DifícilOpción múltiple

Pregunta de práctica de PMLE

Una empresa utiliza un contenedor personalizado en Vertex AI Prediction. Quieren enviar métricas personalizadas desde su contenedor de predicción a Cloud Monitoring. ¿Qué método deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • ASDK de OpenCensus o OpenTelemetry

Explicación

OpenCensus y OpenTelemetry son los frameworks de código abierto recomendados para exportar métricas personalizadas desde contenedores personalizados en Vertex AI Prediction a Cloud Monitoring. Proporcionan una forma estandarizada de instrumentar el código de su aplicación, recopilar métricas y enviarlas directamente a Cloud Monitoring a través de la API de Cloud Monitoring, sin requerir agentes adicionales ni soluciones alternativas basadas en registros.

Por qué cada opción es correcta o incorrecta

A

Correcta

SDK de OpenCensus o OpenTelemetry

Los contenedores personalizados no pueden depender de la recolección automática de métricas de Vertex AI, por lo que el SDK de OpenCensus o OpenTelemetry debe instrumentar el código y exportar métricas personalizadas a Cloud Monitoring. Esto satisface el requisito de emitir métricas desde el interior del propio contenedor de predicción.

B

Incorrecta

Métricas integradas de Vertex AI

Las métricas integradas cubren señales a nivel de plataforma como CPU, memoria y recuentos de solicitudes; no pueden transportar valores definidos por la aplicación que calcula su código. Es tentador porque no necesita instrumentación, pero está diseñado para el monitoreo de infraestructura y tráfico, no para métricas comerciales personalizadas emitidas por un contenedor de predicción.

C

Incorrecta

Agente de Stackdriver Monitoring instalado en el contenedor

El agente de Monitoring heredado recopila métricas de sistema a nivel de host desde una VM; Vertex AI Prediction administra el tiempo de ejecución del contenedor, por lo que no puede instalar ni depender de ese agente. Es tentador porque los agentes funcionan en VMs de Compute Engine, pero las métricas personalizadas aquí requieren que la biblioteca cliente escriba en la API de Monitoring.

D

Incorrecta

Métricas basadas en registros de Cloud Logging

Las métricas basadas en registros derivan contadores a partir de entradas de registro, por lo que el contenedor debe emitir registros estructurados y se pierde la semántica directa de indicador (gauge) o distribución. Es tentador porque el registro ya está disponible, pero está destinado a la auditoría y recuentos derivados de texto, no para enviar mediciones numéricas desde el código de predicción.

Para profundizar

OpenCensus y OpenTelemetry utilizan exportadores (por ejemplo, el exportador de Stackdriver para OpenCensus o el exportador de Google Cloud Monitoring para OpenTelemetry) para enviar métricas directamente a Cloud Monitoring mediante gRPC o HTTP, aprovechando la API de Cloud Monitoring. En un contenedor personalizado en Vertex AI, normalmente ejecutas un sidecar o integras el SDK en tu servidor de predicción (por ejemplo, utilizando el SDK de OpenTelemetry para Python con el paquete `opentelemetry-exporter-gcp-monitoring`) para exportar métricas como la latencia de predicción o los recuentos de errores. Un escenario del mundo real es un modelo de detección de fraude que necesita emitir métricas personalizadas para la tasa de falsos positivos por versión de modelo, lo cual no puede ser capturado por las métricas integradas de Vertex AI.

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.