Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token. Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token.

Vertex AI untuk pengguna AI Platform

Vertex AI menyatukan AI Platform dan AutoML ke dalam satu antarmuka. Halaman ini membandingkan Vertex AI dan AI Platform, untuk pengguna yang sudah terbiasa dengan AI Platform.

Pelatihan kustom

Dengan Vertex AI, Anda dapat melatih model dengan AutoML, atau melakukan pelatihan kustom, yang merupakan alur kerja yang mirip seperti AI Platform Training.

Tugas	AI Platform Training	Vertex AI
Pilih versi framework machine learning yang akan digunakan	Pengguna Konsol Google Cloud menetapkan nama framework dan versi framework.
Pilih versi framework machine learning yang akan digunakan	Versi runtime - Saat mengirimkan tugas pelatihan, tentukan jumlah versi runtime yang menyertakan framework dan versi framework yang Anda inginkan.	Container bawaan - Saat mengirim tugas pelatihan kustom, tentukan URI Artifact Registry dari container bawaan yang sesuai dengan framework dan versi framework Anda.
Mengirim tugas pelatihan menggunakan container kustom	Bangun container kustom Anda sendiri, hosting container tersebut di Artifact Registry, lalu gunakan untuk menjalankan aplikasi pelatihan Anda.
Menetapkan region Google Cloud yang akan digunakan	Tentukan nama region saat mengirimkan tugas pelatihan ke endpoint global (`ml.googleapis.com`).	Kirim tugas pelatihan kustom Anda ke endpoint regional, seperti `us-central1-aiplatform.googleapis.com`. Tidak ada endpoint global. Beberapa wilayah yang tersedia di AI Platform tidak tersedia di Vertex AI. Lihat daftar region yang didukung di halaman Lokasi.
Menentukan konfigurasi mesin untuk pelatihan terdistribusi	Tentukan konfigurasi yang diberi nama berdasarkan peran tertentu dari cluster pelatihan (`masterConfig`, `workerConfig`, `parameterServerConfig`, dan `evaluatorConfig`).	Konfigurasinya berupa daftar generik — tentukan konfigurasi mesin di `CustomJobSpec.workerPoolSpecs[]`.
Mengirim tugas pelatihan menggunakan paket Python	Kolom yang terkait dengan paket Python Anda berada di tingkat teratas dalam `TrainingInput`.	Kolom yang terkait dengan paket Python Anda diatur dalam `pythonPackageSpec`.
Menentukan jenis mesin	Tentukan semua jenis mesin yang tersedia saat membuat tugas pelatihan. Mendukung GPU maupun TPU.	Jenis mesin lama dan tingkat skala tidak didukung. Jenis mesin Compute Engine yang lebih baru tersedia. Mendukung GPU maupun TPU.
Mengirim tugas penyesuaian hyperparameter	Kirim tugas pelatihan dengan konfigurasi `hyperparameters`. Baik tugas pelatihan dikirim dengan atau tanpa penyesuaian hyperparameter, tugas tersebut akan membuat resource API `TrainingJob`.	Kirim tugas penyesuaian hyperparameter dengan konfigurasi `studySpec`. Tindakan ini akan membuat resource API tingkat teratas (`HyperparameterTuningJob`). Tugas pelatihan kustom yang dikirimkan tanpa penyesuaian hyperparameter akan membuat resource API `CustomJob` tingkat teratas.
Membuat pipeline pelatihan untuk melakukan orkestrasi tugas pelatihan dengan operasi lain	Tidak ada resource API bawaan untuk orkestrasi; gunakan AI Platform Pipelines, Kubeflow, atau alat orkestrasi lainnya.	Buat resource `TrainingPipeline` untuk melakukan orkestrasi tugas pelatihan dengan deployment model.

