MediaOpción múltiple

Pregunta de práctica de PMLE

Un equipo utiliza Vertex AI Pipelines. Deben garantizar que solo ciertos miembros del equipo puedan implementar modelos en producción. ¿Cuál es la mejor aproximación?

Elige la mejor respuesta.

Respuesta correcta

  • CUsar roles de IAM con permisos personalizados en Vertex AI Model Registry

Explicación

Vertex AI Model Registry admite roles de IAM con permisos personalizados, lo que permite un control de acceso detallado sobre quién puede promover o implementar modelos en producción. Al asignar roles específicos (por ejemplo, `roles/aiplatform.modelDeployer`) únicamente a los miembros autorizados del equipo, se pueden restringir las acciones de implementación y al mismo tiempo permitir que otros vean o registren modelos. Este enfoque aborda directamente la necesidad de controlar las implementaciones en producción sin afectar otras etapas del pipeline.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Usar Vertex AI Experiments para realizar un seguimiento de los modelos

Experiments realiza un seguimiento de experimentos, no de los permisos de implementación.

B

Incorrecta

Almacenar los artefactos del modelo en un bucket con permisos a nivel de bucket

Los permisos de bucket controlan el acceso al almacenamiento, no la acción de implementación en Vertex AI.

C

Correcta

Usar roles de IAM con permisos personalizados en Vertex AI Model Registry

Model Registry se integra con IAM para otorgar permisos de implementación específicos.

D

Incorrecta

Crear proyectos separados para desarrollo y producción

Esto proporciona aislamiento, pero no controla qué personas pueden implementar dentro de un proyecto.

Para profundizar

Vertex AI Model Registry se integra con Cloud IAM, por lo que el control de acceso se aplica a través de roles como roles/aiplatform.user, roles/aiplatform.admin o roles personalizados que otorgan aiplatform.models.upload y aiplatform.endpoints.deploy en recursos específicos. La sutileza radica en que el permiso de implementación es separable del entrenamiento y el seguimiento de experimentos, por lo que un rol personalizado puede permitir la carga de modelos pero denegar la implementación de endpoints, y las condiciones de IAM pueden restringir aún más por nombre de recurso o etiqueta. Esto importa cuando un equipo de plataforma quiere que los científicos de datos registren modelos libremente mientras que solo los ingenieros de lanzamiento pueden promoverlos a endpoints de producción, lo que los permisos a nivel de bucket o los proyectos separados no pueden expresar con tanta precisión sin duplicar infraestructura.

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.