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 applications d'AutoML ou d'AI Platform vers Vertex AI.
Vertex AI est compatible avec toutes les fonctionnalités et modèles disponibles dans 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.
AutoML Natural Language
Cliquez sur l'un des parcours d'utilisateur suivants :
AutoML Natural Language : entraîner et déployer un modèle de classification de texte
AutoML Natural Language : entraîner et déployer un modèle d'extraction d'entités textuelles
AutoML Natural Language : entraîner et déployer un modèle de sentiment de texte
AutoML Natural Language : entraîner et déployer un modèle de classification de texte
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre AutoML Natural Language et les produits d'IA Vertex. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Natural Language : entraîner et déployer un modèle d'extraction d'entités textuelles
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre AutoML Natural Language et les produits d'IA Vertex. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Natural Language : entraîner et déployer un modèle de sentiment de texte
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre AutoML Natural Language et les produits d'IA Vertex. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Tables
AutoML Tables : entraîner et déployer un modèle
En savoir plus sur lesdifférences entre l'API AutoML et l'API Vertex AI, lire sur les Différences entre les produits AutoML Tables et les produits d'IA Vertex , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Video Intelligence
Cliquez sur l'un des parcours d'utilisateur suivants :
AutoML Video Intelligence : entraîner et déployer un modèle de suivi d'objets
AutoML Video Intelligence : entraîner et déployer un modèle de classification de vidéos
AutoML Video Intelligence : entraîner et déployer un modèle de suivi d'objets
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre les produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Video Intelligence : entraîner et déployer un modèle de classification de vidéos
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre les produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
AutoML Vision
Cliquez sur l'un des parcours d'utilisateur suivants :
AutoML Vision : entraîner et déployer un modèle de classification d'images
AutoML Vision : entraîner et déployer un modèle de détection d'objets
AutoML Vision : entraîner et déployer un modèle de classification d'images
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre les produits AutoML Vision et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
AutoML Vision : entraîner et déployer un modèle de détection d'objets
Découvrez les différences entre l'API AutoML et l'API Vertex AI, consultez les différences entre les produits AutoML Vision et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.
Étape | 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 |
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
AI Platform : entraîner et déployer un modèle scikit-learn avec des versions d'exécution hébergées
AI Platform : entraîner et déployer un modèle TensorFlow avec des conteneurs personnalisés
AI Platform : entraîner et déployer un modèle TensorFlow avec des versions d'exécution hébergées
Service d'étiquetage de données AI Platform : envoyer une tâche d'étiquetage de données
AI Platform Prediction : envoyer une tâche de prédiction par lot pour un modèle TensorFlow hébergé
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 |
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 |
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 |
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 |
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 |
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 |
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 |
Étape suivante
- Pour commencer à utiliser Vertex AI, consultez la section Configurer un projet et un environnement de développement.