Dokumentation : https://googlecloudplatform.github.io/applied-ai-engineering-samples/
Quellcode : https://github.com/GoogleCloudPlatform/applied-ai-engineering-samples
Willkommen im Google Cloud Applied AI Engineering-Repository. Dieses Repository enthält Referenzhandbücher, Blaupausen, Codebeispiele und praktische Übungen, die vom Google Cloud Applied AI Engineering-Team entwickelt wurden.
Dieser Abschnitt enthält Codebeispiele und praktische Übungen, die die Verwendung generativer KI-Modelle und -Tools in Vertex AI demonstrieren.
Foundation-Modelle | Auswertung | RAG & Erdung | Agenten | Andere |
---|---|---|---|---|
|
|
|
|
|
In diesem Abschnitt finden Sie Referenzhandbücher und Blaupausen, die Best Practices zusammenstellen, sowie präskriptive Anleitungen für die Ausführung umfangreicher KI/ML-Arbeitslasten auf der Google Cloud AI/ML-Infrastruktur.
In diesem Abschnitt finden Sie Codebeispiele, die die Operationalisierung der neuesten Forschungsmodelle oder Frameworks von Google DeepMind und Forschungsteams auf Google Cloud, einschließlich Vertex AI, demonstrieren.
Zusätzlich zu den Codebeispielen in diesem Repository möchten Sie möglicherweise die folgenden von Google Cloud Applied AI Engineering veröffentlichten Lösungen ausprobieren.
Lösung | Beschreibung |
---|---|
GenAI für die Modernisierung des Kundenerlebnisses | Diese Lösung zeigt, wie Kunden moderne, ansprechende Interaktionen mit Marken haben können und wie Unternehmen die Erfahrungen von Endbenutzern, Agenten und Kunden mit einer modernen Kundenserviceplattform in Google Cloud verbessern können. |
Kreativstudio | Vertex-KI | Creative Studio ist ein Beispiel für ein Vertex AI-Benutzererlebnis für generative Medien, das die Verwendung von Imagen und anderen generativen Medien-APIs in Google Cloud hervorhebt. |
RAG-Spielplatz | RAG Playground ist eine Plattform zum Experimentieren mit RAG-Techniken (Retrieval Augmented Generation). Es lässt sich in LangChain und Vertex AI integrieren und ermöglicht Ihnen den Vergleich verschiedener Abrufmethoden und/oder LLMs in Ihren eigenen Datensätzen. Dies hilft Ihnen beim Erstellen, Verfeinern und Bewerten von RAG-basierten Anwendungen. |
Wenn Sie Fragen haben oder Probleme mit diesem Repository feststellen, melden Sie diese bitte über GitHub Issues.
Dies ist kein offiziell unterstütztes Google-Produkt. Der Code in diesem Repository dient nur zu Demonstrationszwecken.