Von Gemini in Google AI zu Vertex AI migrieren

Wenn Sie noch nicht mit Gemini vertraut sind, verwenden Sie die Kurzanleitungen für die ersten Schritte.

Wenn Ihre generativen KI-Lösungen besser werden, benötigen Sie möglicherweise eine Plattform für die Erstellung und Bereitstellung von generativen KI-Anwendungen und -Lösungen. Google Cloud bietet ein umfassendes Netzwerk an Tools, mit denen Entwickler das Potenzial der generativen KI nutzen können – von den ersten Phasen der App-Entwicklung bis zur App-Bereitstellung, zum App-Hosting und zur Verwaltung komplexer Daten im großen Maßstab.

Die Vertex AI-Plattform von Google Cloud bietet eine Reihe von MLOps-Tools, die Nutzung, Bereitstellung und Monitoring von KI-Modellen im Hinblick auf Effizienz und Zuverlässigkeit optimieren. Darüber hinaus bieten Integrationen mit Datenbanken, DevOps-Tools, Logging, Monitoring und IAM einen ganzheitlichen Ansatz zum Verwalten des gesamten Lebenszyklus der generativen KI.

Gängige Anwendungsfälle für Google Cloud Angebote

Hier einige Beispiele für gängige Anwendungsfälle, die sich gut für Google Cloud Angebote eignen.

  • Apps und Lösungen für die Produktion bereitstellen. Mit Produkten wie Cloud Run-Funktionen und Cloud Run können Sie Anwendungen mit Sicherheit und Datenschutz im Unternehmensmaßstab bereitstellen. Weitere Informationen zu Sicherheit und Datenschutz finden Sie im Leitfaden Sicherheit, Datenschutz und Cloud-Compliance Google Cloud.
  • Vertex AI für End-to-End-MLOps-Funktionen verwenden, von der Feinabstimmung bis zur Suche nach Vektorähnlichkeiten und ML-Pipelines
  • Lösen Sie den LLM-Aufruf mit einer ereignisgesteuerten Architektur mit Cloud Run Functions oder Cloud Run aus.
  • Beobachten Sie die Nutzung Ihrer App mit Cloud Logging und BigQuery.
  • Speichern Sie Ihre Daten im Unternehmensmaßstab in großem Umfang mit Diensten wie BigQuery, Cloud Storage und Cloud SQL.
  • Führen Sie mithilfe von Daten in der Cloud mit BigQuery oder Cloud Storage RAG (Retrieval Augmented Generation) durch.
  • Datenpipelines erstellen und planen. Mit Cloud Scheduler können Sie Jobs planen.
  • Wenden Sie LLMs auf Ihre Daten in der Cloud an. Wenn Sie Daten in Cloud Storage oder BigQuery speichern, können Sie LLMs über diese Daten prompten. Sie können beispielsweise Informationen extrahieren, zusammenfassen oder Fragen dazu stellen.
  • Nutzen Sie Google Cloud Richtlinien zur Datenverwaltung/-speicherung zur Verwaltung Ihres Datenlebenszyklus.

Unterschiede zwischen Google AI und Vertex AI

In der folgenden Tabelle sind die Hauptunterschiede zwischen Google AI und Vertex AI zusammengefasst, damit Sie Entscheiden können, welche Option für Ihren Anwendungsfall am besten ist:

Features Google AI Gemini API Vertex AI Gemini API
Gemini-Modelle Gemini 1.5 Flash, Gemini 1.5 Pro, Gemini 1.0 Pro, Gemini 1.0 Pro Vision (veraltet) Gemini 1.5 Flash, Gemini 1.5 Pro, Gemini 1.0 Pro, Gemini 1.0 Pro Vision, Gemini 1.0 Ultra, Gemini 1.0 Ultra Vision
Anmelden Google-Konto Google Cloud-Konto (mit Nutzungsbedingungen und Abrechnung)
Authentifizierung API-Schlüssel Google Cloud-Dienstkonto
Testfeld für die Benutzeroberfläche Google AI Studio Vertex AI Studio
API und SDK Server- und mobile/Web-Client-SDKs
  • Server: Python, Node.js, Go, Dart, ABAP
  • Mobil-/Webclient: Android (Kotlin/Java), Swift, Web, Flutter
Server- und mobile/Web-Client-SDKs
  • Server: Python, Node.js, Go, Java, ABAP
  • Mobiler/Web-Client (über Vertex AI for Firebase): Android (Kotlin/Java), Swift, Web, Flutter
Kostenlose Nutzung von API und SDK Ja, sofern zutreffend 300 $ Google Cloud-Guthaben für neue Nutzer
Kontingent (Anfragen pro Minute) Variiert je nach Modell und Preismodell (weitere Informationen) Variiert je nach Modell und Region (weitere Informationen)
Abbildung: Enterprise Support Nein kunden-Verschlüsselungsschlüssel
Virtual private cloud
Datenstandort
Access transparency
Skalierbare Infrastruktur für Anwendungshosting
Datenbanken und Datenspeicher
MLOps Nein Vollständige MLOps in Vertex AI (z. B. Modellbewertung, Modellüberwachung, Model Registry)

