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:
- Designleitfaden: Komponenten für die agentische KI-Architektur auswählen
- Designleitfaden: Designmuster für Ihr agentisches KI-System wählen
- Referenzarchitektur: Multi-Agenten-KI-System in Google Cloud
- Referenzarchitektur: Agentisches KI-System mit einem einzelnen Agenten, das ADK und Cloud Run verwendet
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:
- Designleitfaden: Generative KI-Anwendungen bereitstellen und betreiben
- Designleitfaden: Modelle und Infrastruktur für Ihre generative KI-Anwendung auswählen
- Referenzarchitekturen: Generative KI mit RAG
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:
- Blueprint: Modelle für generative KI und maschinelles Lernen in einem Unternehmen erstellen und bereitstellen
- Referenzarchitektur: ML-Vision-Analyselösung mit Dataflow und der Cloud Vision API erstellen
- Referenzarchitektur: Silo- und geräteübergreifendes föderiertes Lernen in Google Cloud
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:
- Designleitfaden: Speicher für KI- und ML-Arbeitslasten in Google Cloudentwerfen
- Referenzarchitektur: KI- und ML-Arbeitslasten mit Cloud Storage FUSE optimieren
- Referenzarchitektur: KI- und ML-Arbeitslasten mit Google Cloud Managed Lustre optimieren