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?
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.
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.