FácilOpción múltiple

Pregunta de práctica de PMLE

Su empresa despliega trabajos de predicción por lotes utilizando Vertex AI Batch Prediction. Debe supervisar los trabajos en busca de fallos y rendimiento. ¿Cuál es el enfoque recomendado?

Elige la mejor respuesta.

Respuesta correcta

  • CUtilizar Cloud Monitoring para crear paneles y alertas personalizados basados en métricas de predicción por lotes de Vertex AI.

Explicación

Cloud Monitoring (anteriormente Stackdriver) es el servicio nativo de Google Cloud para recopilar, visualizar y alertar sobre métricas de Vertex AI, incluidas las tasas de éxito de los trabajos de predicción por lotes, la latencia y la utilización de recursos. Proporciona paneles preconstruidos y la capacidad de crear alertas personalizadas, lo que lo convierte en el enfoque recomendado para supervisar fallos y rendimiento de manera centralizada y escalable.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilizar Cloud Logging para exportar registros de predicción por lotes y crear métricas basadas en registros.

La exportación de Cloud Logging y las métricas basadas en registros capturan entradas de registros sin procesar, pero Vertex AI Batch Prediction ya publica el estado del trabajo, los recuentos de errores y el rendimiento de las predicciones en Cloud Monitoring; los registros por sí solos no pueden alertar sobre esas métricas directamente. Las métricas basadas en registros se adaptan a patrones de registros de aplicaciones personalizadas, no a la telemetría nativa de trabajos por lotes.

B

Incorrecta

Configurar alertas por correo electrónico en la consola de Vertex AI para trabajos fallidos.

Las alertas por correo electrónico de la consola solo notifican sobre estados de fallo de trabajos y no proporcionan métricas de rendimiento como el rendimiento de predicción o la latencia, y no se pueden enrutar a herramientas de incidentes. La notificación por correo electrónico es adecuada para una simple conciencia de fallos ad-hoc, no para el monitoreo continuo que este escenario requiere.

C

Correcta

Utilizar Cloud Monitoring para crear paneles y alertas personalizados basados en métricas de predicción por lotes de Vertex AI.

Vertex AI Batch Prediction emite métricas en Cloud Monitoring, por lo que los paneles personalizados y las políticas de alertas pueden rastrear los fallos y el rendimiento de los trabajos sin instrumentación a medida. Esto satisface directamente el requisito de supervisar trabajos por lotes en busca de fallos y rendimiento utilizando la superficie de observabilidad nativa de la plataforma.

D

Incorrecta

Habilitar Recommender para obtener sugerencias de optimización para trabajos por lotes.

Recommender muestra sugerencias de optimización de costos y uso para recursos como instancias de Compute Engine; no ingiere registros de trabajos de Vertex AI Batch Prediction ni emite señales de fallos y latencia. Sería la opción correcta al buscar recomendaciones de dimensionamiento adecuado o de recursos inactivos, no para el monitoreo operacional de trabajos de predicción.

Para profundizar

Los trabajos de Vertex AI Batch Prediction emiten métricas en Cloud Monitoring bajo el espacio de nombres aiplatform.googleapis.com, incluidos el estado de finalización del trabajo, los recuentos de predicciones y los recuentos de errores, mientras que los registros de ejecución detallados fluyen a Cloud Logging. Los paneles de Cloud Monitoring pueden graficar estas métricas y las políticas de alerta pueden dispararse ante condiciones como un trabajo que entra en estado FAILED o recuentos de errores que superan un umbral. Las métricas basadas en registros derivadas de Cloud Logging son útiles para analizar contenido de registro personalizado, pero no reemplazan las métricas de trabajo nativas que Monitoring ya expone. Un escenario realista es una canalización de puntuación nocturna donde una política de alerta en la métrica de errores de predicción por lotes avisa al ingeniero de ML antes de que los paneles posteriores consuman predicciones obsoletas, mientras que los alternadores de correo electrónico de la consola carecen de los controles de agregación y enrutamiento que las empresas requieren.

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.