Migra tus aplicaciones a Vertex AI

Vertex AI reúne los servicios de AI Platform y AutoML heredado en una IU y una API unificadas para simplificar el proceso de compilación, entrenamiento y, también, implementación de modelos de aprendizaje automático. Con Vertex AI, puedes pasar de la experimentación a la producción más rápido, descubrir patrones y anomalías de forma eficiente, tomar mejores predicciones y decisiones y mantenerte ágil frente a cambios en las prioridades y las condiciones del mercado. Esta página ayuda a determinar los cambios que debes realizar cuando migras tus aplicaciones de AutoML heredado o AI Platform a Vertex AI.

Vertex AI admite todas las características y los modelos disponibles en AutoML heredado y AI Platform. Sin embargo, las bibliotecas cliente no admiten la retrocompatibilidad de la integración de clientes. En otras palabras, debes planear la migración de tus recursos para beneficiarte de las características de Vertex AI.

En esta página, se comparan los métodos de API utilizados para completar los recorridos de usuarios comunes a fin de que puedas ver cómo se podrían actualizar las aplicaciones de tu proyecto para usar la API de Vertex AI.

Recorridos comunes de los usuarios

Selecciona la pestaña de tu producto y, luego, haz clic en un recorrido del usuario para ver cómo se comparan los métodos de la API de Vertex AI con los métodos de API que usan tus aplicaciones existentes.

AutoML Natural Language heredado

A partir del 15 de septiembre de 2024, solo podrás personalizar los objetivos de clasificación, extracción de entidades y análisis de opiniones; para ello, deberás migrar a las instrucciones y los ajustes de Gemini de Vertex AI. Los modelos de entrenamiento o actualización de AutoML de Vertex AI para los objetivos de clasificación de texto, extracción de entidades y análisis de opiniones ya no estarán disponibles. Puedes seguir usando los modelos de texto de AutoML de Vertex AI existentes hasta el 15 de junio de 2025. Para comparar el modelo de texto de AutoML y Gemini, consulta Gemini para los usuarios del modelo de texto de AutoML. Para obtener más información sobre cómo Gemini ofrece una experiencia del usuario mejorada a través de funciones de instrucciones mejoradas, consulta Introducción al ajuste. Para comenzar a ajustar, consulta Ajuste de modelos para modelos de texto de Gemini

Haz clic en uno de los siguientes recorridos de los usuarios:

• AutoML Natural Language: Entrena y, luego, implementa un modelo de clasificación de texto

• AutoML Natural Language: Entrena y, luego, implementa un modelo de extracción de entidades de texto

• AutoML Natural Language: Entrena y, luego, implementa un modelo de opinión de texto

AutoML Natural Language heredado: Entrena y, luego, implementa un modelo de clasificación de texto

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de clasificación de texto, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Text Classification” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML hereado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Natural Language heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Natural Language heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Volver al principio

AutoML Natural Language heredado: Entrena y, luego, implementa un modelo de extracción de entidades de texto

Para ver un ejemplo de cómo usar la IA de Vertex a fin de entrenar y, luego, implementar un modelo de extracción de entidades de texto, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Text Entity Extraction” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML hereado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Natural Language heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Natural Language heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Volver al principio

AutoML Natural Language heredado: Entrena y, luego, implementa un modelo de opinión de texto

Para ver un ejemplo de cómo usar la IA de Vertex para entrenar y, luego, implementar un modelo de opinión de texto, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Text Sentiment Analysis” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML hereado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Natural Language heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Natural Language heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Volver al principio

AutoML Video Intelligence heredado

Haz clic en uno de los siguientes recorridos de los usuarios:

• AutoML Video Intelligence: entrena y, luego, implementa un modelo de seguimiento de objetos

• AutoML Video Intelligence: entrena y, luego, implementa un modelo de clasificación de videos.

AutoML Video Intelligence heredado: entrena y, luego, implementa un modelo de seguimiento de objetos

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de seguimiento de objetos, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Video Object Tracking” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML heredado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Video heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Video heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Volver al principio

AutoML Video Intelligence heredado: entrena y, luego, implementa un modelo de clasificación de videos

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de clasificación de video, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Video Classification” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML heredado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Video heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Video heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Volver al principio

AutoML Vision heredado

Haz clic en uno de los siguientes recorridos de los usuarios:

• AutoML Vision: Entrena y, luego, implementa un modelo de clasificación de imágenes

• AutoML Vision: Entrena y, luego, implementa un modelo de detección de objetos

AutoML Vision heredado: Entrena y, luego, implementa un modelo de clasificación de imágenes

Para ver un ejemplo de cómo usar Vertex AI para entrenar y, luego, implementar un modelo de clasificación de imágenes, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Image Classification” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML heredado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Vision heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Vision heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict
Entrena y exporta un modelo de Edge	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
	projects.locations.models.export	projects.locations.models.export

Volver al principio

AutoML Vision heredado: Entrena y, luego, implementa un modelo de detección de objetos

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de detección de objetos, ejecuta el notebook de Jupyter “Vertex AI Migration: AutoML Image Object Detection” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre la API de AutoML heredado y la API de Vertex AI, acerca de las diferencias entre los productos de AutoML Vision heredado y Vertex AI y, luego, usa la siguiente tabla para ayudar a migrar tu API.