Zu Vertex AI migrieren

In diesem Abschnitt wird gezeigt, wie Sie von Gemini in Google AI zu Vertex AI migrieren.

Hinweise zur Migration

Beachten Sie bei der Migration Folgendes:

Vertex AI Studio verwenden

Die Migration zu Vertex AI unterscheidet sich je nachdem, ob Sie bereits ein Google Cloud -Konto haben oder neu bei Google Cloudsind.

Klicken Sie je nach Kontostatus auf einen der folgenden Tabs, um zu erfahren, wie Sie zu Vertex AI migrieren: Google Cloud

Google Cloud wird bereits verwendet

  1. Melden Sie sich in Google AI Studio an.
  2. Klicken Sie im linken Navigationsbereich unten auf Mit Vertex AI in Google Cloud erstellen.

    Die Seite Vertex AI und Google Cloud kostenlos testen wird geöffnet.

  3. Klicken Sie auf Zustimmen und fortfahren.

    Das Dialogfeld Erste Schritte mit Vertex AI Studio wird angezeigt.

  4. Klicken Sie auf Zustimmen und fortfahren, um die APIs zu aktivieren, die für die Ausführung von Vertex AI erforderlich sind.

    Die Vertex AI-Konsole wird angezeigt. Informationen zum Migrieren Ihrer Daten aus Google AI Studio finden Sie unter Prompts migrieren.

Neu bei Google Cloud

  1. Melden Sie sich in Google AI Studio an.
  2. Klicken Sie im linken Navigationsbereich unten auf Mit Vertex AI in Google Cloud erstellen.

    Die Seite Konto erstellen, um mit Google Cloud loszulegen wird geöffnet.

  3. Klicken Sie auf Zustimmen und fortfahren.

    Die Seite Identität bestätigen wird angezeigt.

  4. Klicken Sie auf Jetzt kostenlos starten.

    Das Dialogfeld Erste Schritte mit Vertex AI Studio wird angezeigt.

  5. Klicken Sie auf Zustimmen und fortfahren, um die APIs zu aktivieren, die für die Ausführung von Vertex AI erforderlich sind.

  6. Optional: Informationen zum Migrieren Ihrer Daten aus Google AI Studio finden Sie auf der Seite Prompts migrieren unter Prompts migrieren.

Python: Migration zur Vertex AI Gemini API

In den folgenden Abschnitten finden Sie Code-Snippets, die Ihnen bei der Migration Ihres Python-Codes zur Verwendung der Vertex AI Gemini API helfen.

Vertex AI Python SDK einrichten

In Vertex AI ist kein API-Schlüssel erforderlich. Stattdessen wird Gemini in Vertex AI mit IAM-Zugriff verwaltet. Damit wird die Berechtigung für einen Nutzer, eine Gruppe oder ein Dienstkonto gesteuert, mit dem die Gemini API über das Vertex AI SDK aufgerufen wird.

Es gibt zwar viele Möglichkeiten zur Authentifizierung, aber die einfachste Methode zur Authentifizierung in einer Entwicklungsumgebung ist die Installation der Google Cloud CLI und die Verwendung Ihrer Nutzeranmeldedaten, um sich bei der CLI anzumelden.

Damit Sie Vertex AI-Inferenzaufrufe ausführen können, muss Ihrem Nutzer- oder Dienstkonto außerdem die Rolle Vertex AI-Nutzer zugewiesen sein.

