Migrazione delle applicazioni a Vertex AI

Vertex AI riunisce AI Platform e i servizi AutoML precedenti in un'unica interfaccia utente e API unificata per semplificare il processo di creazione, addestramento e deployment dei modelli di machine learning. Con Vertex AI, puoi passare più velocemente dalla sperimentazione alla produzione, scoprire in modo efficiente schemi e anomalie, fare previsioni e decisioni migliori e rimanere agile di fronte alle mutevoli priorità e condizioni del mercato. Questa pagina ti aiuta a determinare le modifiche da apportare quando esegui la migrazione delle tue applicazioni da AutoML o AI Platform legacy a Vertex AI.

Vertex AI supporta tutte le funzionalità e i modelli disponibili nella precedente piattaforma AutoML e AI. Tuttavia, le librerie client non supportano la compatibilità con le versioni precedenti dell'integrazione del client. In altre parole, devi pianificare la migrazione delle tue risorse per usufruire delle funzionalità di Vertex AI.

Questa pagina mette a confronto i metodi dell'API utilizzati per completare i percorsi comuni degli utenti in modo da capire in che modo le applicazioni del tuo progetto possono essere aggiornate per utilizzare l'API Vertex AI.

Percorsi comuni degli utenti

Seleziona la scheda del tuo prodotto, quindi fai clic su un percorso utente per vedere il confronto tra i metodi dell'API Vertex AI e quelli delle API utilizzati dalle tue applicazioni esistenti.

AutoML Natural Language precedente

A partire dal 15 settembre 2024, potrai personalizzare solo gli scopi di classificazione, estrazione di entità e analisi del sentiment passando ai prompt e alla regolazione di Vertex AI Gemini. L'addestramento o l'aggiornamento dei modelli per Vertex AI AutoML per gli scopi di classificazione del testo, estrazione di entità e analisi del sentiment non sarà più disponibile. Puoi continuare a utilizzare i modelli Text di AutoML per Vertex AI esistenti fino al 15 giugno 2025. Per un confronto tra AutoML Text e Gemini, consulta Gemini per gli utenti di AutoML Text. Per saperne di più su come Gemini offre un'esperienza utente migliorata tramite funzionalità di prompt avanzate, consulta Introduzione all'ottimizzazione. Per iniziare a utilizzare l'ottimizzazione, consulta Ottimizzazione dei modelli di testo Gemini

Fai clic su uno dei seguenti percorsi dell'utente:

• AutoML Natural Language: addestra ed esegui il deployment di un modello di classificazione del testo

• AutoML Natural Language: addestra ed esegui il deployment di un modello di estrazione di entità di testo

• AutoML Natural Language: addestrare ed eseguire il deployment di un modello di analisi del sentiment del testo

AutoML Natural Language precedente: addestramento ed esecuzione di un modello di classificazione del testo

Per vedere un esempio di come utilizzare Vertex AI per addestrare ed eseguire il deployment di un modello di classificazione del testo, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Text Classification" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Natural Language legacy e Vertex AI e poi utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AutoML Natural Language precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Torna all'inizio

AutoML Natural Language precedente: addestrare ed eseguire il deployment di un modello di estrazione di entità di testo

Per vedere un esempio di come utilizzare Vertex AI per addestrare ed eseguire il deployment di un modello di estrazione di entità di testo, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Text Entity Extraction" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Natural Language legacy e Vertex AI e poi utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AutoML Natural Language precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Torna all'inizio

AutoML Natural Language precedente: addestrare ed eseguire il deployment di un modello di sentiment del testo

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello di analisi del sentiment del testo, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Text Sentiment Analysis" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Natural Language legacy e Vertex AI e poi utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AutoML Natural Language precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Torna all'inizio

AutoML Video Intelligence precedente

Fai clic su uno dei seguenti percorsi dell'utente:

• AutoML Video Intelligence: addestramento ed esecuzione di un modello di monitoraggio degli oggetti

• AutoML Video Intelligence: addestramento ed esecuzione del deployment di un modello di classificazione dei video

AutoML Video Intelligence precedente: addestrare ed eseguire il deployment di un modello di rilevamento degli oggetti

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello di monitoraggio degli oggetti video, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Video Object Tracking" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Video legacy e Vertex AI e poi utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AutoML Video precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Torna all'inizio

AutoML Video Intelligence precedente: addestramento ed esecuzione di un modello di classificazione dei video

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello di classificazione video, esegui il blocco note Jupyter "Migrazione a Vertex AI: classificazione video AutoML" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Video legacy e Vertex AI e poi utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AutoML Video precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Torna all'inizio

AutoML Vision precedente

Fai clic su uno dei seguenti percorsi dell'utente:

• AutoML Vision: addestramento e deployment di un modello di classificazione delle immagini

• AutoML Vision: addestrare ed eseguire il deployment di un modello di rilevamento degli oggetti

AutoML Vision precedente: addestramento ed esecuzione di un modello di classificazione delle immagini

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello di classificazione delle immagini, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Image Classification" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Vision legacy e Vertex AI e poi utilizza la seguente tabella per eseguire la migrazione dell'API.

