Vertex AI 将 AI Platform 和 AutoML 整合到一个界面中。本页面为熟悉 AI Platform 的用户比较 Vertex AI 和 AI Platform。
自定义训练
借助 Vertex AI，您可以使用 AutoML 训练模型，也可以执行自定义训练（这是与 AI Platform Training 更类似的工作流）。
| 任务 | AI Platform Training | Vertex AI |
|---|---|---|
| 选择要使用的机器学习框架版本 | Google Cloud 控制台用户需要设置框架名称和框架版本。 | |
| 运行时版本 - 提交训练作业时，请指定包含所需框架和框架版本的运行时版本数。 | 预构建容器 - 提交自定义训练作业时，请指定对应于框架和框架版本的预构建的容器的 Artifact Registry URI。 | |
| 使用自定义容器提交训练作业 | 构建您自己的自定义容器，将其托管在 Artifact Registry 上，并用它来运行您的训练应用。 | |
| 设置要使用的 Google Cloud 区域 | 将训练作业提交到全局端点 (ml.googleapis.com) 时指定区域的名称。 |
将自定义训练作业提交到区域性端点，例如 us-central1-aiplatform.googleapis.com。没有全局端点。AI Platform 中可用的某些区域在 Vertex AI 中不可用。请参阅“位置”页面上的受支持区域列表。 |
| 为分布式训练指定机器配置 | 指定在指定训练集群角色（masterConfig、workerConfig、parameterServerConfig 和 evaluatorConfig）后命名的配置。 |
配置是通用列表 - 在 CustomJobSpec.workerPoolSpecs[] 中指定机器配置。 |
| 使用 Python 软件包提交训练作业 | 与 Python 软件包相关的字段在 TrainingInput 中是顶级。 |
与 Python 软件包相关的字段在 pythonPackageSpec 中进行组织。 |
| 指定机器类型 |
|
|
| 提交超参数调节作业 |
提交具有 hyperparameters 配置的训练作业。无论训练作业是否进行超参数调节，它都会创建 TrainingJob API 资源。 |
提交使用 studySpec 配置的超参数调节作业。这会创建一个顶级 API 资源 (HyperparameterTuningJob)。提交未进行超参数调节的自定义训练作业会创建顶层 CustomJob API 资源。 |
| 创建训练流水线，以通过其他操作编排训练作业 | 没有用于编排的内置 API 资源；使用 AI Platform Pipelines、Kubeflow 或其他编排工具。 | 创建 TrainingPipeline 资源，以通过模型部署来编排训练作业。 |
预测
| 任务 | AI Platform Prediction | Vertex AI |
|---|---|---|
| 选择要使用的机器学习框架版本 | Google Cloud 控制台用户需要设置框架名称和框架版本。 | |
| 运行时版本 - 部署模型时，请指定包含所需框架和框架版本的运行时版本数。 | 预构建容器 - 部署模型时，请指定与您的框架和框架版本相对应的预构建容器的 Artifact Registry URI。使用与您的区域端点匹配的多区域选项 - 例如，对于 us-central1 端点，请使用 us-docker.pkg.dev。 |
|
| 运行带有预测的自定义代码 | 使用自定义预测例程。 | 在 Vertex AI 上使用定义预测例程。 |
| 设置要使用的 Google Cloud 区域 | 在全局 API 端点 (ml.googleapis.com) 上创建模型时，指定区域的名称。 |
在区域端点上创建模型，例如 us-central1-aiplatform.googleapis.com。没有全局端点。AI Platform 中可用的某些区域在 Vertex AI 中不可用。请参阅“位置”页面上的受支持区域列表。 |
| 存储模型工件 | 模型工件存储在 Cloud Storage 中。模型工件没有关联的 API 资源。 | 模型工件可使用托管式模型存储空间，并与 Model 资源相关联。在不使用 Vertex AI 托管数据集的情况下，您仍然可以部署存储在 Cloud Storage 中的模型。 |
| 模型部署 | 直接部署模型使其可用于在线预测。 |
您可以创建一个端点对象，以提供用于提供在线预测的资源。然后，将模型部署到端点。调用 predict() 方法来请求预测。 |
| 请求批量预测 | 您可以请求对存储在 Cloud Storage 中的模型进行批量预测，并在请求中指定运行时版本。或者，您也可以对已部署的模型请求批量预测，并使用您在模型部署期间指定的运行时版本。 | 您将模型上传到 Vertex AI，然后指定预构建容器或自定义容器以执行预测。 |
| 在线预测请求数 | JSON 结构包含一个实例列表。 | JSON 结构包含实例列表和参数字段。 |
| 指定机器类型 | 创建版本时，请指定任何可用机器类型。 | 不支持来自 AI Platform 的旧版在线预测机器类型 (MLS1)。只有 Compute Engine 机器类型可用。 |
| 部署模型 | 创建模型资源，然后创建版本资源。 | 创建模型资源，创建端点资源，然后将模型部署到端点。在端点中指定流量拆分。 |
Vertex Explainable AI
您可以在 AI Explanations for AI Platform 和 Vertex Explainable AI 中获取表格和图片模型的特征归因。
| 任务 | AI Explanations for AI Platform | Vertex Explainable AI |
|---|---|---|
| 获取表格模型的特征归因 | 使用采样 Shapley 或积分梯度获取表格模型的特征归因。 | |
| 获取图片模型的特征归因 | 使用积分梯度或 XRAI 获取图片模型的特征归因。 | |
为数据加标签
只需对 API 进行一些更改，即可使用 AI Platform 数据标签服务：
| 任务/概念 | AI Platform Data Labeling Service | 在 Vertex AI 中为数据加标签 |
|---|---|---|
| 为数据标记者提交说明 | 您的指令（PDF 文件）存储在 Cloud Storage 中并与 Instruction API 资源关联。 |
说明（PDF 文件）存储在 Cloud Storage 中，但没有 API 资源的说明。创建 DataLabelingJob API 资源时，指定说明文件的 Cloud Storage URI。 |
| 已添加注释的数据集 | 有 AnnotatedDataset API 资源。 |
没有 AnnotatedDataset API 资源。 |
AnnotationSpec 的组织结构 |
AnnotationSpec 按 AnnotationSpecSet API 资源组织。 |
没有 AnnotationSpecSet。所有 AnnotationSpec 都按 Dataset 进行组织。 |
此外，Vertex AI 中新增了一项为数据加标签功能：
数据标签任务通常由 Google 的专家标签添加者完成。作为替代方案，您可以创建一个专家池，从而使用自己的员工来管理数据加标签任务，而不是使用 Google 的专家。此功能目前仅通过 API 请求提供。Google Cloud 控制台不支持此功能。