DifícilOpción múltiple

Pregunta de práctica de PMLE

Eres un ingeniero de ML en una empresa de logística. La empresa utiliza un Vertex AI Pipeline con BigQuery ML para entrenar un modelo que predice retrasos en las entregas basándose en datos meteorológicos, de tráfico y de pedidos históricos. El pipeline se ejecuta diariamente e incluye los pasos: (1) extracción de datos de BigQuery, (2) ingeniería de características utilizando Dataflow, (3) entrenamiento del modelo con BigQuery ML (regresión logística), (4) evaluación del modelo y (5) despliegue condicional en un Vertex AI Endpoint si la precisión es > 0.85. Recientemente, el pipeline ha estado fallando en el paso 5 con el error: "Vertex AI Endpoint creation failed: Quota limit of 1 endpoint per region exceeded." La empresa ya ha creado un endpoint en la misma región para otro modelo. El pipeline está configurado para crear un nuevo endpoint cada vez que se despliega un modelo. El ingeniero necesita solucionar esto con cambios mínimos en el código del pipeline. ¿Qué curso de acción debe tomar el ingeniero?

Elige la mejor respuesta.

Respuesta correcta

  • DModificar el paso de despliegue para comprobar si ya existe un endpoint y, de ser así, desplegar una nueva versión del modelo en el endpoint existente en lugar de crear uno nuevo.

Explicación

Aborda directamente la causa raíz: el pipeline falla porque intenta crear un nuevo endpoint cada vez, superando la cuota regional de un endpoint. Al modificar el paso de despliegue para comprobar si ya existe un endpoint y desplegar una nueva versión del modelo en él, el ingeniero evita problemas de cuota sin alterar la lógica central del pipeline ni requerir aprobaciones externas. Este enfoque aprovecha la capacidad de versionado de modelos de Vertex AI, que permite múltiples versiones de modelo bajo un solo endpoint, alineándose con cambios mínimos de código.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Enviar una solicitud de aumento de cuota a Google Cloud para Vertex AI Endpoints en la región actual.

Solicitar un aumento de cuota deja al pipeline creando un nuevo endpoint diariamente, por lo que sigue fallando hasta que se otorga la cuota, y los endpoints repetidos se acumulan. Es tentador porque los límites de cuota se aumentan genuinamente de esta manera, pero el enunciado pide un cambio mínimo de código, no una aprobación externa.

B

Incorrecta

Cambiar la región en la configuración del pipeline a una región con cuota de endpoints disponible.

Cambiar de región aleja el endpoint de los datos de BigQuery y del endpoint existente, agregando latencia y transferencia de salida entre regiones, y la nueva región también puede alcanzar su límite de cuota. Es tentador porque la cuota es regional, pero la solución debería reutilizar el endpoint existente en su lugar.

C

Incorrecta

Eliminar el umbral de precisión y desplegar cada modelo automáticamente en un endpoint previamente creado.

Desplegar cada modelo descarta el control de precisión, por lo que los modelos por debajo del umbral llegan a producción, y un endpoint creado previamente aún necesita una carga de modelo en lugar de la creación de un endpoint. Es tentador porque reutilizar un endpoint existente evita la cuota, pero la condición de evaluación es un requisito separado.

D

Correcta

Modificar el paso de despliegue para comprobar si ya existe un endpoint y, de ser así, desplegar una nueva versión del modelo en el endpoint existente en lugar de crear uno nuevo.

Reutilizar el endpoint existente elude la cuota de un endpoint por región, ya que Vertex AI limita los endpoints por región en lugar de los modelos desplegados. Desplegar el nuevo modelo como una versión de modelo adicional en ese endpoint satisface el despliegue condicional del paso 5 al requerir solo un cambio en el paso de despliegue, dejando intactos los demás componentes del pipeline.

Para profundizar

Los Vertex AI Endpoints son recursos regionales con una cuota predeterminada de un endpoint por región por proyecto, y cada endpoint puede alojar múltiples DeployedModels, cada uno con su propia división de tráfico y tipo de máquina. Crear un nuevo endpoint para cada ejecución diaria del modelo agota esta cuota inmediatamente. La solución idiomática es reutilizar un solo endpoint: llamar a Endpoint.list() o rastrear el nombre del recurso del endpoint, luego invocar deploy_model en el endpoint existente, lo que aprovisiona un nuevo DeployedModel con un ID único y un porcentaje de tráfico opcional. Esto preserva el umbral de precisión al tiempo que evita solicitudes de cuota o migraciones de región. Bajo el capó, desinstalar la versión anterior del modelo libera los recursos informáticos subyacentes, por lo que los costos se mantienen acotados. Este patrón importa siempre que CI/CD se reentrena con frecuencia y la creación de endpoints se trata como idempotente.

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.