Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons. Essayez les modèles Gemini 1.5, les derniers modèles multimodaux de Vertex AI, et découvrez ce que vous pouvez créer avec une fenêtre de contexte pouvant comprendre jusqu'à deux millions de jetons.

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 :

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

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`
Créer un ensemble de données	`projects.locations.datasets.importData`	`projects.locations.datasets.import`
Entraîner un modèle	`projects.locations.models.create`	`projects.locations.trainingPipelines.create`
Entraîner un modèle	`projects.locations.models.create`	`projects.locations.trainingPipelines.get`
Évaluer le modèle	`projects.locations.models.modelEvaluations.list`	`projects.locations.models.evaluations.list`
Évaluer le modèle	`projects.locations.models.modelEvaluations.get`	`projects.locations.models.evaluations.get`
Effectuer des prédictions par lot	`projects.locations.models.batchPredict`	`projects.locations.batchPredictionJobs.create`
Effectuer des prédictions par lot	`projects.locations.models.batchPredict`	`projects.locations.batchPredictionJobs.get`
Effectuer des prédictions en ligne	`projects.locations.models.deploy`	`projects.locations.endpoints.create`
	`projects.locations.models.deploy`	`projects.locations.endpoints.deployModel`
	`projects.locations.models.predict`	`projects.locations.endpoints.predict`

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

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.datasets.importData`	`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`

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

Migrer vos applications vers Vertex AI

Parcours utilisateurs courants

Ancien AutoML Natural Language

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

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

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

Ancien AutoML Tables

Ancien AutoML Tables : entraîner et déployer un modèle

Ancien AutoML Video Intelligence

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

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

Ancienne version d'AutoML Vision

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

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

AI Platform

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

Étape suivante