloud Storage | Anda dapat membuat bucket Cloud Storage di salah satu dari tiga jenis lokasi: regional, dual-region, atau multi-region. Data yang disimpan dalam bucket regional direplikasi secara sinkron di beberapa zona dalam satu region. Untuk ketersediaan yang lebih tinggi, Anda dapat menggunakan bucket dual-region atau multi-region, tempat data direplikasi secara asinkron di seluruh region. |
| Pub/Sub |
Untuk mengelola lonjakan sementara dalam traffic pesan, Anda dapat mengonfigurasi kontrol alur di setelan penayang. Untuk menangani publikasi yang gagal, sesuaikan variabel permintaan coba lagi sesuai kebutuhan. Untuk mengetahui informasi selengkapnya, lihat Mencoba ulang permintaan. |
| Document AI | Document AI adalah layanan regional. Data disimpan secara sinkron di beberapa zona dalam satu region. Traffic akan secara otomatis di-load balanced di seluruh zona. Jika terjadi pemadaman zona, data tidak hilang. Jika terjadi pemadaman layanan suatu wilayah, Document AI tidak akan tersedia hingga Google menyelesaikan pemadaman layanan tersebut. |
Pengoptimalan biaya
Bagian ini memberikan panduan untuk membantu Anda mengoptimalkan biaya penyiapan dan pengoperasian aplikasi AI generatif berkemampuan RAG di Google Cloud.
| Produk | Pertimbangan desain |
|---|---|
| Cloud Run |
Saat membuat tugas Cloud Run, Anda menentukan jumlah memori dan CPU yang akan dialokasikan ke instance container. Untuk mengontrol biaya, mulailah dengan alokasi CPU dan memori default (minimum). Untuk meningkatkan performa, Anda dapat meningkatkan alokasi dengan mengonfigurasi batas CPU dan batas memori. Jika Anda dapat memprediksi kebutuhan CPU dan memori untuk tugas Cloud Run, Anda dapat menghemat uang dengan mendapatkan diskon untuk abonemen. Untuk mengetahui informasi selengkapnya, lihat Diskon abonemen Cloud Run. |
| AlloyDB untuk PostgreSQL |
Secara default, instance utama cluster AlloyDB untuk PostgreSQL sangat tersedia (HA). Instance memiliki node aktif dan node standby. Jika node aktif gagal, AlloyDB untuk PostgreSQL akan otomatis beralih ke node standby. Jika tidak memerlukan HA untuk database, Anda dapat mengurangi biaya dengan menjadikan instance utama cluster sebagai instance dasar. Instance dasar tidak kuat terhadap pemadaman zona dan memiliki periode nonaktif yang lebih lama selama operasi pemeliharaan. Untuk mengetahui informasi lebih lanjut, lihat Mengurangi biaya menggunakan instance dasar. Jika Anda dapat memprediksi kebutuhan CPU dan memori instance AlloyDB for PostgreSQL, Anda dapat menghemat uang dengan mendapatkan diskon untuk abonemen. Untuk mengetahui informasi selengkapnya, lihat AlloyDB untuk diskon abonemen PostgreSQL. |
| BigQuery | BigQuery memungkinkan Anda memperkirakan biaya kueri sebelum menjalankannya. Untuk mengoptimalkan biaya kueri, Anda perlu mengoptimalkan penyimpanan dan komputasi kueri. Untuk informasi selengkapnya, lihat Memperkirakan dan mengontrol biaya. |
| Cloud Storage | Untuk bucket Cloud Storage yang Anda gunakan untuk memuat data ke dalam subsistem penyerapan data, pilih kelas penyimpanan yang sesuai berdasarkan persyaratan retensi data dan frekuensi akses workload Anda. Misalnya, Anda dapat memilih kelas penyimpanan Standar, dan menggunakan Object Lifecycle Management untuk mengontrol biaya penyimpanan dengan mendowngrade objek secara otomatis ke kelas penyimpanan berbiaya lebih rendah atau menghapus objek berdasarkan kondisi yang Anda tetapkan. |
| Cloud Logging |
Untuk mengontrol biaya penyimpanan log, Anda dapat melakukan hal berikut:
|
Performa
Bagian ini menjelaskan faktor-faktor yang harus Anda pertimbangkan saat mendesain dan mem-build aplikasi AI generatif yang mendukung RAG di Google Cloud yang memenuhi persyaratan performa Anda.
