Il Centro architetture offre risorse per i contenuti su un'ampia varietà di argomenti su AI e machine learning. Questa pagina fornisce informazioni utili per iniziare a utilizzare l'AIA generativa, l'AIA tradizionale e il machine learning. Fornisce inoltre un elenco di tutti i contenuti di AI e machine learning (ML) nel Centro architetture.
Inizia
I documenti elencati in questa pagina possono aiutarti a iniziare la progettazione, la creazione e il deployment di soluzioni AI e ML su Google Cloud.
Scopri l'AI generativa
Per iniziare, apprendi le nozioni di base dell'AI generativa su Google Cloud visitando il sito della documentazione di Cloud:
- Per conoscere le fasi di 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 capire quando AI generativa, l'AI tradizionale (che include previsione e classificazione) o una combinazione di entrambe potrebbero essere adatte 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 tuo caso d'uso aziendale per l'IA 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 dalla sperimentazione preliminari dei dati, fino all'addestramento, al deployment e al monitoraggio dei modelli.
Esplora le seguenti architetture di esempio che utilizzano l'AI generativa:
- Riassunto dei documenti di IA generativa
- Knowledge base per l'IA generativa
- RAG di IA generativa con Cloud SQL
- Infrastruttura per un'applicazione di AI generativa compatibile con RAG mediante GKE
- Infrastruttura per un'applicazione di IA generativa compatibile con RAG utilizzando Vertex AI
- Sviluppo di modelli ed etichettatura dei dati con Google Cloud ed Labelbox
Per informazioni sulle offerte di IA generativa di Google Cloud, consulta Vertex AI, API Gemini e esecuzione del tuo modello di base su GKE.
Progettazione e costruzione
Per selezionare la combinazione migliore di opzioni di archiviazione per il tuo carico di lavoro AI, consulta Progettazione dell'archiviazione per carichi di lavoro di AI e ML in Google Cloud.
Google Cloud fornisce 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 le soluzioni di AI generativa.
Continua a esplorare
I documenti elencati più avanti in questa pagina e nel menu di navigazione a sinistra possono aiutarti a creare una soluzione AI o ML. I documenti sono organizzati nelle seguenti categorie:
- IA generativa: segui queste architetture per progettare e creare soluzioni di AI generativa.
- Addestramento di modelli: implementa machine learning, apprendimento federato ed esperienze intelligenti personalizzate.
- MLOps: implementa e automatizza l'integrazione continua, la distribuzione continua e l'addestramento continuo per i sistemi di machine learning.
- Applicazioni IA e ML: crea su Google Cloud applicazioni personalizzate per carichi di lavoro AI e ML.
Risorse di AI e machine learning nel Centro architetture
Puoi filtrare il seguente elenco di risorse AI e machine learning digitando il nome di un prodotto o una frase 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) che utilizza le librerie TensorFlow Extended (TFX). Illustra inoltre come configurare 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 addestrati personalizzati 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 per poterli utilizzare 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 di AI generativa e machine learning (ML), che esegue il deployment di una pipeline per creare 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 cross-silo o cross-device. |
Data science with R su Google Cloud: Exploratory data analysis Mostra come iniziare a utilizzare la data science su larga scala con R su Google Cloud. Questo documento è destinato a coloro che hanno una certa esperienza con R e con i blocchi note Jupyter e che hanno dimestichezza con l'SQL. Prodotti utilizzati: BigQuery, Cloud Storage, Notebooks |
Progetta 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 tuoi carichi di lavoro di AI e ML. Prodotti utilizzati: Cloud Storage, Filestore, Persistent Disk |
Architettura di analisi geospaziale Scopri le funzionalità geospaziali di Google Cloud e 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 Raccoglie 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 i 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 con funzionalità 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 con funzionalità RAG che utilizza Vertex AI Progetta l'infrastruttura per eseguire un'applicazione di AI generativa con generazione di recupero potenziato. Prodotti utilizzati: BigQuery, Cloud Logging, Cloud Monitoring, Cloud Pub/Sub, Cloud Run, Cloud Storage, Document AI, Vertex AI |
Soluzione di avvio rapido: 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 Jump Start: 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 di avvio rapido: data warehouse con BigQuery Crea un data warehouse con una dashboard e uno strumento di visualizzazione che utilizza BigQuery. |
Soluzione di avvio rapido: riepilogo 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) di Vertex AI. |
Soluzione di avvio rapido: knowledge base sull'IA generativa Estrai le coppie di domande e risposte dai documenti on demand utilizzando l'IA generativa di Vertex AI e i modelli linguistici di grandi dimensioni (LLM)... |
Soluzione di avvio rapido: RAG di IA generativa con Cloud SQL Esegui il deployment di un'applicazione di generazione aumentata di recupero con incorporamenti vettoriali e Cloud SQL. |
MLOps con Intelligent Products Essentials Descrive un'architettura di riferimento per implementare MLOps utilizzando Intelligent Product Essentials e Vertex AI. Prodotti utilizzati: BigQuery, Cloud Scheduler, Dataflow, Dataproc, Intelligent Product Essentials, Vertex AI |
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 ed Labelbox Offre indicazioni per creare una pipeline standardizzata per accelerare lo sviluppo di modelli ML. |
Ridurre l'impronta di carbonio di Google Cloud Spiega l'approccio di Google Cloud alla sostenibilità ambientale. Include informazioni e altre risorse che puoi utilizzare per comprendere la tua impronta di carbonio su Google Cloud. Prodotti utilizzati: BigQuery, Compute Engine, Google Kubernetes Engine (GKE) |
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 Triton Inference Server. Prodotti utilizzati: Cloud Load Balancing, Google Kubernetes Engine (GKE) |
Pubblicare modelli Spark ML utilizzando Vertex AI Mostra come fornire (eseguire) previsioni online da modelli di machine learning (ML) creati utilizzando Spark MLlib e gestiti mediante Vertex AI. Prodotti utilizzati: Vertex AI |
Utilizza le pipeline di Kubeflow per la creazione di modelli di propensione su Google Cloud Descrive un esempio di pipeline automatizzata in Google Cloud che esegue la modellazione della propensione. Prodotti utilizzati: BigQuery, Cloud Functions, Vertex AI |