Vertex AI para usuários da AI Platform

A Vertex AI agrupa o AI Platform e o AutoML em uma única interface. Nesta página, comparamos a Vertex AI e o AI Platform para usuários que estejam familiarizados com o AI Platform.

Treinamento personalizado

Com a Vertex AI, é possível treinar modelos com o AutoML ou treinamento personalizado, que é um fluxo de trabalho mais semelhante ao AI Platform Training.

Tarefa	AI Platform Training	Vertex AI
Selecione a versão do framework de machine learning a ser usada	Os usuários do console do Google Cloud definem o nome e a versão do framework.
	Versões de ambiente de execução: ao enviar um job de treinamento, especifique o número de uma versão de ambiente de execução que inclua o framework e a versão de framework desejados.	Contêineres pré-criados: ao enviar um job de treinamento personalizado, especifique o URI do Artifact Registry de um contêiner pré-criado que corresponda à versão do framework e do framework.
Enviar um job de treinamento usando um contêiner personalizado	Crie seu próprio contêiner personalizado, hospede-o no Artifact Registry e use-o para executar o aplicativo de treinamento.
Defina a região do Google Cloud a ser usada	Especificar o nome de uma região ao enviar um job de treinamento para um endpoint global (ml.googleapis.com).	Envie o job de treinamento personalizado para um endpoint regional, como us-central1-aiplatform.googleapis.com. Não há um endpoint global. Algumas regiões disponíveis no AI Platform não estão disponíveis na Vertex AI. Consulte a lista de regiões compatíveis na página Locais.
Especificar configurações de máquina para treinamento distribuído	Especifique as configurações nomeadas após papéis específicos do cluster de treinamento (masterConfig, workerConfig, parameterServerConfig e evaluatorConfig).	A configuração é uma lista genérica. Especifique as configurações da máquina em CustomJobSpec.workerPoolSpecs[].
Enviar um job de treinamento usando um pacote Python	Os campos relacionados ao seu pacote Python são de nível superior em TrainingInput.	Os campos relacionados ao pacote do Python são organizados em pythonPackageSpec.
Especificar tipos de máquina	Especifique qualquer tipo de máquina disponível ao criar um job de treinamento. Tanto GPUs quanto TPUs são compatíveis.	Os tipos de máquina legados e os níveis de escalonamento não são compatíveis. Há tipos de máquina do Compute Engine mais recentes disponíveis. Tanto GPUs e TPUs são compatíveis.
Enviar um job de ajuste de hiperparâmetro	Envie um job de treinamento com uma configuração hyperparameters. Independentemente de ser enviado um job de treinamento com ou sem ajuste de hiperparâmetro, ele cria um recurso de API TrainingJob.	Envie um job de ajuste de hiperparâmetro com uma configuração studySpec. Isso cria um recurso de API de nível superior (HyperparameterTuningJob). Jobs de treinamento personalizados enviados sem ajuste de hiperparâmetros criam um recurso de API CustomJob de nível superior.
Criar um pipeline de treinamento para orquestrar jobs de treinamento com outras operações	Nenhum recurso de API integrado para orquestração; usar o AI Platform Pipelines, Kubeflow ou outra ferramenta de orquestração.	Crie um recurso TrainingPipeline para orquestrar um job de treinamento com a implantação de modelos.

Previsão

Tarefa	AI Platform Prediction	Vertex AI
Selecione a versão do framework de machine learning a ser usada	Os usuários do console do Google Cloud definem o nome e a versão do framework.
	Versões de ambiente de execução: ao implantar um modelo, especifique o número de uma versão de ambiente de execução que inclua o framework e a versão de framework desejados.	Contêineres pré-criados: ao implantar um modelo, especifique o URI do Artifact Registry de um contêiner pré-criado que corresponda à sua estrutura de framework e framework. Use a opção multirregional que corresponde ao endpoint regional. Por exemplo, us-docker.pkg.dev para um endpoint us-central1.
Executar código personalizado com previsão	Use rotinas de previsão personalizadas.	Use rotinas de previsão personalizadas na Vertex AI.
Defina a região do Google Cloud a ser usada	Especifique o nome de uma região ao criar um modelo em um endpoint de API global (ml.googleapis.com).	Crie seu modelo em um endpoint regional, como us-central1-aiplatform.googleapis.com. Não há um endpoint global. Algumas regiões disponíveis no AI Platform não estão disponíveis na Vertex AI. Consulte a lista de regiões compatíveis na página Locais.
Armazenar artefatos de modelo	Os artefatos de modelo são armazenados no Cloud Storage. Não há recursos de API associados para os artefatos do modelo.	Há armazenamento de modelos gerenciados disponíveis para artefatos de modelo e está associado ao recurso Model. Ainda é possível implantar modelos armazenados no Cloud Storage sem usar um conjunto de dados gerenciado do Vertex AI.
Implantação do modelo	Você implanta um modelo diretamente para disponibilizá-lo para predições on-line.	Você cria um objeto Endpoint com recursos para exibir predições on-line. Em seguida, implante o modelo no endpoint. Para solicitar previsões, chame o método predict().
Solicitar predições em lote	É possível solicitar previsões em lote em modelos armazenados no Cloud Storage e especificar uma versão de ambiente de execução na solicitação. Como alternativa, é possível solicitar predições em lote em modelos implantados e usar a versão de ambiente de execução especificada durante a implantação do modelo.	Você faz upload do modelo para a Vertex AI e, em seguida, especifica um contêiner pré-criado ou personalizado para veicular as previsões.
Solicitações de previsão on-line	A estrutura JSON inclui uma lista de instâncias.	A estrutura JSON inclui uma lista de instâncias e um campo para parâmetros.
Especificar tipos de máquina	Especifique qualquer tipo de máquina disponível ao criar uma versão.	Os tipos de máquina de previsão on-line legados do AI Platform (MLS1) não são compatíveis. Somente tipos de máquinas do Compute Engine estão disponíveis.
Implantar modelos	Crie um recurso de modelo e, em seguida, um recurso de versão.	Criar um recurso de modelo, criar um recurso de endpoint e implantar o modelo no endpoint. Especifique a divisão de tráfego no endpoint.

Vertex Explainable AI

É possível conseguir atribuições de recursos para modelos tabulares e de imagem no AI Explanations para o AI Platform e o Vertex Explainable AI.

Tarefa	AI Explanations para o AI Platform	Vertex Explainable AI
Receber atribuições de recursos para modelos tabulares	Use Sampled Shapley ou gradientes integrados para conseguir atribuições de recursos para modelos tabulares.
Acessar atribuições de recursos para modelos de imagem	Use gradientes integrados ou XRAI para conseguir atribuições de recursos para modelos de imagem.