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

À partir du 15 septembre 2024, vous ne pourrez personnaliser les objectifs de classification, d'extraction d'entités et d'analyse des sentiments qu'en passant aux requêtes et à l'ajustement Vertex AI Gemini. L'entraînement ou la mise à jour des modèles pour les objectifs de classification de texte, d'extraction d'entités et d'analyse des sentiments de Vertex AI AutoML ne seront plus disponibles. Vous pouvez continuer à utiliser les modèles Vertex AI AutoML Text existants jusqu'au 15 juin 2025. Pour en savoir plus sur la façon dont Gemini offre une expérience utilisateur améliorée grâce à des fonctionnalités de requêtes améliorées, consultez Présentation du réglage.

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

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle de classification de texte, exécutez le notebook Jupyter "Migration Vertex AI : classification de textes AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

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

Haut de page

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

Pour voir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle d'extraction d'entités textuelles, exécutez le notebook Jupyter "Migration Vertex AI : extraction d'entités textuelles AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

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

Haut de page

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

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle d'analyse des sentiments dans un texte, exécutez le notebook Jupyter "Migration Vertex AI : Analyse des sentiments dans un texte AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

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

Haut de page

Ancien AutoML Tables

Ancien AutoML Tables : entraîner et déployer un modèle

Pour voir un exemple d'utilisation de Vertex AI et de données tabulaires pour entraîner et déployer un modèle, exécutez le notebook Jupyter "Migration Vertex AI : classification binaire tabulaire AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

En savoir plus sur lesdifférences entre l'ancienne API AutoML et l'API Vertex AI, lire sur les Différences entre les anciens produits AutoML Tables et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape	Ancienne version d'AutoML Tables	Vertex AI
Créer un ensemble de données	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData
	projects.locations.datasets.patch
Entraîner un modèle	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Évaluer le modèle	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effectuer des prédictions par lot	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Haut de page

Ancien AutoML Video Intelligence

Cliquez sur l'un des parcours d'utilisateur suivants :

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

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

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

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle de suivi d'objets, exécutez le notebook Jupyter "Migration Vertex AI : suivi d'objets vidéo AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape	Ancienne version d'AutoML Video	Vertex AI
Créer un ensemble de données	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entraîner un modèle	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Évaluer le modèle	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effectuer des prédictions par lot	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Haut de page

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

Pour voir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle de classification de vidéos, exécutez le notebook Jupyter "Migration Vertex AI : classification de vidéos AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vidéo et Vertex AI. , puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape	Ancienne version d'AutoML Video	Vertex AI
Créer un ensemble de données	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entraîner un modèle	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Évaluer le modèle	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effectuer des prédictions par lot	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get

Haut de page

Ancienne version d'AutoML Vision

Cliquez sur l'un des parcours d'utilisateur suivants :

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

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

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

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle de classification d'images, exécutez le notebook Jupyter "Migration Vertex AI : classification d'images AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vision et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape	Ancienne version d'AutoML Vision	Vertex AI
Créer un ensemble de données	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entraîner un modèle	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Évaluer le modèle	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effectuer des prédictions par lot	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict
Entraîner et exporter un modèle Edge	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
	projects.locations.models.export	projects.locations.models.export

Haut de page

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

Pour voir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle de détection d'objets, exécutez le notebook Jupyter "Migration Vertex AI : détection d'objets au sein d'images AutoML" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Découvrez les différences entre l'ancienne API AutoML et l'API Vertex AI, consultez les différences entre les anciens produits AutoML Vision et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

Étape	Ancienne version d'AutoML Vision	Vertex AI
Créer un ensemble de données	projects.locations.datasets.create	projects.locations.datasets.create
	projects.locations.datasets.importData	projects.locations.datasets.import
Entraîner un modèle	projects.locations.models.create	projects.locations.trainingPipelines.create
		projects.locations.trainingPipelines.get
Évaluer le modèle	projects.locations.models.modelEvaluations.list	projects.locations.models.evaluations.list
	projects.locations.models.modelEvaluations.get	projects.locations.models.evaluations.get
Effectuer des prédictions par lot	projects.locations.models.batchPredict	projects.locations.batchPredictionJobs.create
		projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.locations.models.deploy	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
	projects.locations.models.predict	projects.locations.endpoints.predict

