Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Auf dieser Seite werden die Schnittstellen beschrieben, über die Sie mit Vertex AI interagieren können. Außerdem erfahren Sie, wann Sie sie verwenden sollten. Sie können diese Schnittstellen zusammen mit einer der Notebook-Lösungen von Vertex AI verwenden.
Einige Vertex AI-Vorgänge sind nur über bestimmte Schnittstellen verfügbar. Daher müssen Sie während des Workflows möglicherweise zwischen den Schnittstellen wechseln.
In Vertex AI Experiments müssen Sie beispielsweise die API verwenden, um Daten in einem Testlauf zu protokollieren. Die Ergebnisse können Sie jedoch in der Konsole anzeigen lassen.
Console
Die Google Cloud Console ist eine grafische Benutzeroberfläche, über die Sie mit Ihren Ressourcen für maschinelles Lernen arbeiten können.
In der Google Cloud Console können Sie Ihre verwalteten Datasets, Modelle, Endpunkte und Jobs verwalten. Über die Console können Sie auch auf andere Google Cloud-Dienste wie Cloud Storage und BigQuery zugreifen.
Verwenden Sie die Google Cloud Console, wenn Sie Ihre Vertex AI-Ressourcen und -Visualisierungen über eine grafische Benutzeroberfläche anzeigen und verwalten möchten.
Weitere Informationen finden Sie auf der Seite Dashboard im Abschnitt zu Vertex AI:
Die Google Cloud-Befehlszeile (CLI) besteht aus einer Reihe von Tools zum Erstellen und Verwalten von Google Cloud-Ressourcen mit dem Befehl gcloud.
Verwenden Sie die Google Cloud CLI, wenn Sie Ihre Vertex AI-Ressourcen über die Befehlszeile oder über Skripts und andere Automatisierungen verwalten möchten.
Terraform ist ein IaC-Tool (Infrastructure-as-Code), mit dem Sie die Infrastruktur wie Ressourcen und Berechtigungen für mehrere Google Cloud-Dienste einschließlich Vertex AI bereitstellen können.
Sie können die Vertex AI-Ressourcen und -Berechtigungen für Ihr Google Cloud-Projekt in einer Terraform-Konfigurationsdatei definieren. Anschließend können Sie die Konfiguration mit Terraform auf Ihr Projekt anwenden, indem Sie neue Ressourcen erstellen und vorhandene Ressourcen aktualisieren.
Verwenden Sie Terraform, wenn Sie die Infrastruktur für Vertex AI-Ressourcen in Ihrem Google Cloud-Projekt standardisieren und die vorhandene Infrastruktur von Google Cloud-Projekten aktualisieren möchten, während Sie die Ressourcenabhängigkeiten erfüllen.
Verwenden Sie das Vertex AI SDK für Python, um den Vertex AI-Workflow programmatisch zu automatisieren.
Das Vertex AI SDK für Python ähnelt der Vertex AI Python-Clientbibliothek, mit der Ausnahme, dass das SDK auf höherer Ebene arbeitet und weniger detailliert ist. Weitere Informationen finden Sie unter Unterschiede zwischen SDK und Clientbibliotheken verstehen.
Clientbibliotheken verwenden die natürlichen Konventionen der jeweiligen unterstützten Sprache, um die Vertex AI API aufzurufen und den Boilerplate-Code zu reduzieren, den Sie schreiben müssen.
Die folgenden Sprachen werden für Vertex AI unterstützt:
Python. Die Vertex AI-Python-Clientbibliothek wird bei der Installation des Vertex AI SDK für Python installiert.
Die Vertex AI REST API bietet RESTful-Dienste zum Verwalten von Jobs, Modellen und Endpunkten sowie zum Erstellen von Vorhersagen mit gehosteten Modellen in Google Cloud.