Passaggio	AutoML Vision precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict
Addestrare ed esportare un modello Edge	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
	projects.locations.models.export	projects.locations.models.export

Torna all'inizio

AutoML Vision precedente: addestramento e implementazione di un modello di rilevamento di oggetti

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello di rilevamento di oggetti, esegui il blocco note Jupyter "Vertex AI Migration: AutoML Image Object Detection" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra l'API AutoML legacy e l'API Vertex AI, le differenze tra i prodotti AutoML Vision legacy e Vertex AI e poi utilizza la seguente tabella per eseguire la migrazione dell'API.

Passaggio	AutoML Vision precedente	Vertex AI
Crea un set di dati	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Addestra un modello	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Valuta il modello	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effettuare previsioni batch	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Torna all'inizio

AI Platform

Fai clic su uno dei seguenti percorsi dell'utente:

• Piattaforma AI: addestra e esegui il deployment di un modello XGBoost con le versioni di runtime ospitate

• AI Platform: addestrare e implementare un modello scikit-learn con le versioni di runtime ospitate

• AI Platform: addestra ed esegui il deployment di un modello TensorFlow con container personalizzati

• AI Platform: addestrava e implementa un modello TensorFlow con le versioni di runtime ospitate

• AI Platform Prediction: invia un job di previsione batch per un modello TensorFlow ospitato

• AI Platform Training: invia un job di addestramento di ottimizzazione degli iperparametri con TensorFlow

AI Platform: addestrare ed eseguire il deployment di un modello XGBoost con le versioni di runtime ospitate

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello XGBoost con un contenitore predefinito, esegui il blocco note Jupyter "Migrazione a Vertex AI: modello XGBoost personalizzato con contenitore di addestramento predefinito" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform e Vertex AI e utilizza la tabella seguente per eseguire la migrazione della tua API.

Passaggio	AI Platform	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Esegui il deployment del modello	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effettuare previsioni batch	La previsione batch di AI Platform non è supportata per XGBoost.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Torna all'inizio

AI Platform: addestrare ed eseguire il deployment di un modello scikit-learn con le versioni di runtime ospitate

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello Scikit-Learn con un container predefinito, esegui il notebook Jupyter "Vertex AI Migration: Custom Scikit-Learn model with prebuilt training container" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform e Vertex AI e utilizza la tabella seguente per eseguire la migrazione della tua API.

Passaggio	AI Platform	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Esegui il deployment del modello	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effettuare previsioni batch	La previsione batch di AI Platform non è supportata per scikit-learn.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Torna all'inizio

AI Platform: addestramento e deployment di un modello TensorFlow con container personalizzati

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello TensorFlow con un container personalizzato, esegui il notebook Jupyter "Vertex AI Migration: Custom Image Classification with custom training container" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform e Vertex AI e utilizza la tabella seguente per eseguire la migrazione della tua API.

Passaggio	AI Platform	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Esegui il deployment del modello	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effettuare previsioni batch	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Torna all'inizio

AI Platform: addestrare e implementare un modello TensorFlow con versioni di runtime in hosting

Per vedere un esempio di come utilizzare Vertex AI per addestrare e implementare un modello TensorFlow con un container predefinito, esegui il notebook Jupyter "Vertex AI Migration: Custom Image Classification with prebuilt training container" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform e Vertex AI e utilizza la tabella seguente per eseguire la migrazione della tua API.

Passaggio	AI Platform	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Esegui il deployment del modello	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effettuare previsioni batch	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Torna all'inizio

AI Platform Prediction: invia un job di previsione batch per un modello TensorFlow ospitato

Per vedere un esempio di come utilizzare Vertex AI per inviare un job di previsione in batch per un modello TensorFlow ospitato, esegui il blocco note Jupyter "Migrazione a Vertex AI: classificazione delle immagini personalizzata con contenitore di addestramento predefinito" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform Prediction e Vertex AI e utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AI Platform Prediction	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Esegui il deployment del modello	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effettuare previsioni batch	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effettuare previsioni online	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Torna all'inizio

AI Platform Training: invia un job di addestramento di ottimizzazione degli iperparametri con TensorFlow

Per vedere un esempio di come utilizzare Vertex AI per inviare un job di addestramento di ottimizzazione degli iperparametri con TensorFlow, esegui il blocco note Jupyter "Migrazione a Vertex AI: ottimizzazione degli iperparametri" in uno dei seguenti ambienti:

Apri in Colab | Apri in Colab Enterprise | Apri nei notebook gestiti dall'utente di Vertex AI Workbench | Visualizza su GitHub

Scopri le differenze tra i prodotti AI Platform Training e Vertex AI e utilizza la tabella seguente per eseguire la migrazione dell'API.

Passaggio	AI Platform Training	Vertex AI
Addestra un modello	projects.jobs.create	projects.locations.hyperparameterTuningJobs.create
	projects.jobs.get	projects.locations.hyperparameterTuningJobs.get

Torna all'inizio

Passaggi successivi

• Configura un progetto e un ambiente di sviluppo per iniziare a utilizzare Vertex AI.