Anwendungen zu Vertex AI migrieren

Vertex AI fasst AI Platform- und AutoML-Dienste unter einer einheitlichen Benutzeroberfläche und API zusammen, um das Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen zu vereinfachen. Mit Vertex AI können Sie schneller von der Experimentierphase zur Produktion übergehen, Muster und Anomalien effizient erkennen, bessere Vorhersagen und Entscheidungen treffen und bei sich ändernden Prioritäten und Marktbedingungen flexibel bleiben. Diese Seite hilft Ihnen, die Änderungen zu bestimmen, die Sie bei der Migration Ihrer Anwendungen von AutoML oder AI Platform zu Vertex AI vornehmen müssen.

Vertex AI unterstützt alle in AutoML und AI Platform verfügbaren Features und Modelle. Die Clientbibliotheken bieten jedoch keine Abwärtskompatibilität für die Clientintegration. Wenn Sie von den Features von Vertex AI profitieren möchten, müssen Sie die Migration Ihrer Ressourcen entsprechend planen.

Auf dieser Seite werden die API-Methoden verglichen, die zum Ausführen allgemeiner Nutzerpfade verwendet werden, damit Sie sehen können, wie die Anwendungen Ihres Projekts für die Verwendung der Vertex AI API aktualisiert werden können.

Häufige Kaufprozesse

Klicken Sie auf den Tab für Ihr Produkt und dann auf einen Nutzerpfad, um zu sehen, wie die API-Methoden von Vertex AI im Vergleich zu den von Ihren vorhandenen Anwendungen verwendeten API-Methoden verfahren werden.

AutoML Natural Language

Klicken Sie auf einen der folgenden Kaufprozesse:

AutoML Natural Language: Trainieren und Bereitstellen eines Textklassifizierungsmodells
AutoML Natural Language: Modell zur Extraktion von Textentitäten trainieren und bereitstellen
AutoML Natural Language: Trainieren und Bereitstellen eines Text-Sentimentmodells

AutoML Natural Language: Trainieren und Bereitstellen eines Textklassifizierungsmodells

Lesen Sie mehr zu den Unterschieden zwischen der AutoML API und der Vertex AI API und den Unterschieden zwischen AutoML Natural Language- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	AutoML Natural Language	Vertex AI
Dataset erstellen	`projects.locations.datasets.create`	`projects.locations.datasets.create`
Dataset erstellen	`projects.locations.datasets.importData`	`projects.locations.datasets.import`
Modell trainieren	`projects.locations.models.create`	`projects.locations.trainingPipelines.create`
Modell trainieren	`projects.locations.models.create`	`projects.locations.trainingPipelines.get`
Modell bewerten	`projects.locations.models.modelEvaluations.list`	`projects.locations.models.evaluations.list`
Modell bewerten	`projects.locations.models.modelEvaluations.get`	`projects.locations.models.evaluations.get`
Batchvorhersagen treffen	`projects.locations.models.batchPredict`	`projects.locations.batchPredictionJobs.create`
Batchvorhersagen treffen	`projects.locations.models.batchPredict`	`projects.locations.batchPredictionJobs.get`
Onlinevorhersagen treffen	`projects.locations.models.deploy`	`projects.locations.endpoints.create`
	`projects.locations.models.deploy`	`projects.locations.endpoints.deployModel`
	`projects.locations.models.predict`	`projects.locations.endpoints.predict`

Schritt	AI Platform	Vertex AI
Modell trainieren	`projects.jobs.create`	`projects.locations.customJobs.create`
Modell trainieren	`projects.jobs.get`	`projects.locations.customJobs.get`
Modell bereitstellen	`projects.models.create`	`projects.locations.models.upload`
Modell bereitstellen	`projects.models.versions.create`	`projects.locations.models.upload`
Batchvorhersagen treffen	Die AI Platform-Batchvorhersage wird für XGBoost nicht unterstützt.	`projects.locations.batchPredictionJobs.create`
Batchvorhersagen treffen		`projects.locations.batchPredictionJobs.get`
Onlinevorhersagen treffen	`projects.predict`	`projects.locations.endpoints.create`
		`projects.locations.endpoints.deployModel`
		`projects.locations.endpoints.predict`

Schritt	Data Labeling Service	Vertex AI
Dataset erstellen	`projects.datasets.create`	`projects.locations.datasets.create`
	`projects.locations.datasets.importData`	`projects.locations.datasets.import`
	`projects.locations.datasets.importData`	`projects.locations.specialistPools.create`
Data Labeling-Job erstellen	`projects.annotationSpecSets.create`	`projects.locations.dataLabelingJobs.create`
	`projects.instructions.create`
	`projects.datasets.image.label`
	`projects.operations.get`	`projects.locations.dataLabelingJobs.get`
	`projects.operations.cancel`	`projects.locations.dataLabelingJobs.cancel`

Schritt	AI Platform Training	Vertex AI
Modell trainieren	`projects.jobs.create`	`projects.locations.hyperparameterTuningJobs.create`
Modell trainieren	`projects.jobs.get`	`projects.locations.hyperparameterTuningJobs.get`

Anwendungen zu Vertex AI migrieren

Häufige Kaufprozesse

AutoML Natural Language

AutoML Natural Language: Trainieren und Bereitstellen eines Textklassifizierungsmodells

AutoML Natural Language: Modell zur Extraktion von Textentitäten trainieren und bereitstellen

AutoML Natural Language: Trainieren und Bereitstellen eines Text-Sentimentmodells

AutoML Tables

AutoML Tables: Modell trainieren und bereitstellen

AutoML Video Intelligence

AutoML Video Intelligence: Ein Objekt-Tracking-Modell trainieren und bereitstellen

AutoML Video Intelligence: Videoklassifizierungsmodell trainieren und bereitstellen

AutoML Vision

AutoML Vision: Bildklassifizierungsmodell trainieren und bereitstellen

AutoML Vision: Objekterkennungsmodell trainieren und bereitstellen

AI Platform

AI Platform: Trainieren und Bereitstellen eines XGBoost-Modells mit gehosteten Laufzeitversionen

AI Platform: scikit-learn-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen.

AI Platform: TensorFlow-Modell mit benutzerdefinierten Containern trainieren und bereitstellen

AI Platform: TensorFlow-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen

AI Platform Data Labeling Service: Aufgaben zur Labelerstellung für Daten senden

AI Platform Prediction: Batchvorhersagejob für ein gehostetes TensorFlow-Modell senden

AI Platform Training: Trainingsjob zur Hyperparameter-Abstimmung mit TensorFlow senden

Nächste Schritte