Verwenden Sie die REST API, wenn Sie eigene Bibliotheken zum Aufrufen der Vertex AI API aus Ihrer Anwendung benötigen.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-07 (UTC)."],[],[],null,["# Interfaces for Vertex AI\n\nThis page describes the interfaces that you can use to interact with\nVertex AI and when you should use them. You can use these interfaces\nalong with one of Vertex AI's\n[notebook solutions](/vertex-ai/docs/workbench/notebook-solution).\n\nSome Vertex AI operations are only available through specific\ninterfaces, so you may need to switch between interfaces during your workflow.\nFor example, in Vertex AI Experiments, you must use the API to log data\nto an experiment run, but you can view the results in the console. \n\n### Console\n\nThe Google Cloud console is a graphical user interface that you can use to\nwork with your machine learning resources.\n\nIn the Google Cloud console, you can manage your ,\nmodels, endpoints, and jobs. You can also access other Google Cloud services,\nsuch as Cloud Storage and BigQuery, through the console.\n\nUse the Google Cloud console if you prefer to view and manage your\nVertex AI resources and visualizations through a graphical user\ninterface.\n\nFor more information, see the **Dashboard** page of the Vertex AI section:\n\n[Go to the Dashboard](https://console.cloud.google.com/vertex-ai/)\n\n### gcloud\n\nThe [Google Cloud command-line interface (CLI)](/sdk/gcloud) is a set of tools for\ncreating and managing Google Cloud resources using the `gcloud` command.\n\nUse the Google Cloud CLI when you want to manage your Vertex AI\nresources from the command line or through scripts and other automation.\n\nFor more information, see [Install the gcloud CLI](/sdk/docs/install) and the\n[`gcloud ai`](/sdk/gcloud/reference/ai) reference.\n\n### Terraform\n\nTerraform is an (IaC) tool that you can use to\nprovision the infrastructure, such as resources and permissions, for multiple\nGoogle Cloud services, including Vertex AI.\n\nYou can define the Vertex AI resources and permissions for your Google Cloud\nproject in a Terraform configuration file. You can then use Terraform to apply\nthe configuration to your project by creating new resources and updating\nexisting resources.\n\nUse Terraform if you want to standardize the infrastructure for Vertex AI\nresources in your Google Cloud project and update the existing Google Cloud\nproject infrastructure while fulfilling resource dependencies.\n\nTo get started, see [Terraform support for Vertex AI](/vertex-ai/docs/start/use-terraform-vertex-ai).\n\n### Python\n\nUse the [Vertex AI SDK for Python](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk) to programmatically automate your\nVertex AI workflow.\n\nThe Vertex AI SDK for Python is similar to the Vertex AI Python client\nlibrary, except the SDK is higher-level and less granular. For more\ninformation, see the [Understand the SDK and client library\ndifferences](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk#sdk-vs-client-library).\n\nTo get started, see [Install the Vertex AI SDK](/vertex-ai/docs/start/install-sdk).\n\n### Client libraries\n\nClient libraries use each supported language's natural conventions to call the\nVertex AI API and reduce boilerplate code that you have to write.\n\nThe following languages are supported for Vertex AI:\n\n- Python. The Vertex AI Python client library is installed when you\n install the [Vertex AI SDK for Python](/vertex-ai/docs/python-sdk/use-vertex-ai-python-sdk).\n\n- Java\n\n- Node.js\n\n- C#\n\n- Go\n\nFor more information, see [Install the Vertex AI client libraries](/vertex-ai/docs/start/client-libraries).\n\n### REST\n\nThe Vertex AI REST API provides RESTful services for managing jobs,\nmodels, and endpoints, and for making inferences with hosted models\non Google Cloud.\n\nUse the REST API if you need to use your own libraries to call the\nVertex AI API from your application.\n\nTo get started, see the [Vertex AI API REST reference](/vertex-ai/docs/reference/rest).\n\nWhat's next\n-----------\n\n- [Set up a project and a development environment](/vertex-ai/docs/start/cloud-environment).\n- [Choose a training method](/vertex-ai/docs/start/training-methods).\n- Tutorials for [Image](/vertex-ai/docs/tutorials/image-classification-automl/overview), [Tabular](/vertex-ai/docs/tutorials/tabular-automl/overview), and [Custom training](/vertex-ai/docs/tutorials/image-classification-custom/overview).\n- Learn [best practices for implementing custom-trained ML models on\n Vertex AI](/architecture/ml-on-gcp-best-practices)."]]
