MediaSelección múltiple

Pregunta de práctica de PMLE

¿Qué TRES acciones se deben realizar para automatizar un pipeline de machine learning usando Cloud Build y Vertex AI?

Elige todas las respuestas correctas.

Respuestas correctas

  • AEscribir un archivo cloudbuild.yaml que compile un contenedor de entrenamiento y envíe un Vertex AI PipelineJob
  • DDefinir los pasos de entrenamiento y despliegue en un Vertex AI Pipeline y enviarlo desde Cloud Build
  • EConfigurar un disparador de Cloud Build para que se ejecute en los commits al repositorio de código fuente

Explicación

Un archivo cloudbuild.yaml es la configuración declarativa que Cloud Build utiliza para definir los pasos de compilación, y uno de esos pasos puede compilar una imagen de contenedor de entrenamiento personalizada (por ejemplo, mediante docker build) y luego enviar un Vertex AI PipelineJob utilizando el comando gcloud ai pipelines run o el SDK de Vertex AI. Vertex AI Pipelines es el servicio nativo para orquestar pasos de flujos de trabajo de ML como entrenamiento, evaluación y despliegue como un grafo acíclico dirigido, y Cloud Build puede invocar ese pipeline como parte de CI/CD, proporcionando un pipeline de ML totalmente automatizado y reproducible. Un disparador de Cloud Build vinculado al repositorio de origen (por ejemplo, un disparador de GitHub o Cloud Source Repositories en push o pull request) es lo que realmente inicia la ejecución automatizada de la compilación o el pipeline en los commits, lo cual es el núcleo de la automatización de CI/CD. Cloud Functions no es el mecanismo previsto para reentrenar modelos al finalizar una compilación; los disparadores de Cloud Build o las notificaciones de Pub/Sub son los puntos de integración correctos, y esto añade complejidad innecesaria. Sonlear artefactos de compilación con Cloud Scheduler es un antipatrón; los disparadores orientados a eventos (disparadores de Cloud Build o Pub/Sub) son preferibles al sondeo programado para reaccionar ante nuevas compilaciones.

Por qué cada opción es correcta o incorrecta

A

Correcta

Escribir un archivo cloudbuild.yaml que compile un contenedor de entrenamiento y envíe un Vertex AI PipelineJob

Cloud Build ejecuta pasos de compilación declarativos desde cloudbuild.yaml, por lo que este archivo puede tanto compilar la imagen del contenedor de entrenamiento como invocar la API de Vertex AI para enviar un PipelineJob, proporcionando la automatización de extremo a extremo que el escenario demanda.

B

Incorrecta

Usar Cloud Functions para reentrenar el modelo cada vez que se complete una compilación

Cloud Functions no puede orquestar de forma nativa pipelines de entrenamiento de Vertex AI; los pasos de Cloud Build o Vertex AI Pipelines activan el entrenamiento directamente al hacer commit. Cloud Functions se adapta a pegamento ligero orientado a eventos, como reaccionar a un mensaje de Pub/Sub, no a gestionar flujos de trabajo de ML de varios pasos con seguimiento de dependencias y linaje de artefactos.

C

Incorrecta

Configurar un trabajo de Cloud Scheduler para consultar nuevos artefactos de compilación

El sondeo de artefactos de compilación introduce latencia e invocaciones desperdiciadas; Cloud Build publica eventos de compilación en Pub/Sub, lo que activa el pipeline inmediatamente. Cloud Scheduler se adapta a trabajos por lotes de hora fija, como exportaciones de datos nocturnas, no a reentrenamiento de ML orientado a eventos donde cada compilación exitosa debe iniciar el entrenamiento sin demora.

D

Correcta

Definir los pasos de entrenamiento y despliegue en un Vertex AI Pipeline y enviarlo desde Cloud Build

Definir el entrenamiento y el despliegue como componentes de Vertex AI Pipeline proporciona orquestación y repetibilidad, mientras que Cloud Build actúa como el disparador de CI que envía el PipelineJob. Esto satisface el requisito de automatizar el pipeline completo en lugar de scripts individuales.

E

Correcta

Configurar un disparador de Cloud Build para que se ejecute en los commits al repositorio de código fuente

Un disparador de Cloud Build vinculado a commits en el repositorio de código fuente proporciona el punto de entrada orientado a eventos que el pipeline requiere, iniciando automáticamente compilaciones cada vez que se introducen cambios de código. Esto satisface la restricción de automatización al eliminar la invocación manual, permitiendo que los pasos posteriores desplieguen y reentrenen modelos de Vertex AI sin intervención humana.

Para profundizar

Cloud Build ejecuta un archivo cloudbuild.yaml como una serie de pasos en contenedores; un paso puede invocar la API de Vertex AI para enviar un PipelineJob definido con el DSL de Kubeflow Pipelines. El pipeline encapsula el entrenamiento, la evaluación y el despliegue como componentes, por lo que el mismo artefacto se promueve entre entornos. Un disparador de Cloud Build vinculado a una rama de repositorio se ejecuta ante los commits, proporcionando entrenamiento continuo. Un detalle sutil: la cuenta de servicio predeterminada de Cloud Build necesita los roles roles/aiplatform.user y acceso a storage; sin ellos, el envío del PipelineJob falla con un error de permisos. Este patrón importa cuando un equipo quiere lanzamientos de ML reproducibles y auditables en lugar de ejecuciones ad-hoc de notebooks.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de PMLE de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.