Codebeispiel für die Installation des Clients

Google AI Vertex AI
# To install the Python SDK, use this CLI command:
# pip install google-generativeai

import google.generativeai as genai
from google.generativeai import GenerativeModel

API_KEY="API_KEY"
genai.configure(api_key=API_KEY)
        
# To install the Python SDK, use this CLI command:
# pip install google-cloud-aiplatform

import vertexai
from vertexai.generative_models import GenerativeModel, Image

PROJECT_ID = "PROJECT_ID"
REGION = "REGION"  # e.g. us-central1
vertexai.init(project=PROJECT_ID, location=REGION)
        

Codebeispiel zum Generieren von Text aus einem Text-Prompt

Google AI Vertex AI
model = GenerativeModel("gemini-1.5-flash")

response = model.generate_content("The opposite of hot is")
print(response.text) #  The opposite of hot is cold.
        
model = GenerativeModel("gemini-1.5-flash")

response = model.generate_content("The opposite of hot is")
print(response.text) #  The opposite of hot is cold.
        

Codebeispiel zum Erstellen von Text aus Text und Bild

Google AI Vertex AI
import PIL.Image

multimodal_model = GenerativeModel("gemini-1.5-flash")

image = PIL.Image.open("image.jpg")

response = multimodal_model.generate_content(["What is this picture?", image])
print(response.text) # A cat is shown in this picture.
        
multimodal_model = GenerativeModel("gemini-1.5-flash")

image = Image.load_from_file("image.jpg")

response = multimodal_model.generate_content(["What is shown in this image?", image])

print(response.text) # A cat is shown in this picture.
        

Codebeispiel zum Generieren des wechselseitigen Chats

Google AI Vertex AI
model = GenerativeModel("gemini-1.5-flash")

chat = model.start_chat()

print(chat.send_message("How are you?").text)
print(chat.send_message("What can you do?").text)
        
model = GenerativeModel("gemini-1.5-flash")

chat = model.start_chat()

print(chat.send_message("How are you?").text)
print(chat.send_message("What can you do?").text)
        

Prompts zu Vertex AI Studio migrieren

Die Daten Ihrer Google AI Studio-Prompts werden in einem Google Drive-Ordner gespeichert. In diesem Abschnitt wird gezeigt, wie Sie Ihre Prompts zu Vertex AI Studio migrieren.

  1. Öffnen Sie Google Drive.
  2. Wechseln Sie zum Ordner AI_Studio, in dem die Prompts gespeichert sind. Speicherort der Prompts in Google Drive
  3. Laden Sie Ihre Prompts aus Google Drive in ein lokales Verzeichnis herunter.

  4. Öffnen Sie Vertex AI Studio in der Google Cloud Console.

  5. Klicken Sie im Menü Vertex AI auf Prompt-Verwaltung.

  6. Klicken Sie auf Prompt importieren.

  7. Klicken Sie im Feld Promptdatei auf Durchsuchen und wählen Sie einen Prompt aus Ihrem lokalen Verzeichnis aus.

    Wenn Sie Prompts im Bulk hochladen möchten, müssen Sie sie manuell in einer einzigen JSON-Datei kombinieren.

  8. Klicken Sie auf Hochladen.

    Die Prompts werden auf den Tab Meine Prompts hochgeladen.

Trainingsdaten in Vertex AI Studio hochladen

Wenn Sie Ihre Trainingsdaten zu Vertex AI migrieren möchten, müssen Sie die Daten in einen Cloud Storage-Bucket hochladen. Weitere Informationen finden Sie unter Einführung in die Optimierung .

Nicht verwendete API-Schlüssel löschen

Wenn Sie den Google AI Gemini API-Schlüssel nicht mehr verwenden müssen, folgen Sie den Best Practices für die Sicherheit und löschen Sie ihn.

So löschen Sie einen API-Schlüssel:

  1. Öffnen Sie die Seite Google Cloud API-Anmeldedaten.

  2. Suchen Sie den API-Schlüssel, den Sie löschen möchten, und klicken Sie auf das Symbol Aktionen.

  3. Wählen Sie API-Schlüssel löschen aus.

  4. Wählen Sie im Modalfenster Anmeldedaten löschen die Option Löschen aus.

    Das Löschen eines API-Schlüssels dauert einige Minuten. Danach werden alle Anfragen, für die der gelöschte API-Schlüssel verwendet wird, abgelehnt.

Nächste Schritte