Respuestas correctas
- AEstablecer umbrales de rendimiento para los nuevos modelos para decidir el despliegue
- COptimizar la asignación de recursos para controlar costos
- EMonitorear la desviación de datos (data drift) para activar el reentrenamiento
Explicación
Establecer umbrales de rendimiento definidos (por ejemplo, compuertas de precisión, AUC o RMSE) es necesario para que un modelo recién entrenado solo se promueva al despliegue cuando supere o cumpla demostrablemente con la métrica requerida, previniendo la regresión en producción. Optimizar la asignación de recursos es necesario porque Vertex AI Pipelines ejecuta pasos de entrenamiento, ajuste y evaluación en cómputo facturable, por lo que las opciones de asignación de recursos como el tipo de máquina, el uso de aceleradores (GPU/TPU) y el almacenamiento en caché de la canalización controlan directamente el costo y deben planificarse para una cadencia de reentrenamiento sostenible. Monitorear la desviación de datos es necesario porque el desencadenante del reentrenamiento suele ser la desviación de datos o la desviación de conceptos detectada a través de Vertex AI Model Monitoring, que emite alertas que los DAGs de Cloud Composer pueden consumir para lanzar la canalización, haciendo que el monitoreo de desviaciones sea una consideración central de diseño. No se requiere incluir el ajuste de hiperparámetros en cada ejecución de reentrenamiento, ya que es costoso y a menudo solo se necesita cuando el modelo o la distribución de datos cambian sustancialmente. La frecuencia de confirmaciones de código (commits) no es relevante: refleja el flujo de trabajo del desarrollador, no los desencadenantes operativos o las decisiones de recursos de una canalización de reentrenamiento automatizada.