Migre seus aplicativos para a Vertex AI

A Vertex AI une os serviços da AI Platform e do AutoML legados em uma UI e API unificadas para simplificar o processo de criação, treinamento e implantação de modelos de machine learning. Com a Vertex AI, é possível passar da experimentação para a produção com mais rapidez, descobrir padrões e anomalias de forma eficiente, fazer previsões e tomar decisões melhores e manter a agilidade diante de mudanças nas prioridades e condições de mercado. Esta página exibe as alterações necessárias ao migrar aplicativos do AutoML ou do AI Platform legados para a Vertex AI.

A Vertex AI é compatível com todos os recursos e modelos disponíveis no AutoML legado e na AI Platform. No entanto, as bibliotecas de cliente não são compatíveis com versões anteriores à integração do cliente. Em outras palavras, você precisa planejar a migração dos seus recursos para aproveitar os recursos da Vertex AI.

Também comparamos os métodos de API usados para concluir as jornadas comuns dos usuários. Dessa maneira, você verá como os aplicativos do seu projeto são atualizados para usar a API Vertex AI.

Jornadas comuns dos usuários

Selecione a guia do produto e clique em uma jornada do usuário para ver como os métodos da API Vertex AI se comparam aos métodos de API usados pelos aplicativos existentes.

AutoML Natural Language legado

A partir de 15 de setembro de 2024, só será possível personalizar a classificação, a extração de entidades, e os objetivos de análise de sentimento por meio da migração para os comandos e os ajustes do Vertex AI Gemini. O treinamento ou atualização de modelos do AutoML na Vertex AI para classificação de texto, extração de entidades e objetivos de análise de sentimento não estarão mais disponíveis. É possível continuar usando os modelos de AutoML Text na Vertex AI até 15 de junho de 2025. Para uma comparação entre o AutoML Text e o Gemini, consulte Gemini para usuários de texto do AutoML. Para mais informações sobre como o Gemini oferece uma experiência do usuário aprimorada com recursos aprimorados de comandos, consulte Introdução aos ajustes. Para começar a ajustar, consulte Ajuste de modelos de texto do Gemini

.

Clique em uma das seguintes jornadas do usuário:

• AutoML Natural Language: treinar e implantar um modelo de classificação de texto

• AutoML Natural Language: treinar e implantar um modelo de extração de entidade de texto

• AutoML Natural Language: treinar e implantar um modelo de sentimento de texto

AutoML Natural Language legado: treinar e implantar um modelo de classificação de texto

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de classificação de texto, execute o notebook Jupyter "Vertex AI Migration: AutoML Text Classification" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Natural Language legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Natural Language legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Voltar ao início

AutoML Natural Language legado: treinar e implantar um modelo de extração de entidade de texto

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de extração de entidade de texto, execute o notebook Jupyter "Vertex AI Migration: AutoML Text Entity Extraction" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Natural Language legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Natural Language legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Voltar ao início

AutoML Natural Language legado: treinar e implantar um modelo de sentimento de texto

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de sentimento de texto, execute o notebook Jupyter "Vertex AI Migration: AutoML Text Sentiment Analysis" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Natural Language legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Natural Language legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Voltar ao início

AutoML Video Intelligence legado

Clique em uma das seguintes jornadas do usuário:

• AutoML Video Intelligence: treinar e implantar um modelo de rastreamento de objetos

• AutoML Video Intelligence: treinar e implantar um modelo de classificação de vídeo

AutoML Video Intelligence legado: treinar e implantar um modelo de rastreamento de objetos

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de rastreamento de objetos, execute o notebook do Jupyter "Vertex AI Migration: AutoML Video Object Tracking" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Video legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Video legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Voltar ao início

AutoML Video Intelligence legado: treinar e implantar um modelo de classificação de vídeo

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de classificação de vídeo, execute o notebook Jupyter "Vertex AI Migration: AutoML Video Classification" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Video legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Video legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Voltar ao início

AutoML Vision legado

Clique em uma das seguintes jornadas do usuário:

• AutoML Vision: treinar e implantar um modelo de classificação de imagem

• AutoML Vision: treinar e implantar um modelo de detecção de objetos

AutoML Vision legado: treinar e implantar um modelo de classificação de imagem

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de classificação de imagem, execute o notebook Jupyter "Vertex AI Migration: AutoML Image Classification" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Vision legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Vision legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict
Treinar e exportar um modelo do Edge	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
	projects.locations.models.export	projects.locations.models.export

