Anwendungen zu Vertex AI migrieren

Vertex AI fasst AI Platform- und Legacy-AutoML-Dienste unter einer einheitlichen Benutzeroberfläche und API zusammen, um das Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen zu vereinfachen. Mit Vertex AI können Sie schneller von der Experimentierphase zur Produktion übergehen, Muster und Anomalien effizient erkennen, bessere Vorhersagen und Entscheidungen treffen und bei sich ändernden Prioritäten und Marktbedingungen flexibel bleiben. Diese Seite hilft Ihnen, die Änderungen zu bestimmen, die Sie bei der Migration Ihrer Anwendungen von Legacy-AutoML oder AI Platform zu Vertex AI vornehmen müssen.

Vertex AI unterstützt alle in Legacy-AutoML und AI Platform verfügbaren Features und Modelle. Die Clientbibliotheken bieten jedoch keine Abwärtskompatibilität für die Clientintegration. Wenn Sie von den Features von Vertex AI profitieren möchten, müssen Sie die Migration Ihrer Ressourcen entsprechend planen.

Auf dieser Seite werden die API-Methoden verglichen, die zum Ausführen allgemeiner Nutzerpfade verwendet werden, damit Sie sehen können, wie die Anwendungen Ihres Projekts für die Verwendung der Vertex AI API aktualisiert werden können.

Häufige Kaufprozesse

Klicken Sie auf den Tab für Ihr Produkt und dann auf einen Nutzerpfad, um zu sehen, wie die API-Methoden von Vertex AI im Vergleich zu den von Ihren vorhandenen Anwendungen verwendeten API-Methoden verfahren werden.

Legacy-AutoML Natural Language

Ab dem 15. September 2024 können Sie Ziele für Klassifizierung, Entitätsextraktion und Sentimentanalyse nur noch anpassen, wenn Sie zu Vertex AI Gemini-Prompts und -Feinabstimmung wechseln. Das Trainieren oder Aktualisieren von Modellen für Vertex AI AutoML for Text-Klassifizierung, Entitätsextraktion und Sentimentanalyseziele sind nicht mehr verfügbar. Sie können vorhandene Vertex AI AutoML Text-Modelle bis zum 15. Juni 2025 verwenden. Einen Vergleich zwischen AutoML Text und Gemini finden Sie unter Gemini für AutoML-Textnutzer. Weitere Informationen dazu, wie Gemini durch verbesserte Prompt-Funktionen eine verbesserte Nutzerfreundlichkeit bietet, finden Sie unter Einführung in die Feinabstimmung. Weitere Informationen finden Sie unter Modellabstimmung für Gemini-Textmodelle

.

Klicken Sie auf einen der folgenden Kaufprozesse:

• AutoML Natural Language: Trainieren und Bereitstellen eines Textklassifizierungsmodells

• AutoML Natural Language: Modell zur Extraktion von Textentitäten trainieren und bereitstellen

• AutoML Natural Language: Trainieren und Bereitstellen eines Text-Sentimentmodells

Legacy-AutoML Natural Language: Textklassifizierungsmodell trainieren und bereitstellen

Wenn Sie sich ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines Textklassifizierungsmodells ansehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Text Classification" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy-AutoML Natural Language- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Natural Language	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Nach oben

Legacy-AutoML Natural Language: Modell zur Extraktion von Textentitäten trainieren und bereitstellen

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines Entitätsextraktionsmodells für Textentitäten sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Text Entity Extraction" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy-AutoML Natural Language- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Natural Language	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Nach oben

Legacy-AutoML Natural Language: Text-Sentimentmodell trainieren und bereitstellen

Das folgende Beispiel zeigt, wie Sie Vertex AI zum Trainieren und Bereitstellen eines Textsentimentmodells verwenden, indem Sie das Jupyter-Notebook "Vertex AI Migration: Text Sentiment Analysis" in einer der folgenden Umgebungen ausführen:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy-AutoML Natural Language- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Natural Language	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Nach oben

Legacy-AutoML Video Intelligence

Klicken Sie auf einen der folgenden Kaufprozesse:

• AutoML Video Intelligence: Ein Objekt-Tracking-Modell trainieren und bereitstellen

• AutoML Video Intelligence: Videoklassifizierungsmodell trainieren und bereitstellen

Legacy-AutoML Video Intelligence: Ein Objekt-Tracking-Modell trainieren und bereitstellen

Wenn Sie ein Beispiel dazu sehen möchten, wie Sie Vertex AI zum Trainieren und Bereitstellen eines Objekt-Tracking-Modells verwenden, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Video Object Tracking" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy AutoML Video- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Video	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Nach oben

Legacy-AutoML Video Intelligence: Videoklassifizierungsmodell trainieren und bereitstellen

Wenn Sie sich ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines Videoklassifizierungsmodells ansehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Video Classification" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy AutoML Video- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Video	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Nach oben

Legacy-AutoML Vision

Klicken Sie auf einen der folgenden Kaufprozesse:

