במסמך הזה מפורטת סקירה כללית של מדריכי ארכיטקטורה לתכנון, לפיתוח ולפריסה של אפליקציות AI ו-ML.
כדי לעזור לכם למצוא את ההנחיות המתאימות שרלוונטיות לפרסונה ולצרכים שלכם, אנחנו מספקים את הסוגים הבאים של מדריכי ארכיטקטורה:
- מדריכי עיצוב: הנחיות מפורטות למוצרים שונים שיעזרו לכם לתכנן ולעצב את ארכיטקטורת הענן.
- דוגמאות לארכיטקטורות: דוגמאות מפורטות לארכיטקטורות והמלצות לעיצוב של עומסי עבודה ספציפיים.
- תרחישים לדוגמה: דוגמאות לארכיטקטורה ברמה גבוהה לפתרון בעיות עסקיות ספציפיות.
- מדריכי פריסה: הוראות מפורטות או קוד לפריסת ארכיטקטורה ספציפית.
AI אקטיבי
אפליקציות של AI אקטיבי פותרות בעיות פתוחות באמצעות תכנון אוטונומי ותהליכי עבודה עם כמה שלבים.
כדי לפתח אפליקציות של AI אקטיבי ב- Google Cloud, התחילו עם המדריכים הבאים:
- מדריך לעיצוב: בחירת רכיבי הארכיטקטורה של ה-AI האקטיבי
- מדריך לעיצוב: בחירת תבנית עיצוב למערכת ה-AI האקטיבי
- ארכיטקטורה לדוגמה: מערכת AI מרובת סוכנים ב- Google Cloud
- ארכיטקטורה לדוגמה: מערכת AI עם סוכן יחיד באמצעות ADK ו-Cloud Run
עולם תוכן מורחב מדריכים בנושא ארכיטקטורה של AI אקטיבי
AI גנרטיבי
אפליקציות של AI גנרטיבי מאפשרות להשתמש ב-AI כדי ליצור סיכומים, לחשוף קשרים מורכבים ונסתרים או ליצור תוכן חדש.
כדי לפתח אפליקציות של AI גנרטיבי ב- Google Cloud, התחילו עם המדריכים הבאים:
- מדריך לעיצוב: פריסה והפעלה של אפליקציות מבוססות-AI גנרטיבי
- מדריך לעיצוב: בחירת מודלים ותשתית לאפליקציית ה-AI הגנרטיבי
- ארכיטקטורות לדוגמה: AI גנרטיבי עם RAG
עולם תוכן מורחב בנושא ארכיטקטורה של AI גנרטיבי
אפליקציות ופעולות של ML
תפעול יעיל של למידת מכונה (MLOps) הוא הבסיס לכל יוזמה בתחום ה-AI, החל ממודלים של סיווג ורגרסיה ועד למערכות מורכבות של AI גנרטיבי ו-AI אקטיבי.
כדי ליצור ולהפעיל אפליקציות ML ב- Google Cloud, כדאי להתחיל עם המדריכים הבאים:
- Blueprint: Build and deploy generative AI and machine learning models in an enterprise
- ארכיטקטורה לדוגמה: פיתוח פתרון לניתוח נתונים של ML vision באמצעות Dataflow ו-Cloud Vision API
- ארכיטקטורה לדוגמה: למידה משותפת (Federated) חוצת-מכשירים וחוצת-מאגרים ב- Google Cloud
מדריכים נוספים בנושא ארכיטקטורה של אפליקציות ופעולות למידת מכונה
תשתית AI ו-ML
הביצועים, העלות והיכולת להרחיב את האפליקציות שלכם בתחום ה-AI ולמידת המכונה תלויים ישירות בתשתית הבסיסית. לכל שלב במחזור החיים של ML יש דרישות ייחודיות למשאבי מחשוב, אחסון ורישות.
המשאבים הבאים יעזרו לכם לתכנן ולבחור תשתית מתאימה לעומסי העבודה של AI ו-ML:
- מדריך לעיצוב: עיצוב אחסון לעומסי עבודה של AI ו-ML ב- Google Cloud
- ארכיטקטורה לדוגמה: אופטימיזציה של עומסי עבודה של AI ו-ML באמצעות Cloud Storage FUSE
- ארכיטקטורה לדוגמה: אופטימיזציה של עומסי עבודה של AI ו-ML באמצעות Google Cloud Managed Lustre