如何通过Python SDK在Vertex AI中为AutoML模型创建新版本？

问题背景 #

Vertex AI的Model Registry支持存储训练完成的模型并追踪其版本，但通过Python SDK构建Pipeline时，每次运行AutoML Tabular训练步骤都会创建同名的新模型，而非为现有模型生成新版本。

当前使用的AutoML训练组件代码如下：

automl_training_electric_op = gcc_aip.AutoMLTabularTrainingJobRunOp(
    project=project_bq,
    model_display_name="pred-model",
    display_name="pred-model",
    optimization_prediction_type="classification",
    optimization_objective="maximize-au-prc",
    budget_milli_node_hours=1000,
    dataset=comp5a.outputs["dataset"],
    target_column="fault",
    location=location
)

每次运行Pipeline都会生成多个独立的"pred-model"模型，无法实现v1、v2、v3这类版本化管理。

实现模型版本化的方法 #

要让AutoML训练为现有模型生成新版本，核心是在训练作业中指定现有模型的资源名称，而非仅依赖model_display_name，具体步骤如下：

1. 查询现有模型的资源名称 #

先通过Vertex AI SDK获取Model Registry中已存在的"pred-model"资源名称，格式为projects/{project}/locations/{location}/models/{model_id}，示例代码：

from google.cloud import aiplatform

aiplatform.init(project=project_bq, location=location)
models = aiplatform.Model.list(filter=f"display_name='pred-model'")
existing_model_resource_name = models[0].resource_name if models else None

• 首次运行时，existing_model_resource_name为None，会创建第一个版本的模型。
• 后续运行时，该变量会指向已存在的模型资源。

2. 修改训练组件参数 #

在AutoMLTabularTrainingJobRunOp中添加parent_model参数，传入获取到的现有模型资源名称，修改后的代码：

automl_training_electric_op = gcc_aip.AutoMLTabularTrainingJobRunOp(
    project=project_bq,
    model_display_name="pred-model",
    display_name="pred-model",
    optimization_prediction_type="classification",
    optimization_objective="maximize-au-prc",
    budget_milli_node_hours=1000,
    dataset=comp5a.outputs["dataset"],
    target_column="fault",
    location=location,
    parent_model=existing_model_resource_name  # 指定父模型实现版本化
)

3. Pipeline参数传递注意事项 #

如果Pipeline是编译后运行，需确保existing_model_resource_name能正确传递到训练组件中：

• 可以将模型查询逻辑集成到Pipeline的初始化步骤
• 也可以通过Pipeline参数手动传入现有模型的资源名称

验证效果 #

修改后运行Pipeline，在Vertex AI控制台的Model Registry中查看"pred-model"，会看到新版本（v1、v2等）被添加到该模型条目下，不再重复创建独立的同名模型。

内容的提问来源于stack exchange，提问作者Andrea Cola