• AutoML Vision: Bildklassifizierungsmodell trainieren und bereitstellen

• AutoML Vision: Objekterkennungsmodell trainieren und bereitstellen

Legacy-AutoML Vision: Bildklassifizierungsmodell trainieren und bereitstellen

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines Bildklassifizierungsmodells sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Image Classification" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy-AutoML Vision- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Vision	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict
Edge-Modell trainieren und exportieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
	projects.locations.models.export	projects.locations.models.export

Nach oben

Legacy-AutoML Vision: Objekterkennungsmodell trainieren und bereitstellen

Wenn Sie ein Beispiel dazu sehen möchten, wie Sie Vertex AI zum Trainieren und Bereitstellen eines Objekterkennungsmodells verwenden, führen Sie das Jupyter-Notebook "Vertex AI Migration: AutoML Image Object Detection" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr zu den Unterschieden zwischen der Legacy AutoML API und der Vertex AI API und den Unterschieden zwischen Legacy-AutoML Vision- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um die API zu migrieren.

Schritt	Legacy-AutoML Vision	Vertex AI
Dataset erstellen	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Modell trainieren	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Modell bewerten	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Batchvorhersagen treffen	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Nach oben

AI Platform

Klicken Sie auf einen der folgenden Kaufprozesse:

• AI Platform: Trainieren und Bereitstellen eines XGBoost-Modells mit gehosteten Laufzeitversionen

• AI Platform: scikit-learn-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen.

• AI Platform: TensorFlow-Modell mit benutzerdefinierten Containern trainieren und bereitstellen

• AI Platform: TensorFlow-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen

• AI Platform Prediction: Batchvorhersagejob für ein gehostetes TensorFlow-Modell senden

• AI Platform Training: Trainingsjob zur Hyperparameter-Abstimmung mit TensorFlow senden

AI Platform: Trainieren und Bereitstellen eines XGBoost-Modells mit gehosteten Laufzeitversionen

Führen Sie das Jupyter-Notebook "Vertex AI Migration: Custom XGBoost model with pre-built training container" in einer der folgenden Umgebungen aus, um zu sehen, wie Sie Vertex AI zum Trainieren und Bereitstellen eines XGBoost-Modells mit einem vordefinierten Container verwenden:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Modell bereitstellen	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Batchvorhersagen treffen	Die AI Platform-Batchvorhersage wird für XGBoost nicht unterstützt.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Nach oben

AI Platform: scikit-learn-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen.

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines scikit-learn-Modells mit einem vordefinierten Container sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: Custom Scikit-Learn model with pre-built training container" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Modell bereitstellen	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Batchvorhersagen treffen	Die Batchvorhersagen von AI Platform werden für scikit-learn nicht unterstützt.	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Nach oben

AI Platform: TensorFlow-Modell mit benutzerdefinierten Containern trainieren und bereitstellen

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines TensorFlow-Modells mit einem benutzerdefinierten Container sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: Custom Image Classification with custom training container" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Modell bereitstellen	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Batchvorhersagen treffen	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Nach oben

AI Platform: TensorFlow-Modell mit gehosteten Laufzeitversionen trainieren und bereitstellen

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Trainieren und Bereitstellen eines TensorFlow-Modells mit einem vordefinierten Container sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: Custom Image Classification with pre-built training container" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Modell bereitstellen	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Batchvorhersagen treffen	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Nach oben

AI Platform Prediction: Batchvorhersagejob für ein gehostetes TensorFlow-Modell senden

Wenn Sie ein Beispiel für die Verwendung von Vertex AI zum Senden eines Batchvorhersagejobs für ein gehostetes TensorFlow-Modell sehen möchten, führen Sie das Jupyter-Notebook "Vertex AI Migration: Custom Image Classification with pre-built training container" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform Prediction- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform Prediction	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Modell bereitstellen	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Batchvorhersagen treffen	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Onlinevorhersagen treffen	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Nach oben

AI Platform Training: Trainingsjob zur Hyperparameter-Abstimmung mit TensorFlow senden

Wenn Sie ein Beispiel dazu sehen möchten, wie Sie mithilfe von Vertex AI einen Trainingsjob für Hyperparameter-Abstimmung mit TensorFlow senden, führen Sie das Jupyter-Notebook "Vertex AI Migration: Hyperparameter Tuning" in einer der folgenden Umgebungen aus:

In Colab öffnen | In Colab Enterprise öffnen | In nutzerverwalteten Vertex AI Workbench-Notebooks öffnen | Auf GitHub ansehen

Lesen Sie mehr über die Unterschiede zwischen den AI Platform Training- und Vertex AI-Produkten und verwenden Sie dann die folgende Tabelle, um Ihre API zu migrieren.

Schritt	AI Platform Training	Vertex AI
Modell trainieren	projects.jobs.create	projects.locations.hyperparameterTuningJobs.create
	projects.jobs.get	projects.locations.hyperparameterTuningJobs.get

Nach oben

Nächste Schritte

• Richten Sie ein Projekt und eine Entwicklungsumgebung ein, um Vertex AI zu verwenden.