Prediksi

Tugas	AI Platform Prediction	Vertex AI
Pilih versi framework machine learning yang akan digunakan	Pengguna Konsol Google Cloud menetapkan nama framework dan versi framework.
Pilih versi framework machine learning yang akan digunakan	Versi runtime - Saat men-deploy model, tentukan jumlah versi runtime yang menyertakan framework dan versi framework yang diinginkan.	Container bawaan - Saat men-deploy model, tentukan URI Artifact Registry dari container bawaan yang sesuai dengan framework dan versi framework Anda. Gunakan opsi multiregional yang cocok dengan endpoint regional Anda — misalnya, `us-docker.pkg.dev` untuk endpoint `us-central1`.
Menjalankan kode kustom dengan prediksi	Menggunakan rutinitas prediksi kustom.	Gunakan rutinitas prediksi kustom di Vertex AI.
Menetapkan region Google Cloud yang akan digunakan	Tentukan nama region saat membuat model di endpoint API global (`ml.googleapis.com`).	Buat model Anda di endpoint regional, seperti `us-central1-aiplatform.googleapis.com`. Tidak ada endpoint global. Beberapa wilayah yang tersedia di AI Platform tidak tersedia di Vertex AI. Lihat daftar region yang didukung di halaman Lokasi.
Menyimpan artefak model	Artefak model disimpan di Cloud Storage. Tidak ada resource API yang terkait untuk artefak model.	Penyimpanan model terkelola tersedia untuk artefak model, dan terkait dengan resource `Model`. Anda masih dapat men-deploy model yang disimpan di Cloud Storage tanpa menggunakan set data yang dikelola Vertex AI.
Deployment model	Anda men-deploy model secara langsung agar tersedia untuk prediksi online.	Anda membuat objek Endpoint, yang menyediakan resource untuk menampilkan prediksi online. Kemudian, deploy model ke endpoint. Untuk meminta prediksi, panggil metode `predict()`.
Meminta prediksi batch	Anda dapat meminta prediksi batch pada model yang disimpan di Cloud Storage, dan menentukan versi runtime dalam permintaan Anda. Atau, Anda dapat meminta prediksi batch pada model yang di-deploy, dan menggunakan versi runtime yang Anda tentukan selama deployment model.	Anda mengupload model ke Vertex AI, lalu menentukan container bawaan atau container kustom untuk menampilkan prediksi.
Permintaan prediksi online	Struktur JSON menyertakan daftar instance.	Struktur JSON mencakup daftar instance dan kolom untuk parameter.
Menentukan jenis mesin	Tentukan semua jenis mesin yang tersedia saat membuat versi.	Jenis mesin prediksi online lama dari AI Platform (MLS1) tidak didukung. Hanya jenis mesin Compute Engine yang tersedia.
Men-deploy model	Buat resource model, lalu buat resource versi.	Buat resource model, buat resource endpoint, lalu deploy model ke endpoint. Tentukan pemisahan traffic di endpoint.

Vertex Explainable AI

Anda bisa mendapatkan atribusi fitur untuk model tabel dan gambar di AI Explanations untuk AI Platform dan Vertex Explainable AI.

Tugas	AI Explanations untuk AI Platform	Vertex Explainable AI
Mendapatkan atribusi fitur untuk model tabular	Gunakan Sampled Shapley atau gradien terintegrasi guna mendapatkan atribusi fitur untuk model tabular.
Mendapatkan atribusi fitur untuk model gambar	Gunakan gradien terintegrasi atau XRAI guna mendapatkan atribusi fitur untuk model gambar.

Pelabelan data

Layanan Pelabelan Data AI Platform tersedia dengan beberapa perubahan pada API:

Tugas/Konsep	Layanan Pelabelan Data AI Platform	Pelabelan data di Vertex AI
Mengirim petunjuk untuk pemberi label data	Petunjuk Anda, dalam bentuk file PDF, disimpan di Cloud Storage dan dikaitkan dengan resource API `Instruction`.	Petunjuk Anda, dalam bentuk file PDF, disimpan di Cloud Storage, tetapi tidak ada resource API yang dikhususkan untuk petunjuk. Tentukan Cloud Storage URI dari file petunjuk saat Anda membuat resource API `DataLabelingJob`.
Set data yang dianotasi	Ada resource API `AnnotatedDataset`.	Tidak ada resource API `AnnotatedDataset`.
Cara `AnnotationSpec` diatur	`AnnotationSpec` diatur dalam resource API `AnnotationSpecSet`.	Tidak ada `AnnotationSpecSet`. Semua `AnnotationSpec` dikelola dalam `Dataset`.

Selain itu, ada fitur pelabelan data baru di Vertex AI:

Tugas pelabelan data biasanya diselesaikan oleh spesialis pemberi label Google. Sebagai alternatif, Anda dapat membuat kumpulan spesialis yang memungkinkan Anda mengelola tugas pelabelan data menggunakan tenaga kerja Anda sendiri untuk menyelesaikan tugas pelabelan, alih-alih menggunakan spesialis Google. Fitur ini saat ini hanya tersedia melalui permintaan API. Fitur ini tidak tersedia di Konsol Google Cloud.