FácilSelección múltiple

Pregunta de práctica de PMLE

¿Cuáles son las DOS mejores prácticas para construir tuberías (pipelines) de ML en Vertex AI?

Elige todas las respuestas correctas.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Usar Cloud Functions para ejecutar pasos individuales de la tubería

Cloud Functions no puede orquestar flujos de trabajo de ML de múltiples pasos con linaje de artefactos, almacenamiento en caché o ejecución condicional; Vertex AI Pipelines utiliza componentes basados en Kubeflow con un orquestador administrado que rastrea entradas y salidas. Cloud Functions se adapta a pegamento ligero impulsado por eventos, como activar una tubería cuando un archivo llega a Cloud Storage, no a ejecutar los pasos de la tubería por sí mismos.

B

Incorrecta

Codificar de forma rígida los parámetros de la tubería en las definiciones de los componentes

Codificar parámetros de forma rígida en las definiciones de componentes impide la reutilización entre entornos y fuerza la recompilación de la tubería para cada cambio; Vertex AI espera parámetros de tiempo de ejecución pasados a través de PipelineJob para permitir que una plantilla compilada sirva a dev, test y prod. Es tentador porque los prototipos rápidos codifican valores, pero eso solo se adapta a cuadernos desechables, no a tuberías gobernadas.

C

Correcta

Usar componentes de contenedores personalizados para encapsular lógica reutilizable

Los componentes de contenedores personalizados empaquetan código, dependencias y tiempo de ejecución en una imagen portátil, permitiendo a los equipos reutilizar lógica idéntica en todas las tuberías sin reescribir ni volver a resolver entornos. Este encapsulamiento satisface el requisito de mejor práctica de reutilización para los componentes de Vertex AI Pipelines.

D

Incorrecta

Usar siempre el mismo entorno de cómputo para el entrenamiento y la inferencia para garantizar consistencia

La inferencia requiere hardware de baja latencia y autoescalado, mientras que el entrenamiento se beneficia de aceleradores y lotes más grandes; forzar un entorno sacrifica las necesidades de una carga de trabajo. Es tentador porque entornos idénticos se adaptan genuinamente a la reproducibilidad al depurar la desviación entre entrenamiento e inferencia en un modelo pequeño y fijo.

E

Correcta

Aprovechar Vertex ML Metadata para rastrear el linaje de los artefactos

Vertex ML Metadata registra parámetros, métricas y artefactos en todas las ejecuciones de tuberías, proporcionando un seguimiento automático del linaje. Esto satisface el requisito de mejor práctica para tuberías de ML reproducibles y auditables al permitirle rastrear qué conjunto de datos y contenedor produjo cada modelo.

Para profundizar

En Vertex AI, los componentes de contenedores personalizados empaquetan Python arbitrario, bibliotecas del sistema y puntos de entrada en una imagen portátil, de modo que un paso de preprocesamiento o evaluación se comporta de forma idéntica en todas las ejecuciones de tuberías y entornos en lugar de depender de una imagen de SDK preinstalada. Vertex ML Metadata registra ejecuciones, artefactos y sus relaciones, por lo que cada artefacto de modelo se remonta al conjunto de datos y a la ejecución de entrenamiento que lo produjo, lo cual es esencial para la reproducibilidad y la auditoría. Codificar parámetros de forma rígida en las definiciones de componentes frustra la reutilización de la tubería, y Cloud Functions no son el sustrato de ejecución para los pasos de la tubería de Vertex. Usar cómputo idéntico para el entrenamiento y la inferencia no es una mejor práctica porque la inferencia a menudo necesita diferentes formas de instancia. Juntos, los contenedores personalizados más Vertex ML Metadata brindan lógica portátil y linaje rastreable.

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.