MoyenneChoix multiples

Question d'entraînement PMLE

Quelles sont les TROIS actions à entreprendre pour automatiser un pipeline de machine learning à l'aide de Cloud Build et de Vertex AI ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • AÉcrire un fichier cloudbuild.yaml qui construit un conteneur d'entraînement et soumet un PipelineJob Vertex AI
  • DDéfinir les étapes d'entraînement et de déploiement dans un Vertex AI Pipeline et le soumettre depuis Cloud Build
  • EConfigurer un déclencheur Cloud Build pour s'exécuter sur les commits du dépôt source

Explication

cloudbuild.yaml est la configuration déclarative utilisée par Cloud Build pour définir les étapes de construction, et l'une de ces étapes peut construire une image de conteneur d'entraînement personnalisée (par exemple via docker build) puis soumettre un PipelineJob Vertex AI à l'aide de la commande gcloud ai pipelines run ou du SDK Vertex AI. Vertex AI Pipelines est le service natif pour orchestrer les étapes de flux de travail de ML telles que l'entraînement, l'évaluation et le déploiement sous forme de graphe acyclique orienté, et Cloud Build peut invoquer ce pipeline dans le cadre de la CI/CD, offrant un pipeline de ML entièrement automatisé et reproductible. Un déclencheur Cloud Build lié au référentiel source (par exemple, un déclencheur GitHub ou Cloud Source Repositories sur push ou pull request) est ce qui lance réellement l'exécution de la construction/du pipeline automatisée lors des validations (commits), ce qui constitue le cœur de l'automatisation CI/CD. Cloud Functions n'est pas le mécanisme prévu pour réentraîner les modèles à la fin d'une construction ; les déclencheurs Cloud Build ou les notifications Pub/Sub sont les points d'intégration corrects, et cela ajoute une complexité inutile. Interroger des artefacts de construction avec Cloud Scheduler est un anti-patron ; les déclencheurs orientés événements (déclencheurs Cloud Build ou Pub/Sub) sont préférés au scrutin programmé pour réagir aux nouvelles constructions.

Pourquoi chaque option est juste ou fausse

A

Juste

Écrire un fichier cloudbuild.yaml qui construit un conteneur d'entraînement et soumet un PipelineJob Vertex AI

Cloud Build exécute des étapes de construction déclaratives à partir de cloudbuild.yaml, ce fichier peut donc à la fois construire l'image du conteneur d'entraînement et invoquer l'API Vertex AI pour soumettre un PipelineJob, fournissant l'automatisation de bout en bout exigée par le scénario.

B

Fausse

Utiliser Cloud Functions pour réentraîner le modèle à chaque fin de construction

Cloud Functions ne peut pas orchestrer nativement des pipelines d'entraînement Vertex AI ; les étapes Cloud Build ou Vertex AI Pipelines déclenchent l'entraînement directement lors du commit. Cloud Functions convient à la colle légère orientée événements, telle que la réaction à un message Pub/Sub, et non à la gestion de flux de travail de ML multi-étapes avec suivi des dépendances et traçabilité des artefacts.

C

Fausse

Configurer une tâche Cloud Scheduler pour interroger les nouveaux artefacts de construction

L'interrogation d'artefacts de construction introduit de la latence et des invocations gaspillées ; Cloud Build publie des événements de construction sur Pub/Sub, ce qui déclenche immédiatement le pipeline. Cloud Scheduler convient aux tâches par lots à heure fixe, telles que les exportations de données nocturnes, et non au réentraînement de ML orienté événements où chaque construction réussie doit lancer l'entraînement sans délai.

D

Juste

Définir les étapes d'entraînement et de déploiement dans un Vertex AI Pipeline et le soumettre depuis Cloud Build

Définir l'entraînement et le déploiement en tant que composants de Vertex AI Pipeline apporte l'orchestration et la répétabilité, tandis que Cloud Build agit comme le déclencheur CI qui soumet le PipelineJob. Cela satisfait l'exigence d'automatiser l'ensemble du pipeline plutôt que des scripts individuels.

E

Juste

Configurer un déclencheur Cloud Build pour s'exécuter sur les commits du dépôt source

Un déclencheur Cloud Build lié aux commits du dépôt source fournit le point d'entrée orienté événements requis par le pipeline, démarrant automatiquement les constructions chaque fois que du code est modifié. Cela satisfait la contrainte d'automatisation en éliminant l'invocation manuelle, permettant aux étapes suivantes de déployer et de réentraîner des modèles Vertex AI sans intervention humaine.

Pour aller plus loin

Cloud Build exécute un fichier cloudbuild.yaml sous forme d'une série d'étapes dans des conteneurs ; une étape peut invoquer l'API Vertex AI pour soumettre un PipelineJob défini avec le DSL Kubeflow Pipelines. Le pipeline encapsule l'entraînement, l'évaluation et le déploiement en tant que composants, de sorte que le même artefact est promu entre les environnements. Un déclencheur Cloud Build lié à une branche de référentiel se déclenche lors des validations, permettant un entraînement continu. Une subtilité : le compte de service par défaut de Cloud Build nécessite les rôles roles/aiplatform.user et un accès au stockage ; sans eux, la soumission du PipelineJob échoue avec une erreur de permission. Ce modèle est important lorsqu'une équipe souhaite des versions de ML reproductibles et auditables plutôt que des exécutions de notebooks ad-hoc.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PMLE originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.