Paso	AutoML Vision heredado	Vertex AI
Crea un conjunto de datos	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entrenar un modelo	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Evalúa el modelo	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Haz predicciones por lotes	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Volver al principio

AI Platform

Haz clic en uno de los siguientes recorridos de los usuarios:

• AI Platform: Entrena y, luego, implementa un modelo de XGBoost con versiones del entorno de ejecución alojadas

• AI Platform: Entrena y, luego, implementa un modelo de scikit-learn con versiones de entorno de ejecución alojadas

• AI Platform: Entrena y, luego, implementa un modelo de TensorFlow con contenedores personalizados

• AI Platform: Entrena y, luego, implementa un modelo de TensorFlow con versiones del entorno de ejecución alojadas

• Servicio de etiquetado de datos de AI Platform: Envía una tarea de etiquetado de datos

• AI Platform Prediction: Envía un trabajo de predicción por lotes para un modelo de TensorFlow alojado

• AI Platform Training: Envía un trabajo de entrenamiento de ajuste de hiperparámetros con TensorFlow

AI Platform: Entrena y, luego, implementa un modelo de XGBoost con versiones del entorno de ejecución alojadas.

Para ver un ejemplo de cómo usar Vertex AI para entrenar y usar un modelo XGBoost con un contenedor compilado con anterioridad, ejecuta el notebook de Jupyter “Vertex AI Migration: Custom XGBoost model with prebuilt training container” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implementa el modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Haz predicciones por lotes	La predicción por lotes de AI Platform no es compatible con XGBoost.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Volver al principio

AI Platform: Entrena y, luego, implementa un modelo de scikit-learn con versiones de entorno de ejecución alojadas.

Para ver un ejemplo de cómo usar Vertex AI para entrenar y, luego, implementar un modelo de scikit-learn con un contenedor compilado con anterioridad, ejecuta el notebook de Jupyter “Vertex AI Migration: Custom Scikit-Learn model with prebuilt training container” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implementa el modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Haz predicciones por lotes	La predicción por lotes de AI Platform no es compatible con scikit-learn.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Volver al principio

AI Platform: Entrena y, luego, implementa un modelo de TensorFlow con contenedores personalizados

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de TensorFlow con un contenedor personalizado, ejecuta el notebook de notebook de Jupyter “Vertex AI Migration: Custom Image Classification with custom training container” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implementa el modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Haz predicciones por lotes	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Volver al principio

AI Platform: Entrena y, luego, implementa un modelo de TensorFlow con versiones del entorno de ejecución alojadas

Para ver un ejemplo de cómo usar Vertex AI para entrenar e implementar un modelo de TensorFlow con un contenedor compilado con anterioridad, ejecuta el notebook de Jupyter “Vertex AI Migration: Custom Image Classification with prebuilt training container” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implementa el modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Haz predicciones por lotes	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Volver al principio

Servicio de etiquetado de datos de AI Platform: Envía una tarea de etiquetado de datos.

Lee sobre las diferencias entre los productos del Servicio de etiquetado de datos y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	Servicio de etiquetado de datos	Vertex AI
Crea un conjunto de datos	projects.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
		projects.locations.specialistPools.create
Crea un dataLabelingJob	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

Volver al principio

AI Platform Prediction: envía un trabajo de predicción por lotes para un modelo de TensorFlow alojado

Para ver un ejemplo de cómo usar Vertex AI a fin de enviar un trabajo de predicción por lotes para un modelo de TensorFlow alojado, ejecuta el notebook de Jupyter “Vertex AI Migration: Custom Image Classification with prebuilt training container” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform Prediction y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform Prediction	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Implementa el modelo	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Haz predicciones por lotes	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Haz predicciones en línea	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Volver al principio

AI Platform Training: Envía un trabajo de entrenamiento de ajuste de hiperparámetros con TensorFlow.

Para ver un ejemplo de cómo usar Vertex AI a fin de enviar un trabajo de entrenamiento de ajuste de hiperparámetros con TensorFlow, ejecuta el notebook de Jupyter “Vertex AI Migration: Hyperparameter Tuning” en uno de los siguientes entornos:

Abrir en Colab |Abrir en Colab Enterprise |Abrir en notebooks administrados por el usuario de Vertex AI Workbench |Ver en GitHub

Lee sobre las diferencias entre los productos de AI Platform Training y Vertex AI y, a continuación, utiliza la siguiente tabla para migrar tu API.

Paso	AI Platform Training	Vertex AI
Entrenar un modelo	projects.jobs.create	projects.locations.hyperparameterTuningJobs.create
	projects.jobs.get	projects.locations.hyperparameterTuningJobs.get

Volver al principio

¿Qué sigue?

• Lee Configura un proyecto y un entorno de desarrollo para comenzar a usar Vertex AI.