Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons. Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons.

Vertex AI pour les utilisateurs d'AI Platform

Vertex AI regroupe AI Platform et AutoML en une seule interface. Cette page compare Vertex AI et AI Platform pour les utilisateurs familiarisés avec AI Platform.

Entraînement personnalisé

Avec Vertex AI, vous pouvez entraîner des modèles avec AutoML ou procéder à un entraînement personnalisé dont le workflow ressemble plus à AI Platform Training.

Tâche	AI Platform Training	Vertex AI
Sélectionner la version du framework de machine learning à utiliser	Les utilisateurs de Google Cloud Console définissent le nom du framework et la version du framework.
	Versions d'exécution : lorsque vous envoyez un job d'entraînement, spécifiez le numéro d'une version d'exécution incluant le framework et la version du framework souhaités.	Conteneurs prédéfinis : lorsque vous envoyez un job d'entraînement personnalisé, spécifiez l'URI Artifact Registry d'un conteneur prédéfini correspondant à votre framework et à votre version de framework.
Envoyer un job d'entraînement à l'aide d'un conteneur personnalisé	Créez votre propre conteneur personnalisé, hébergez-le sur Artifact Registry et utilisez-le pour exécuter votre application d'entraînement.
Définir la région Google Cloud à utiliser	Indiquez le nom d'une région lorsque vous envoyez une tâche d'entraînement à un point de terminaison global (`ml.googleapis.com`).	Envoyez votre tâche d'entraînement personnalisée à un point de terminaison régional, comme par exemple `us-central1-aiplatform.googleapis.com`. Il n'existe pas de point de terminaison global. Certaines régions disponibles dans AI Platform ne sont pas disponibles dans Vertex AI. Consultez la liste des régions disponibles sur la page "Emplacements".
Spécifier des configurations de machines pour l'entraînement distribué	Spécifiez les configurations nommées en fonction de rôles spécifiques de votre cluster d'entraînement (`masterConfig`, `workerConfig`, `parameterServerConfig` et `evaluatorConfig`).	La configuration est une liste générique. Spécifiez des configurations de machines dans `CustomJobSpec.workerPoolSpecs[]`.
Envoyer une tâche d'entraînement à l'aide d'un package Python	Les champs liés à votre package Python sont de premier niveau dans `TrainingInput`.	Les champs liés à votre package Python sont organisés dans `pythonPackageSpec`.
Spécifier les types de machines	Spécifiez n'importe quel type de machine disponible lors de la création d'une tâche d'entraînement. Les GPU et les TPU sont compatibles.	Les anciens types de machines et les niveaux d'évolutivité ne sont pas compatibles. Des types de machines Compute Engine plus récents sont disponibles. Les GPU et les TPU sont compatibles.
Envoyer une tâche de réglage d'hyperparamètres	Envoyez une tâche d'entraînement avec une configuration `hyperparameters`. Qu'une tâche d'entraînement soit envoyée avec ou sans réglage d'hyperparamètres, elle crée une ressource d'API `TrainingJob`.	Envoyez une tâche de réglage d'hyperparamètres avec une configuration `studySpec`. Cela crée une ressource d'API de premier niveau (`HyperparameterTuningJob`). Les tâches d'entraînement personnalisées envoyées sans réglage d'hyperparamètres créent une ressource d'API de niveau supérieur `CustomJob`.
Créer un pipeline d'entraînement pour orchestrer des tâches d'entraînement avec d'autres opérations	Aucune ressource API intégrée pour l'orchestration. Il faut utiliser AI Platform Pipelines, Kubeflow ou un autre outil d'orchestration.	Créez une ressource `TrainingPipeline` pour orchestrer une tâche d'entraînement avec déploiement de modèle.

Prédiction

Tâche	AI Platform Prediction	Vertex AI
Sélectionner la version du framework de machine learning à utiliser	Les utilisateurs de Google Cloud Console définissent le nom du framework et la version du framework.
	Versions d'exécution : lorsque vous déployez un modèle, spécifiez le numéro d'une version d'exécution incluant le framework et la version du framework souhaités.	Conteneurs prédéfinis : lorsque vous déployez un modèle, spécifiez l'URI Artifact Registry d'un conteneur prédéfini correspondant à votre framework et à votre version de framework. Utilisez l'option multirégionale correspondant à votre point de terminaison régional. Par exemple, `us-docker.pkg.dev` pour un point de terminaison `us-central1`.
Exécuter du code personnalisé avec prédiction	Utilisez des routines de prédiction personnalisées.	Utilisez des routines de prédiction personnalisées sur Vertex AI.
Définir la région Google Cloud à utiliser	Indiquez le nom d'une région lorsque vous créez un modèle sur un point de terminaison d'API global (`ml.googleapis.com`).	Créez votre modèle sur un point de terminaison régional, tel que `us-central1-aiplatform.googleapis.com`. Il n'existe pas de point de terminaison global. Certaines régions disponibles dans AI Platform ne sont pas disponibles dans Vertex AI. Consultez la liste des régions disponibles sur la page "Emplacements".
Stocker des artefacts de modèles	Les artefacts de modèle sont stockés dans Cloud Storage. Il n'existe aucune ressource d'API associée pour les artefacts de modèle.	Un espace de stockage de modèle géré est disponible pour les artefacts de modèle et est associé à la ressource `Model`. Vous pouvez toujours déployer des modèles stockés dans Cloud Storage sans utiliser d'ensemble de données géré Vertex AI.
Déploiement du modèle	Déployez un modèle directement pour le rendre disponible pour les prédictions en ligne.	Créez un objet de point de terminaison qui fournit des ressources permettant de diffuser des prédictions en ligne. Déployez ensuite le modèle sur le point de terminaison. Pour demander des prédictions, appelez la méthode `predict()`.
Demander des prédictions par lot	Vous pouvez demander des prédictions par lots sur des modèles stockés dans Cloud Storage et spécifier une version d'exécution dans votre requête. Vous pouvez également demander des prédictions par lots sur des modèles déployés et utiliser la version d'exécution que vous avez spécifiée lors du déploiement du modèle.	Importez votre modèle dans Vertex AI, puis spécifiez un conteneur prédéfini ou un conteneur personnalisé pour diffuser les prédictions.
Requêtes de prédiction en ligne	La structure JSON inclut une liste d'instances.	La structure JSON inclut une liste d'instances et un champ pour les paramètres.
Spécifier les types de machines	Spécifiez le type de machine disponible lorsque vous créez une version.	Les anciens types de machines de prédiction en ligne d'AI Platform (MLS1) ne sont pas compatibles. Seuls les types de machines Compute Engine sont disponibles.
Déployer des modèles	Créez une ressource de modèle, puis créez une ressource de version.	Créez une ressource de modèle, créez une ressource de point de terminaison et déployez le modèle sur le point de terminaison Spécifiez la répartition du trafic dans le point de terminaison.

Vertex Explainable AI

Vous pouvez obtenir des attributions de caractéristiques pour des modèles tabulaires et d'images dans AI Explanations pour AI Platform et Vertex Explainable AI.

Tâche	AI Explanations pour AI Platform	Vertex Explainable AI
Obtenir des attributions de caractéristiques pour des modèles tabulaires	Utilisez l'échantillonnage des valeurs de Shapley ou des gradients intégrés pour obtenir des attributions de caractéristiques pour des modèles tabulaires.
Obtenir des attributions de fonctionnalités pour des modèles d'images	Utilisez des gradients intégrés ou XRAI pour obtenir des attributions de caractéristiques pour les modèles d'images.

Ajout d'étiquettes aux données

Le service d'étiquetage de données AI Platform est disponible avec quelques modifications de l'API :

Tâche/Concept	Service d'étiquetage de données AI Platform	Ajout d'étiquettes dans Vertex AI
Envoyer des instructions pour les étiqueteurs de données	Vos instructions sont stockées sous forme de fichier PDF dans Cloud Storage et associées à une ressource d'API `Instruction`.	Vos instructions sont stockées sous forme de fichier PDF dans Cloud Storage mais il n'y a pas de ressource d'API réservée aux instructions. Spécifiez l'URI Cloud Storage de votre fichier d'instructions lorsque vous créez une ressource d'API `DataLabelingJob`.
Ensembles de données annotés	Il existe une ressource d'API `AnnotatedDataset`.	Il n'existe pas de ressource d'API `AnnotatedDataset`.
Organisation des `AnnotationSpec`	Les méthodes `AnnotationSpec` sont organisées sous une ressource d'API `AnnotationSpecSet`.	Il n'existe pas de `AnnotationSpecSet`. Toutes les `AnnotationSpec` sont organisées sous `Dataset`.

En outre, nous proposons une nouvelle fonctionnalité d'étiquetage de données sur Vertex AI :

Les tâches d'étiquetage de données sont généralement réalisées par des spécialistes Google. Vous pouvez également créer un pool de spécialistes afin de gérer les tâches d'étiquetage de données en utilisant votre propre personnel plutôt que d'avoir recours aux spécialistes de Google. Cette fonctionnalité n'est actuellement disponible que via une requête API. Elle n'est pas disponible dans Google Cloud Console.