Haut de page

AI Platform

Cliquez sur l'un des parcours d'utilisateur suivants :

• 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 une tâche d'entraînement des réglages d'hyperparamètres avec TensorFlow

AI Platform : entraîner et déployer un modèle XGBoost avec des versions d'exécution hébergées

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle XGBoost avec un conteneur prédéfini, exécutez le notebook Jupyter "Migration Vertex AI : modèle XGBoost personnalisé avec un conteneur d'entraînement prédéfini" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

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

Haut de page

AI Platform : entraîner et déployer un modèle scikit-learn avec des versions d'exécution hébergées

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle scikit-learn avec un conteneur prédéfini, exécutez le notebook Jupyter "Migration Vertex AI : modèle scikit-learn personnalisé avec un conteneur d'entraînement prédéfini" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

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

Haut de page

AI Platform : entraîner et déployer un modèle TensorFlow avec des conteneurs personnalisés

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle TensorFlow avec un conteneur personnalisé, exécutez le notebook Jupyter "Migration Vertex AI : classification personnalisée d'images avec un conteneur d'entraînement personnalisé" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape	AI Platform	Vertex AI
Entraîner un modèle	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Déployer le modèle	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effectuer des prédictions par lot	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Haut de page

AI Platform : entraîner et déployer un modèle TensorFlow avec des versions d'exécution hébergées

Pour obtenir un exemple d'utilisation de Vertex AI pour entraîner et déployer un modèle TensorFlow avec un conteneur prédéfini, exécutez le notebook Jupyter "Migration Vertex AI : classification personnalisée d'images avec un conteneur d'entraînement prédéfini" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape	AI Platform	Vertex AI
Entraîner un modèle	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Déployer le modèle	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effectuer des prédictions par lot	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Haut de page

Service d'étiquetage de données AI Platform : envoyer une tâche d'étiquetage de données

Prenez connaissance des différences entre le service d'étiquetage de données et les produits d'IA Vertex, puis utilisez le tableau suivant pour faciliter la migration de l'API.

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.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

Haut de page

AI Platform Prediction : envoyer une tâche de prédiction par lot pour un modèle TensorFlow hébergé

Pour obtenir un exemple d'utilisation de Vertex AI pour envoyer un job de prédiction par lot pour un modèle TensorFlow hébergé, exécutez le notebook Jupyter "Migration Vertex AI : classification personnalisée d'images avec un conteneur d'entraînement prédéfini" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform Prediction et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de l'API.

Étape	AI Platform Prediction	Vertex AI
Entraîner un modèle	projects.jobs.create	projects.locations.customJobs.create
	projects.jobs.get	projects.locations.customJobs.get
Déployer le modèle	projects.models.create	projects.locations.models.upload
	projects.models.versions.create
Effectuer des prédictions par lot	projects.jobs.create	projects.locations.batchPredictionJobs.create
	projects.jobs.get	projects.locations.batchPredictionJobs.get
Effectuer des prédictions en ligne	projects.predict	projects.locations.endpoints.create
		projects.locations.endpoints.deployModel
		projects.locations.endpoints.predict

Haut de page

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

Pour obtenir un exemple d'utilisation de Vertex AI pour envoyer un job d'entraînement de réglage d'hyperparamètres avec TensorFlow, exécutez le notebook Jupyter "Migration Vertex AI : réglage des hyperparamètres" dans l'un des environnements suivants :

Ouvrir dans Colab | Ouvrir dans Colab Enterprise | Ouvrir dans les notebooks gérés par l'utilisateur Vertex AI Workbench | Afficher sur GitHub

Prenez connaissance des différences entre les produits AI Platform Training et Vertex AI, puis utilisez le tableau suivant pour faciliter la migration de votre API.

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

Haut de page

Étape suivante

• Pour commencer à utiliser Vertex AI, consultez la section Configurer un projet et un environnement de développement.