AI Platform 사용자용 Vertex AI

Vertex AI는 AI Platform과 AutoML을 하나의 인터페이스로 통합합니다. 이 페이지에서는 AI Platform에 익숙한 사용자를 위해 Vertex AI 및 AI Platform을 비교합니다.

커스텀 학습

Vertex AI를 사용하면 AutoML로 모델을 학습시키거나 AI Platform Training과 유사한 워크플로인 커스텀 학습을 수행할 수 있습니다.

작업	AI Platform Training	Vertex AI
사용할 머신러닝 프레임워크 버전을 선택하세요.	Google Cloud Console 사용자는 프레임워크 이름과 프레임워크 버전을 설정합니다.
사용할 머신러닝 프레임워크 버전을 선택하세요.	런타임 버전 - 학습 작업을 제출할 때 원하는 프레임워크와 프레임워크 버전이 포함된 런타임 버전 수를 지정합니다.	사전 빌드된 컨테이너 - 커스텀 학습 작업을 제출할 때 프레임워크 및 프레임워크 버전에 해당하는 사전 빌드된 컨테이너의 Artifact Registry URI를 지정합니다.
커스텀 컨테이너를 사용하여 학습 작업 제출	커스텀 컨테이너를 빌드하고 Artifact Registry에서 호스팅한 후 이를 사용하여 학습 앱을 실행합니다.
사용할 Google Cloud 리전 설정	학습 작업을 전역 엔드포인트(`ml.googleapis.com`)에 제출할 때 리전 이름을 지정합니다.	커스텀 학습 작업을 `us-central1-aiplatform.googleapis.com`과 같은 리전 엔드포인트에 제출합니다. 전역 엔드포인트가 없습니다. AI Platform에서 사용할 수 있는 일부 리전은 Vertex AI에서 사용할 수 없습니다. 위치 페이지에서 지원되는 리전 목록을 참조하세요.
분산 학습용 머신 구성 지정	학습 클러스터의 특정 역할(`masterConfig`, `workerConfig`, `parameterServerConfig`, `evaluatorConfig`)에 따라 이름이 지정된 구성을 지정합니다.	구성은 일반 목록입니다. `CustomJobSpec.workerPoolSpecs[]`에서 머신 구성을 지정합니다.
Python 패키지를 사용하여 학습 작업 제출	Python 패키지와 관련된 필드는 `TrainingInput` 내의 최상위 수준입니다.	Python 패키지와 관련된 필드는 `pythonPackageSpec` 내에 구성됩니다.
머신 유형 지정	학습 작업을 만들 때 사용 가능한 머신 유형을 지정합니다. GPU와 TPU가 모두 지원됩니다.	기존 머신 유형과 확장 등급은 지원되지 않습니다. 최신 Compute Engine 머신 유형을 사용할 수 있습니다. GPU와 TPU가 모두 지원됩니다.
초매개변수 미세 조정 작업 제출	`hyperparameters` 구성으로 학습 작업을 제출합니다. 학습 작업의 초매개변수 조정 여부에 관계없이 `TrainingJob` API 리소스가 생성됩니다.	`studySpec` 구성으로 초매개변수 조정 작업을 제출합니다. 최상위 수준 API 리소스(`HyperparameterTuningJob`)가 생성됩니다. 초매개변수 조정 없이 제출된 커스텀 학습 작업은 최상위 수준 `CustomJob` API 리소스를 만듭니다.
학습 파이프라인을 만들어 다른 작업으로 학습 작업 조정	조정을 위한 기본 제공 API 리소스가 없으므로 AI Platform 파이프라인, Kubeflow 또는 다른 조정 도구를 사용합니다.	`TrainingPipeline` 리소스를 만들어 모델 배포로 학습 작업을 조정합니다.

