Ressourcen für KI und maschinelles Lernen

Last reviewed 2025-11-25 UTC

Dieses Dokument bietet einen Überblick über Architekturleitfäden zum Entwerfen, Erstellen und Bereitstellen von KI- und ML-Anwendungen.

Damit Sie die richtigen Anleitungen für Ihre Persona und Ihre Anforderungen finden, bieten wir die folgenden Arten von Architekturleitfäden an:

  • Designleitfäden: Produktübergreifende Anleitungen, die Ihnen bei der Planung und dem Entwurf Ihrer Cloud-Architektur helfen.
  • Referenzarchitekturen: Detaillierte Architekturbeispiele und Designempfehlungen für bestimmte Arbeitslasten.
  • Anwendungsfälle: Beispiele für allgemeine Architekturen zur Lösung bestimmter Geschäftsprobleme.
  • Bereitstellungsleitfäden: Detaillierte Anleitung oder Code zum Bereitstellen einer bestimmten Architektur.

Agentische KI

Agentische KI-Anwendungen lösen offene Probleme durch autonome Planung und mehrstufige Workflows.

Wenn Sie agentische KI-Anwendungen in Google Clouderstellen möchten, beginnen Sie mit den folgenden Leitfäden:

Weitere Architekturleitfäden für agentische KI

Generative KI

Mit Anwendungen, die auf generativer KI basieren, können Sie Zusammenfassungen erstellen, komplexe verborgene Zusammenhänge aufdecken oder neue Inhalte generieren.

Wenn Sie generative KI-Anwendungen in Google Clouderstellen möchten, beginnen Sie mit den folgenden Anleitungen:

Weitere Leitfäden zur Architektur generativer KI

ML-Anwendungen und -Vorgänge

Robuste Machine Learning Operations (MLOps) sind die Grundlage für jede KI-Initiative, von Klassifizierungs- und Regressionsmodellen bis hin zu komplexen generativen KI- und agentischen KI-Systemen.

Wenn Sie ML-Anwendungen in Google Clouderstellen und betreiben möchten, beginnen Sie mit den folgenden Anleitungen:

Weitere Architekturleitfäden für ML-Anwendungen und -Vorgänge

KI- und ML-Infrastruktur

Die Leistung, die Kosten und die Skalierbarkeit Ihrer KI- und ML-Anwendungen hängen direkt von der zugrunde liegenden Infrastruktur ab. Jede Phase des ML-Lebenszyklus hat eigene Anforderungen an Computing, Speicher und Netzwerk.

Die folgenden Ressourcen helfen Ihnen, eine geeignete Infrastruktur für Ihre KI- und ML-Arbeitslasten zu entwerfen und auszuwählen: