Migrer depuis Gemini sur Google AI vers Vertex AI

Si vous débutez avec Gemini, utiliser les guides de démarrage rapide est le moyen le plus rapide de commencer.

Cependant, à mesure que vos solutions d'IA génératives se développent, vous aurez peut-être besoin d'une plate-forme pour créer et déployer des applications et des solutions d'IA générative de bout en bout. Google Cloud fournit un écosystème complet d'outils permettant aux développeurs d'exploiter la puissance de l'IA générative, depuis les étapes initiales du développement de l'application jusqu'à son déploiement, en passant par son hébergement et la gestion de données complexes à grande échelle.

La plate-forme Vertex AI de Google Cloud propose une suite d'outils MLOps qui simplifient l'utilisation, le déploiement et la surveillance des modèles d'IA pour plus d'efficacité et de fiabilité. De plus, les intégrations avec des bases de données, des outils DevOps, la journalisation, la surveillance et IAM offrent une approche globale pour gérer l'intégralité du cycle de vie de l'IA générative.

De plus, les intégrations avec des bases de données, des outils DevOps, la journalisation, la surveillance et IAM offrent une approche globale pour gérer l'intégralité du cycle de vie de l'IA générative.

Voici quelques exemples de cas d'utilisation courants adaptés aux offres Google Cloud.

Passez vos applications et vos solutions en production. Des produits tels que Cloud Functions et Cloud Run vous permettent de déployer des applications avec un niveau de sécurité, de confidentialité et d'évolutivité adapté aux entreprises. Pour en savoir plus sur la sécurité et la confidentialité, consultez le guide Sécurité, confidentialité et conformité du cloud sur Google Cloud.
Utilisez Vertex AI pour gérer les fonctionnalités de MLOps de bout en bout, du réglage à la recherche de similarités vectorielles en passant par les pipelines de ML.
Déclenchez un appel LLM avec une architecture basée sur des événements avec Cloud Functions ou Cloud Run.
Surveillez l'utilisation de votre application avec Cloud Logging et BigQuery.
Stockez vos données avec une sécurité de niveau entreprise à grande échelle grâce à des services tels que BigQuery, Cloud Storage et Cloud SQL.
Effectuez une génération augmentée de récupération (RAG) en utilisant les données dans le cloud avec BigQuery ou Cloud Storage.
Créez et planifiez des pipelines de données. Vous pouvez planifier des jobs à l'aide de Cloud Scheduler.
Appliquez des LLM à vos données dans le cloud. Si vous stockez des données dans Cloud Storage ou BigQuery, vous pouvez interroger les LLM sur ces données via des invites. Vous pouvez par exemple leur demander d'extraire des informations, créer un résumé, ou poser des questions à leur sujet.
Exploitez les stratégies de gouvernance et de résidence des données de Google Cloud pour gérer le cycle de vie de vos données.

Différences entre Google AI et Vertex AI

Le tableau suivant résume les principales différences entre Google AI et Vertex AI pour vous aider à choisir l'option la mieux adaptée à votre cas d'utilisation :

Fonctionnalités	API Google AI Gemini	API Google Cloud Vertex AI Gemini
Derniers modèles Gemini	Gemini Pro et Gemini Ultra	Gemini Pro et Gemini Ultra
S'inscrire	Compte Google	Compte Google Cloud (soumis à conditions et facturation)
Authentification	Clé API	Compte de service Google Cloud
Simulateur d'interface utilisateur	Google AI Studio	Vertex AI Studio
API et SDK	Python, Node.js, Android (Kotlin/Java), Swift, Go	Le SDK est compatible avec Python, Node.js, Java et Go
Niveau sans frais	Oui	Crédit Google Cloud de 300 $ pour les nouveaux utilisateurs
Quota (requête par minute)	60 (peut demander une augmentation)	Augmentation sur demande (par défaut : 60)
Formule d'assistance Enterprise	Non	Clé de chiffrement client Cloud privé virtuel Résidence des données Access transparency Infrastructure évolutive pour l'hébergement d'applications Bases de données et stockage des données
MLOps	Non	MLOps complètes sur Vertex AI (exemples : évaluation de modèle, Model Monitoring, Model Registry)

Migrer vers Vertex AI

Cette section explique comment migrer de Google AI Gemini vers Vertex AI Gemini dans Google Cloud.

Éléments à prendre en compte lors de la migration

Tenez compte des points suivants lors de la migration:

Vous pouvez utiliser votre projet Google Cloud existant (celui utilisé pour générer votre clé API) ou créer un nouveau projet Google Cloud.
Les régions compatibles peuvent différer entre Google AI Studio et Vertex AI. Consultez la liste des régions disponibles pour l'IA générative sur Google Cloud.
Tous les modèles que vous avez créés dans Google AI Studio doivent être réentraînés dans Vertex AI.

Commencer à utiliser Vertex AI Studio

Le processus de migration vers Vertex AI est différent, selon que vous possédez déjà un compte Google Cloud ou si vous débutez avec Google Cloud.

Pour savoir comment migrer vers Vertex AI, cliquez sur l'un des onglets suivants, en fonction de l'état de votre compte Google Cloud:

Vous utilisez déjà Google Cloud.

Connectez-vous à Google AI Studio.
Au bas du volet de navigation de gauche, cliquez sur Build with Vertex AI on Google Cloud (Compiler avec Vertex AI sur Google Cloud).

La page Essayer Vertex AI et Google Cloud gratuitement s'ouvre.
Cliquez sur Accepter et continuer.

La boîte de dialogue Premiers pas avec Vertex AI Studio s'affiche.
Pour activer les API requises pour exécuter Vertex AI, cliquez sur Accepter et continuer.