예측

작업	AI Platform Prediction	Vertex AI
사용할 머신러닝 프레임워크 버전을 선택하세요.	Google Cloud Console 사용자는 프레임워크 이름과 프레임워크 버전을 설정합니다.
사용할 머신러닝 프레임워크 버전을 선택하세요.	런타임 버전 - 모델을 배포할 때 원하는 프레임워크와 프레임워크 버전이 포함된 런타임 버전 수를 지정합니다.	사전 빌드된 컨테이너 - 모델을 배포할 때 프레임워크 및 프레임워크 버전에 해당하는 사전 빌드된 컨테이너의 Artifact Registry URI를 지정합니다. 리전 엔드포인트와 일치하는 멀티 리전 옵션을 사용합니다(예: `us-central1` 엔드포인트의 경우 `us-docker.pkg.dev`).
예측을 사용하여 커스텀 코드 실행	커스텀 예측 루틴을 사용합니다.	Vertex AI에서 커스텀 예측 루틴을 사용합니다.
사용할 Google Cloud 리전 설정	전역 API 엔드포인트(`ml.googleapis.com`)에서 모델을 만들 때 리전 이름을 지정합니다.	`us-central1-aiplatform.googleapis.com`과 같은 리전 엔드포인트에서 모델을 만듭니다. 전역 엔드포인트가 없습니다. AI Platform에서 사용할 수 있는 일부 리전은 Vertex AI에서 사용할 수 없습니다. 위치 페이지에서 지원되는 리전 목록을 참조하세요.
모델 아티팩트 저장	모델 아티팩트는 Cloud Storage에 저장됩니다. 모델 아티팩트에는 연결된 API 리소스가 없습니다.	모델 아티팩트에 사용 가능한 관리형 모델 스토리지가 있으며 이는 `Model` 리소스와 연결됩니다. Vertex AI 관리형 데이터 세트를 사용하지 않고도 Cloud Storage에 저장된 모델을 배포할 수 있습니다.
모델 배포	모델을 온라인 예측에 사용할 수 있도록 직접 배포합니다.	온라인 예측을 제공하기 위한 리소스를 제공하는 Endpoint 객체를 만듭니다. 그런 다음 모델을 엔드포인트에 배포합니다. 예측을 요청하려면 `predict()` 메서드를 호출합니다.
일괄 예측 요청	Cloud Storage에 저장된 모델에 대한 일괄 예측을 요청하고 요청에 런타임 버전을 지정할 수 있습니다. 또는 배포된 모델에서 일괄 예측을 요청하고 모델 배포 중에 지정된 런타임 버전을 사용할 수 있습니다.	Vertex AI에 모델을 업로드한 다음 사전 빌드된 컨테이너 또는 커스텀 컨테이너를 지정하여 예측을 제공합니다.
온라인 예측 요청	JSON 구조에는 인스턴스 목록이 포함됩니다.	JSON 구조에는 인스턴스 목록과 매개변수 필드가 포함됩니다.
머신 유형 지정	버전을 만들 때 사용 가능한 머신 유형을 지정합니다.	AI Platform(MLS1)의 기존 온라인 예측 머신 유형은 지원되지 않습니다. Compute Engine 머신 유형만 사용할 수 있습니다.
모델 배포	모델 리소스를 만든 다음 버전 리소스를 만듭니다.	모델 리소스를 만들고 엔드포인트 리소스를 만든 후 모델을 엔드포인트에 배포합니다. 엔드포인트에서 트래픽 분할을 지정합니다.

Vertex Explainable AI

AI Platform용 및 Vertex Explainable AI용 AI Explanations에서 테이블 형식 및 이미지 모델에 대한 특성 기여 분석을 얻을 수 있습니다.

작업	AI Platform용 AI Explanations	Vertex Explainable AI
테이블 형식 모델의 특성 기여 분석을 가져옵니다.	Sampled Shapley 또는 통합 경사를 사용하여 테이블 형식 모델의 특성 기여 분석을 가져옵니다.
이미지 모델의 특성 기여 분석을 가져옵니다.	통합 경사 또는 XRAI를 사용하여 이미지 모델의 특성 기여 분석을 가져옵니다.

데이터 라벨 지정

API의 몇 가지 변경사항과 함께 AI Platform 데이터 라벨링 서비스를 사용할 수 있습니다.

작업 / 개념	AI Platform 데이터 라벨링 서비스	Vertex AI의 데이터 라벨링
데이터 라벨러용 안내 제출	안내(PDF 파일)는 Cloud Storage에 저장되고 `Instruction` API 리소스와 연결됩니다.	안내는(PDF 파일)는 Cloud Storage에 저장되지만 안내만을 위한 API 리소스는 없습니다. `DataLabelingJob` API 리소스를 만들 때 안내 파일의 Cloud Storage URI를 지정합니다.
주석이 달린 데이터 세트	`AnnotatedDataset` API 리소스가 있습니다.	`AnnotatedDataset` API 리소스가 없습니다.
`AnnotationSpec` 구성 방식	`AnnotationSpec`은 `AnnotationSpecSet` API 리소스 아래에 구성됩니다.	`AnnotationSpecSet`이 없습니다. 모든 `AnnotationSpec`은 `Dataset` 아래에 구성됩니다.

또한 Vertex AI에는 새로운 데이터 라벨링 기능이 있습니다.

데이터 라벨링 작업은 일반적으로 Google 전문 라벨러가 완료합니다. 또는 Google 전문가를 사용하지 않고 전문가 풀을 만들어 라벨링 작업을 완료하는 데 자체 인력을 사용하여 데이터 라벨링 작업을 관리할 수 있습니다. 이 기능은 현재 API 요청을 통해서만 제공됩니다. Google Cloud Console에서는 사용할 수 없습니다.