Respuestas correctas
- CUsar componentes de contenedores personalizados para encapsular lógica reutilizable
- EAprovechar Vertex ML Metadata para rastrear el linaje de los artefactos
Explicación
La opción C es correcta porque los componentes de contenedores personalizados permiten empaquetar dependencias arbitrarias, bibliotecas y código en una imagen portátil y versionada que Vertex AI Pipelines puede reutilizar en múltiples tuberías, lo cual es una forma recomendada de encapsular y compartir lógica reutilizable. La opción E es correcta porque Vertex ML Metadata registra automáticamente artefactos, ejecuciones y su linaje para las ejecuciones de Vertex AI Pipelines, permitiendo la reproducibilidad, auditoría y comparación de modelos y conjuntos de datos entre experimentos. La opción A no es una mejor práctica porque Cloud Functions están orientadas a eventos, son de corta duración y no están diseñadas para ejecutar pasos pesados o con estado de tuberías de ML; los componentes de Vertex AI Pipelines (o los trabajos de Vertex AI Training) deben ejecutar esos pasos. La opción B es incorrecta porque codificar de forma rígida los parámetros en las definiciones de componentes reduce la reutilización y dificulta la experimentación y el CI/CD; los parámetros deben pasarse en el momento de envío de la tubería a través de parámetros de tiempo de ejecución de PipelineJob. La opción D es incorrecta porque el entrenamiento y la inferencia (serving) a menudo requieren perfiles de cómputo diferentes (por ejemplo, GPU para entrenamiento frente a CPU optimizadas u otros aceleradores para inferencia), y la consistencia se logra a través de artefactos contenedorizados y dependencias fijas, no forzando entornos de cómputo idénticos.