Migrer vos applications vers Vertex AI

Vertex AI regroupe les services AI Platform et AutoML dans une interface utilisateur et une API unifiées pour simplifier le processus de création, d'entraînement et de déploiement de modèles de machine learning. Avec Vertex AI, vous pouvez passer plus rapidement des tests à la production, découvrir efficacement des modèles et des anomalies, améliorer les prédictions et la prise de décision, et rester agile face à l'évolution des priorités et des conditions du marché. Cette page vous aide à déterminer les modifications à effectuer lors de la migration de vos anciennes applications d'AutoML ou d'AI Platform vers Vertex AI.

Vertex AI est compatible avec toutes les fonctionnalités et modèles disponibles dans les anciennes versions AutoML et AI Platform. Toutefois, les bibliothèques clientes ne permettent pas la rétrocompatibilité avec les intégrations client. En d'autres termes, vous devez planifier la migration de vos ressources pour bénéficier des fonctionnalités Vertex AI.

Cette page compare les méthodes d'API employées pour effectuer des parcours utilisateurs courants afin que vous puissiez observer comment les applications de votre projet peuvent être mises à jour pour utiliser l'API Vertex AI.

Parcours utilisateurs courants

Sélectionnez l'onglet de votre produit, puis cliquez sur un parcours utilisateur afin de comparer les méthodes de l'API Vertex AI avec les méthodes d'API utilisées par vos applications existantes.

Ancien AutoML Natural Language

Cliquez sur l'un des parcours d'utilisateur suivants :

Ancien AutoML Natural Language : entraîner et déployer un modèle de classification de texte

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre l'ancien AutoML Natural Language et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Natural Language Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict

Haut de page

Ancien AutoML Natural Language : entraîner et déployer un modèle d'extraction d'entités textuelles

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre l'ancien AutoML Natural Language et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Natural Language Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict

Haut de page

Ancien AutoML Natural Language : entraîner et déployer un modèle de sentiment de texte

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre l'ancien AutoML Natural Language et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Natural Language Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict

Haut de page

Ancien AutoML Tables

Ancien AutoML Tables : entraîner et déployer un modèle

En savoir plus sur lesdifférences entre l'ancienne API AutoML et l'API Vertex AI, lire sur les Différences entre les anciens produits AutoML Tables et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Tables Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData
projects.locations.datasets.patch
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict

Haut de page

Ancien AutoML Video Intelligence

Cliquez sur l'un des parcours d'utilisateur suivants :

Ancien AutoML Video Intelligence : entraîner et déployer un modèle de suivi d'objets

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Video Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get

Haut de page

Ancien AutoML Video Intelligence : entraîner et déployer un modèle de classification de vidéos

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Video Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get

Haut de page

Ancienne version d'AutoML Vision

Cliquez sur l'un des parcours d'utilisateur suivants :

Ancien AutoML Vision : entraîner et déployer un modèle de classification d'images

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vision et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Vision Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict
Entraîner et exporter un modèle Edge projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
projects.locations.models.export projects.locations.models.export

Haut de page

Ancien AutoML Vision : entraîner et déployer un modèle de détection d'objets

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vision et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape Ancienne version d'AutoML Vision Vertex AI
Créer un ensemble de données projects.locations.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
Entraîner un modèle projects.locations.models.create projects.locations.trainingPipelines.create
projects.locations.trainingPipelines.get
Évaluer le modèle projects.locations.models.modelEvaluations.list projects.locations.models.evaluations.list
projects.locations.models.modelEvaluations.get projects.locations.models.evaluations.get
Effectuer des prédictions par lot projects.locations.models.batchPredict projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.locations.models.deploy projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.models.predict projects.locations.endpoints.predict

Haut de page

AI Platform

Cliquez sur l'un des parcours d'utilisateur suivants :

AI Platform : entraîner et déployer un modèle XGBoost avec des versions d'exécution hébergées

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape AI Platform Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.customJobs.create
projects.jobs.get projects.locations.customJobs.get
Déployer le modèle projects.models.create projects.locations.models.upload
projects.models.versions.create
Effectuer des prédictions par lot La prédiction par lot AI Platform n'est pas disponible pour XGBoost. projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.predict projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.endpoints.predict

Haut de page

AI Platform : entraîner et déployer un modèle scikit-learn avec des versions d'exécution hébergées

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape AI Platform Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.customJobs.create
projects.jobs.get projects.locations.customJobs.get
Déployer le modèle projects.models.create projects.locations.models.upload
projects.models.versions.create
Effectuer des prédictions par lot La prédiction par lot AI Platform n'est pas compatible avec scikit-learn. projects.locations.batchPredictionJobs.create
projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.predict projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.endpoints.predict

Haut de page

AI Platform : entraîner et déployer un modèle TensorFlow avec des conteneurs personnalisés

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape AI Platform Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.customJobs.create
projects.jobs.get projects.locations.customJobs.get
Déployer le modèle projects.models.create projects.locations.models.upload
projects.models.versions.create
Effectuer des prédictions par lot projects.jobs.create projects.locations.batchPredictionJobs.create
projects.jobs.get projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.predict projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.endpoints.predict

Haut de page

AI Platform : entraîner et déployer un modèle TensorFlow avec des versions d'exécution hébergées

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape AI Platform Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.customJobs.create
projects.jobs.get projects.locations.customJobs.get
Déployer le modèle projects.models.create projects.locations.models.upload
projects.models.versions.create
Effectuer des prédictions par lot projects.jobs.create projects.locations.batchPredictionJobs.create
projects.jobs.get projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.predict projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.endpoints.predict

Haut de page

Service d'étiquetage de données AI Platform : envoyer une tâche d'étiquetage de données

Prenez connaissance des différences entre le service d'étiquetage de données et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape service d'étiquetage de données Vertex AI
Créer un ensemble de données projects.datasets.create projects.locations.datasets.create
projects.locations.datasets.importData projects.locations.datasets.import
projects.locations.specialistPools.create
Créer une tâche d'étiquetage de données 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

Haut de page

AI Platform Prediction : envoyer une tâche de prédiction par lot pour un modèle TensorFlow hébergé

Prenez connaissance des différences entre les produits AI Platform Prediction et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape AI Platform Prediction Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.customJobs.create
projects.jobs.get projects.locations.customJobs.get
Déployer le modèle projects.models.create projects.locations.models.upload
projects.models.versions.create
Effectuer des prédictions par lot projects.jobs.create projects.locations.batchPredictionJobs.create
projects.jobs.get projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne projects.predict projects.locations.endpoints.create
projects.locations.endpoints.deployModel
projects.locations.endpoints.predict

Haut de page

AI Platform Training : envoyer un job d'entraînement des réglages d'hyperparamètres avec TensorFlow

Prenez connaissance des différences entre les produits AI Platform Training et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape AI Platform Training Vertex AI
Entraîner un modèle projects.jobs.create projects.locations.hyperparameterTuningJobs.create
projects.jobs.get projects.locations.hyperparameterTuningJobs.get

Haut de page

Étape suivante