Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Cette page décrit les interfaces que vous pouvez utiliser pour interagir avec Vertex AI et quand les utiliser. Vous pouvez utiliser ces interfaces avec l'une des solutions de notebook de Vertex AI.
Certaines opérations Vertex AI ne sont disponibles qu'à travers des interfaces spécifiques. Vous devrez donc peut-être basculer entre interfaces pendant votre workflow.
Par exemple, dans Vertex AI Experiments, vous devez utiliser l'API pour consigner les données dans une exécution de test, mais vous pouvez afficher les résultats dans la console.
Console
La console Google Cloud est une interface utilisateur graphique qui vous permet de travailler avec vos ressources de machine learning.
Dans la console Google Cloud, vous pouvez gérer vos ensembles de données gérés, vos modèles, vos points de terminaison et vos jobs. La console vous permet également d'accéder à d'autres services Google Cloud, tels que Cloud Storage et BigQuery.
Utilisez la console Google Cloud si vous préférez afficher et gérer vos ressources et vos visualisations Vertex AI via une interface utilisateur graphique.
Pour en savoir plus, consultez la page Tableau de bord de la section Vertex AI :
Utilisez Google Cloud CLI si vous souhaitez gérer vos ressources Vertex AI à partir de la ligne de commande, ou via des scripts et autres mécanismes d'automatisation.
Terraform est un outil IaC (Infrastructure as Code) qui vous permet de provisionner une infrastructure, comme les ressources et les autorisations, pour plusieurs services Google Cloud, y compris Vertex AI.
Vous pouvez définir les ressources et les autorisations Vertex AI pour votre projet Google Cloud dans un fichier de configuration Terraform. Vous pouvez ensuite utiliser Terraform pour appliquer la configuration à votre projet en créant de nouvelles ressources et en mettant à jour des ressources existantes.
Utilisez Terraform si vous souhaitez standardiser l'infrastructure des ressources Vertex AI dans votre projet Google Cloud et mettre à jour l'infrastructure existante du projet Google Cloud tout en respectant les dépendances de ressources.
Le SDK Vertex AI pour Python est semblable à la bibliothèque cliente Vertex AI pour Python, à la différence que le SDK est de niveau plus élevé et possède une précision moindre. Pour en savoir plus, consultez la section Comprendre les différences entre le SDK et la bibliothèque cliente.
Les bibliothèques clientes utilisent les conventions naturelles de chaque langage pris en charge pour appeler l'API Vertex AI et réduire le code récurrent que vous devez écrire.
Les langages suivants sont pris en charge pour Vertex AI :
Python. La bibliothèque cliente Vertex AI pour Python est installée lorsque vous installez le SDK Vertex AI pour Python.
L'API REST de Vertex AI fournit des services RESTful pour la gestion des jobs, des modèles et des points de terminaison, ainsi que pour la prédiction avec des modèles hébergés sur Google Cloud.
Utilisez l'API REST si vous devez utiliser vos propres bibliothèques pour appeler l'API Vertex AI depuis votre application.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/04 (UTC)."],[],[],null,["# Interfaces for Vertex AI\n\nThis page describes the interfaces that you can use to interact with\nVertex AI and when you should use them. You can use these interfaces\nalong with one of Vertex AI's\n[notebook solutions](/vertex-ai/docs/workbench/notebook-solution).\n\nSome Vertex AI operations are only available through specific\ninterfaces, so you may need to switch between interfaces during your workflow.\nFor example, in Vertex AI Experiments, you must use the API to log data\nto an experiment run, but you can view the results in the console. \n\n### Console\n\nThe Google Cloud console is a graphical user interface that you can use to\nwork with your machine learning resources.\n\nIn the Google Cloud console, you can manage your ,\nmodels, endpoints, and jobs. You can also access other Google Cloud services,\nsuch as Cloud Storage and BigQuery, through the console.\n\nUse the Google Cloud console if you prefer to view and manage your\nVertex AI resources and visualizations through a graphical user\ninterface.\n\nFor more information, see the **Dashboard** page of the Vertex AI section:\n\n[Go to the Dashboard](https://console.cloud.google.com/vertex-ai/)\n\n### gcloud\n\nThe [Google Cloud command-line interface (CLI)](/sdk/gcloud) is a set of tools for\ncreating and managing Google Cloud resources using the `gcloud` command.\n\nUse the Google Cloud CLI when you want to manage your Vertex AI\nresources from the command line or through scripts and other automation.\n\nFor more information, see [Install the gcloud CLI](/sdk/docs/install) and the\n[`gcloud ai`](/sdk/gcloud/reference/ai) reference.\n\n### Terraform\n\nTerraform is an (IaC) tool that you can use to\nprovision the infrastructure, such as resources and permissions, for multiple\nGoogle Cloud services, including Vertex AI.\n\nYou can define the Vertex AI resources and permissions for your Google Cloud\nproject in a Terraform configuration file. You can then use Terraform to apply\nthe configuration to your project by creating new resources and updating\nexisting resources.\n\nUse Terraform if you want to standardize the infrastructure for Vertex AI\nresources in your Google Cloud project and update the existing Google Cloud\nproject infrastructure while fulfilling resource dependencies.\n\nTo get started, see [Terraform support for Vertex AI](/vertex-ai/docs/start/use-terraform-vertex-ai).\n\n### Python\n\nUse the [Vertex AI SDK for Python](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk) to programmatically automate your\nVertex AI workflow.\n\nThe Vertex AI SDK for Python is similar to the Vertex AI Python client\nlibrary, except the SDK is higher-level and less granular. For more\ninformation, see the [Understand the SDK and client library\ndifferences](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk#sdk-vs-client-library).\n\nTo get started, see [Install the Vertex AI SDK](/vertex-ai/docs/start/install-sdk).\n\n### Client libraries\n\nClient libraries use each supported language's natural conventions to call the\nVertex AI API and reduce boilerplate code that you have to write.\n\nThe following languages are supported for Vertex AI:\n\n- Python. The Vertex AI Python client library is installed when you\n install the [Vertex AI SDK for Python](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk).\n\n- Java\n\n- Node.js\n\n- C#\n\n- Go\n\nFor more information, see [Install the Vertex AI client libraries](/vertex-ai/docs/start/client-libraries).\n\n### REST\n\nThe Vertex AI REST API provides RESTful services for managing jobs,\nmodels, and endpoints, and for making inferences with hosted models\non Google Cloud.\n\nUse the REST API if you need to use your own libraries to call the\nVertex AI API from your application.\n\nTo get started, see the [Vertex AI API REST reference](/vertex-ai/docs/reference/rest).\n\nWhat's next\n-----------\n\n- [Set up a project and a development environment](/vertex-ai/docs/start/cloud-environment).\n- [Choose a training method](/vertex-ai/docs/start/training-methods).\n- Tutorials for [Image](/vertex-ai/docs/tutorials/image-classification-automl/overview), [Tabular](/vertex-ai/docs/tutorials/tabular-automl/overview), and [Custom training](/vertex-ai/docs/tutorials/image-classification-custom/overview).\n- Learn [best practices for implementing custom-trained ML models on\n Vertex AI](/architecture/ml-on-gcp-best-practices)."]]