| Produk | Pertimbangan desain |
|---|---|
| Cloud Run | Secara default, setiap instance container Cloud Run dialokasikan satu CPU dan memori sebesar 512 MiB. Bergantung pada persyaratan performa untuk tugas Cloud Run, Anda dapat mengonfigurasi batas CPU dan batas memori. |
| AlloyDB untuk PostgreSQL |
Untuk membantu Anda menganalisis dan meningkatkan performa kueri database, AlloyDB untuk PostgreSQL menyediakan alat Query Insights. Anda dapat menggunakan alat ini untuk memantau performa dan melacak sumber kueri yang bermasalah. Untuk mengetahui informasi selengkapnya, lihat Ringkasan Insight Kueri. Untuk mendapatkan ringkasan tentang status dan performa database serta melihat metrik mendetail seperti koneksi puncak dan jeda replikasi maksimum, Anda dapat menggunakan dasbor System Insights. Untuk mengetahui informasi selengkapnya, lihat Memantau instance menggunakan dasbor AlloyDB for PostgreSQL System Insights. Untuk mengurangi beban pada instance AlloyDB for PostgreSQL utama Anda dan untuk menyebarkan skala kapasitas guna menangani permintaan baca, Anda dapat menambahkan instance kumpulan baca ke cluster. Untuk mengetahui informasi selengkapnya, lihat AlloyDB untuk node dan instance PostgreSQL. |
| BigQuery |
BigQuery menyediakan grafik eksekusi kueri yang dapat Anda gunakan untuk menganalisis performa kueri dan mendapatkan insight performa untuk masalah seperti pertentangan slot dan kuota acak yang tidak mencukupi. Untuk mengetahui informasi selengkapnya, lihat Mendapatkan insight performa kueri. Setelah mengatasi masalah yang diidentifikasi melalui insight performa kueri, Anda dapat mengoptimalkan kueri lebih lanjut menggunakan teknik seperti mengurangi volume data input dan output. Untuk mengetahui informasi selengkapnya, lihat Mengoptimalkan komputasi kueri. |
| Cloud Storage | Untuk mengupload file besar, Anda dapat menggunakan metode yang disebut upload komposit paralel. Dengan strategi ini, file besar dibagi menjadi beberapa bagian. Potongan tersebut diupload ke Cloud Storage secara paralel, lalu datanya dikomposisi ulang di cloud. Upload komposit paralel dapat lebih cepat daripada operasi upload reguler jika bandwidth jaringan dan kecepatan disk tidak menjadi batasan faktor. Namun, strategi ini memiliki beberapa keterbatasan dan implikasi biaya. Untuk mengetahui informasi selengkapnya, lihat Upload komposit paralel. |
Deployment
Untuk memulai dan bereksperimen dengan membangun infrastruktur di Google Cloud untuk aplikasi AI generatif yang kompatibel dengan RAG, Anda dapat menggunakan Jump Start Solution: Generative AI RAG dengan Cloud SQL. Solusi ini men-deploy aplikasi chat berbasis Python di Cloud Run dan menggunakan database Cloud SQL yang terkelola sepenuhnya untuk penelusuran vektor. Kode contoh untuk solusi ini tersedia di GitHub.
Langkah selanjutnya
- Pelajari cara Membangun aplikasi AI Generatif dengan Vertex AI PaLM API dan LangChain.
- Pelajari cara Membangun aplikasi AI generatif perusahaan dengan database Google Cloud.
- Pelajari cara Aplikasi Pengambilan Database GenAI Baru membantu meningkatkan jawaban LLM.
- Coba Codelab untuk Membangun aplikasi chat berbasis LLM dan RAG menggunakan AlloyDB untuk PostgreSQL AI dan LangChain.
- Coba ringkasan dokumen AI Generatif.
- Baca Pembuatan Augmented Reality untuk Tugas NLP yang Berbasis Pengetahuan.
- Baca Pembuatan Augmented Reality untuk Model Bahasa Besar.
- Untuk mengetahui lebih banyak tentang arsitektur referensi, diagram, dan praktik terbaik lainnya, jelajahi Pusat Arsitektur Cloud.
Kontributor
Penulis: Kumar Dhanagopal | Developer Solusi Lintas Produk
Kontributor lainnya:
- Andrew Brook | Direktur Teknik
- Anna Berenberg | Rekan Teknik
- Assaf Namer | Principal Cloud Security Architect
- Balachandar Krishnamoorthy | Principal Software Engineer
- Daniel Lees | Arsitek Keamanan Cloud
- Derek Downey | Developer Relations Engineer
- Geoffrey Anderson | Manajer Produk
- Gleb Otochkin | Advokat Cloud, Database
- Hamsa Buvaraghan | Product Manager AI
- Irina Sigler | Manajer Produk
- Jack Wotherspoon | Engineer Software
- Jason Davenport | Advokat Developer
- Julia Wiesinger | Manajer Produk
- Kara Greenfield | Customer Engineer
- Kurtis Van Gent | Staf Software Engineer
- Per Jacobsson | Software Engineer
- Pranav Nambiar | Direktur
- Richard Hendricks | Staf Pusat Arsitektur
- Safiuddin Khaja | Cloud Engineer
- Vladimir Vuskovic | Direktur Pengelolaan Produk
- Steren Giannini | Group Product Manager
- Wietse Venema | Engineer Developer Relations