Voltar ao início

AutoML Vision legado: treinar e implantar um modelo de detecção de objetos

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo de detecção de objetos, execute o notebook Jupyter "Vertex AI Migration: AutoML Image Object Detection" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre a API AutoML legada e a API Vertex AI, leia sobre as diferenças entre os produtos AutoML Vision legado e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AutoML Vision legado	Vertex AI
crie um conjunto de dados	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Treinar um modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Avalie o modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Fazer previsões em lote	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Voltar ao início

AI Platform

Clique em uma das seguintes jornadas do usuário:

• AI Platform: treinar e implantar um modelo do XGBoost com versões de ambiente de execução hospedadas

• AI Platform: treinar e implantar um modelo do scikit-learn com versões de ambiente de execução hospedadas

• AI Platform: treinar e implantar um modelo do TensorFlow com contêineres personalizados

• AI Platform: treinar e implantar um modelo do TensorFlow com versões de ambiente de execução hospedadas

• Serviço de rotulagem de dados da AI Platform: enviar uma tarefa de rotulagem de dados

• AI Platform Prediction: enviar um job de previsão em lote para um modelo hospedado do TensorFlow

• AI Platform Training: enviar um job de treinamento de ajuste de hiperparâmetros com o TensorFlow

AI Platform: treinar e implantar um modelo do XGBoost com versões de ambiente de execução hospedadas

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo XGBoost com um contêiner predefinido, execute o notebook Jupyter "Vertex AI: Vertex AI Migration: Custom XGBoost com contêiner de treinamento pré-criado" um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implantar o modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Fazer previsões em lote	A previsão em lote do AI Platform não é compatível com o XGBoost.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Voltar ao início

AI Platform: treinar e implantar um modelo do scikit-learn com versões de ambiente de execução hospedadas

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo do scikit-learn com um contêiner predefinido, execute o modelo "Vertex AI: Vertex AI Migration: modelo Scikit-Learn personalizado com contêiner de treinamento pré-criado" " Notebook do Jupyter em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implantar o modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Fazer previsões em lote	A previsão em lote do AI Platform não é compatível com o scikit-learn.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Voltar ao início

AI Platform: treinar e implantar um modelo do TensorFlow com contêineres personalizados

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo do TensorFlow com um contêiner personalizado, execute o notebook "Jupyter: Vertex AI: Vertex AI Migration: classificação de imagem personalizada com contêiner de treinamento personalizado" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implantar o modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Fazer previsões em lote	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Voltar ao início

AI Platform: treinar e implantar um modelo do TensorFlow com versões de ambiente de execução hospedadas

Para ver um exemplo de como usar a Vertex AI para treinar e implantar um modelo do TensorFlow com um contêiner pré-criado, execute o notebook Jupyter "Vertex AI: Vertex AI Migration: classificação de imagem personalizada com contêiner de treinamento pré-criado" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implantar o modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Fazer previsões em lote	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Voltar ao início

Serviço de rotulagem de dados da AI Platform: enviar uma tarefa de rotulagem de dados

Leia sobre as diferenças entre o serviço de rotulagem de dados e o Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	Data Labeling Service	Vertex AI
crie um conjunto de dados	projects.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
		projects.locations.specialistPools.create
Criar um job de rotulagem de dados	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

Voltar ao início

AI Platform Prediction: enviar um job de previsão em lote para um modelo hospedado do TensorFlow

Para ver um exemplo de como usar a Vertex AI para enviar um job de previsão em lote para um modelo do TensorFlow hospedado, execute o notebook Jupyter "Vertex AI: Vertex AI Migration: classificação de imagem personalizada com contêiner de treinamento pré-construído" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform Prediction e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform Prediction	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implantar o modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Fazer previsões em lote	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Fazer previsões on-line	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Voltar ao início

AI Platform Training: enviar um job de treinamento de ajuste de hiperparâmetros com o TensorFlow

Para ver um exemplo de como usar a Vertex AI para enviar um job de treinamento de ajuste de hiperparâmetros com o TensorFlow, execute o notebook Jupyter "Vertex AI: Vertex AI Tuning: Hyperparameter Tuning" em um dos seguintes ambientes:

Abrir no Colab | Abrir no Colab Enterprise | Abrir nos blocos gerenciados pelo usuário do Vertex AI Workbench | Ver no GitHub

Leia sobre as diferenças entre os produtos AI Platform Training e Vertex AI e use a tabela a seguir para orientações de migração da API.

Etapa	AI Platform Training	Vertex AI
Treinar um modelo	projects.jobs.create	projects.locations.hyperparameterTuningJobs.create
	projects.jobs.get	projects.locations.hyperparameterTuningJobs.get

Voltar ao início

A seguir

• Leia Como configurar um projeto e um ambiente para desenvolvedores para começar a usar o Vertex AI.