AI 和机器学习资源

Last reviewed 2024-04-05 UTC

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:

如需了解 Google Cloud 生成式 AI 产品,请参阅 Vertex AIGemini API 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

在 Google Cloud 上实现机器学习的最佳做法

在企业中构建和部署生成式 AI 和机器学习模型

使用 Dataflow 和 Cloud Vision API 构建机器学习视觉分析解决方案

Google Cloud 上的跨孤岛和跨设备联邦学习

在 Google Cloud 上使用 R 进行数据科学研究:探索性数据分析

为 Google Cloud 中的 AI 和机器学习工作负载设计存储

地理空间分析架构

使用 Afi.ai 的 Google Workspace 备份

有关开发高质量的机器学习解决方案的指南

使用微服务和异步消息传递处理图片

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

快速起步解决方案:借助 Cloud Functions 函数处理 AI/机器学习图片

快速起步解决方案:Analytics Lakehouse

快速启动解决方案:使用 BigQuery 创建数据仓库

快速起步解决方案:生成式 AI 文档汇总

快速起步解决方案:生成式 AI 知识库

快速起步解决方案:Generative AI RAG with Cloud SQL

将 MLOps 与 Intelligent Products Essentials 结合使用

MLOps:机器学习中的持续交付和自动化流水线

利用 Google Cloud 和 Labelbox 开发模型并为数据添加标签

在 Bigtable 和 GKE 上使用 OpenTSDB 监控时序数据

减少您的 Google Cloud 碳足迹

可扩缩的 TensorFlow 推理系统

使用 Vertex AI 提供 Spark ML 模型

使用 Kubeflow Pipelines 在 Google Cloud 上进行倾向建模