La console Vertex AI s'affiche. Pour savoir comment migrer vos données depuis Google AI Studio, consultez la page Migrer les invites.

Vous débutez sur Google Cloud ?

Connectez-vous à Google AI Studio.
Au bas du volet de navigation de gauche, cliquez sur Build with Vertex AI on Google Cloud (Compiler avec Vertex AI sur Google Cloud).

La page Créer un compte pour faire vos premiers pas avec Google Cloud s'ouvre.
Cliquez sur Accepter et continuer.

La page Vérifions votre identité s'affiche.
Cliquez sur Commencer gratuitement.

La boîte de dialogue Premiers pas avec Vertex AI Studio s'affiche.
Pour activer les API requises pour exécuter Vertex AI, cliquez sur Accepter et continuer.
Facultatif: Pour savoir comment migrer vos données depuis Google AI Studio, consultez la section "Migrer les invites" de la page Migrer les invites.

Python : Migrer vers l'API Vertex AI Gemini

Les sections suivantes présentent des extraits de code pour vous aider à migrer votre code Python afin d'utiliser l'API Vertex AI Gemini.

Configuration du SDK Vertex AI pour Python

Sur Vertex AI, vous n'avez pas besoin d'une clé API. À la place, Gemini sur Vertex AI est géré à l'aide de l'accès IAM, qui contrôle les autorisations d'un utilisateur, d'un groupe ou d'un compte de service pour appeler l'API Gemini via le SDK Vertex AI.

Bien qu'il existe de nombreuses méthodes d'authentification, la méthode la plus simple pour un environnement de développement consiste à installer Google Cloud CLI, puis à utiliser votre identifiants utilisateur pour vous connecter à la CLI.

Pour effectuer des appels d'inférence à Vertex AI, vous devez également vous assurer que votre utilisateur ou compte de service dispose du rôle Utilisateur Vertex AI.

Exemple de code pour installer le client

Google AI Vertex AI

Google AI	Vertex AI
`# To install the Python SDK, use this CLI command: # pip install google-generativeai from google.generativeai import GenerativeModel from google.colab import userdata genai.configure(userdata.get('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 = "" REGION = "" # e.g. us-central1 vertexai.init(project=PROJECT_ID, location=REGION)`


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

from google.generativeai import GenerativeModel
from google.colab import userdata

genai.configure(userdata.get('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 = ""
REGION = ""  # e.g. us-central1
vertexai.init(project=PROJECT_ID, location=REGION)

Exemple de code pour générer du texte à partir d'une invite textuelle

Google AI Vertex AI

Google AI	Vertex AI
`model = GenerativeModel('gemini-1.0-pro') response = model.generate_content('The opposite of hot is') print(response.text) # The opposite of hot is cold.`	`model = GenerativeModel('gemini-1.0-pro') response = model.generate_content('The opposite of hot is') print(response.text) # The opposite of hot is cold.`


        
model = GenerativeModel('gemini-1.0-pro')

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


        
model = GenerativeModel('gemini-1.0-pro')

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

Exemple de code pour générer du texte à partir de texte et d'images

Google AI Vertex AI

Google AI	Vertex AI
`import PIL.Image multimodal_model = GenerativeModel('gemini-1.0-pro-vision') 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-1.0-pro-vision") 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.`


        
import PIL.Image

multimodal_model = GenerativeModel('gemini-1.0-pro-vision')

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-1.0-pro-vision")

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.

Exemple de code pour générer un chat multitour

Google AI Vertex AI

Google AI	Vertex AI
`model = GenerativeModel('gemini-1.0-pro') chat = model.start_chat() print(chat.send_message("How are you?").text) print(chat.send_message("What can you do?").text)`	`model = GenerativeModel("gemini-1.0-pro") chat = model.start_chat() print(chat.send_message("How are you?").text) print(chat.send_message("What can you do?").text)`


        
model = GenerativeModel('gemini-1.0-pro')

chat = model.start_chat()

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


        
model = GenerativeModel("gemini-1.0-pro")

chat = model.start_chat()

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

Migrer les invites vers Vertex AI Studio

Vos données d'invites Google AI Studio sont enregistrées dans un dossier Google Drive. Cette section explique comment migrer vos invites vers Vertex AI Studio.

Ouvrez Google Drive.
Accédez au dossier AI_Studio dans lequel les invites sont stockées.
Téléchargez vos invites depuis Google Drive dans un répertoire local.

Remarque: Les invites téléchargées depuis Google Drive sont au format texte (txt). Avant de les importer dans Vertex AI Studio, convertissez-les en fichiers JSON. Pour ce faire, remplacez l'extension de fichier .txt par .json.
Ouvrez Vertex AI Generative AI Studio dans la console Google Cloud.
Dans le menu Vertex AI, cliquez sur Langue.
Cliquez sur l'onglet Mes invites.
Cliquez sur Importer l'invite.
Dans le champ Fichier d'invite, cliquez sur Parcourir et sélectionnez une invite dans votre répertoire local.

Pour importer des invites de manière groupée, vous devez combiner vos invites manuellement dans un seul fichier JSON.
Cliquez sur Importer.

Les invites sont importées dans l'onglet Mes invites.

Importer des données d'entraînement dans Vertex AI Studio

Pour migrer vos données d'entraînement vers Vertex AI, vous devez les importer dans un bucket Google Cloud Storage. Pour en savoir plus, consultez la page Ajuster les modèles de fondation du langage.

Supprimer les clés API inutilisées

Si vous n'avez plus besoin d'utiliser votre clé API Google AI Gemini, suivez les bonnes pratiques de sécurité et supprimez-la.

Étapes suivantes

Suivez un tutoriel de démarrage rapide sur Generative AI Studio ou l'API Vertex AI.