FacileChoix multiples

Question d'entraînement PMLE

Quelles sont les DEUX meilleures pratiques pour déployer des modèles sur Vertex AI Prediction ? (Choisissez 2.)

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • ASurveiller la latence des prédictions et les taux d'erreur à l'aide d'alertes Cloud Monitoring.
  • CUtiliser un compte de service dédié doté de permissions minimales pour le point de terminaison.

Explication

L'option A est correcte car Vertex AI Prediction expose des métriques intégrées telles que la latence de prédiction, le nombre de requêtes et les taux d'erreur dans Cloud Monitoring, et la configuration de politiques d'alerte sur ces métriques est une bonne pratique opérationnelle recommandée pour détecter précocement la dégradation d'un modèle ou les pannes de point de terminaison. L'option C est correcte car le point de terminaison et le déploiement du modèle doivent s'exécuter sous un compte de service dédié doté de rôles IAM à privilèges minimaux (par exemple, uniquement les permissions nécessaires pour lire les artefacts du modèle depuis Cloud Storage et écrire des journaux), ce qui limite la portée des dégâts si le point de terminaison est compromis. L'option B n'est pas une bonne pratique car l'enregistrement de toutes les entrées et sorties de prédiction brutes peut exposer des données sensibles (PII), engendrer des coûts de journalisation élevés et n'est pas requis pour l'audit ; l'échantillonnage ou la caviardage est préférable. L'option D est incorrecte car les environnements d'entraînement et de service sont généralement découplés, et Vertex AI prend en charge le déploiement de modèles dans tous les environnements tant que le conteneur de service et les dépendances sont compatibles ; imposer des environnements identiques n'est pas une bonne pratique de déploiement. L'option E est incorrecte car s'appuyer uniquement sur l'alias de version de modèle par défaut 'default' pour tous les déploiements supprime le contrôle de version et rend impossible la restauration ou les tests A/B ; des versions de modèle explicites et immuables ou des alias dédiés doivent être utilisés.

Pourquoi chaque option est juste ou fausse

A

Juste

Surveiller la latence des prédictions et les taux d'erreur à l'aide d'alertes Cloud Monitoring.

Les alertes Cloud Monitoring sur la latence des prédictions et les taux d'erreur signalent la dégradation avant que les utilisateurs ne soient largement touchés, permettant ainsi une restauration ou un dimensionnement en temps opportun. Cette pratique d'observabilité est essentielle pour maintenir des déploiements fiables de Vertex AI Prediction en production.

B

Fausse

Consigner toutes les entrées et sorties de prédiction brutes pour chaque requête à des fins d'audit.

La journalisation indiscriminée de chaque entrée et sortie de prédiction brute capture des données sensibles des clients, ce qui augmente les coûts de stockage et enfreint les obligations en matière de confidentialité. L'audit nécessite un échantillonnage ou un caviardage, et non une capture globale. Une journalisation complète convient au débogage d'une requête défaillante spécifique, et non au déploiement de production de routine d'un modèle Vertex AI.

C

Juste

Utiliser un compte de service dédié doté de permissions minimales pour le point de terminaison.

Un compte de service dédié limité exclusivement aux permissions nécessaires au point de terminaison applique le principe du moindre privilège, limitant ainsi la portée des dégâts si le conteneur est compromis. Cela répond directement à l'exigence de bonne pratique de sécurité pour les déploiements Vertex AI Prediction, plutôt que de réutiliser de larges informations d'identification par défaut.

D

Fausse

Déployer toujours le modèle dans le même environnement que celui de l'entraînement afin d'éviter toute incompatibilité.

Le déploiement dans l'environnement d'entraînement confond l'infrastructure avec la compatibilité ; Vertex AI Prediction sert des modèles à partir d'un conteneur géré, quel que soit l'endroit où l'entraînement a eu lieu. Fixer le déploiement à l'hôte d'entraînement empêche un dimensionnement indépendant et un service reproductible. Cela conviendrait à une inférence sur site étroitement couplée, et non à des points de terminaison Vertex AI gérés.

E

Fausse

Utiliser l'alias de version de modèle par défaut 'default' pour tous les déploiements afin de simplifier les mises à jour.

Réutiliser l'alias 'default' pour chaque déploiement écrase le pointeur, ce qui rend impossibles la restauration et la répartition du trafic entre les versions. Les alias existent pour étiqueter des versions spécifiques en vue d'un déploiement progressif ou de tests canaris. La bonne pratique consiste à attribuer des alias distincts par version et à faire basculer le trafic délibérément entre elles.

Pour aller plus loin

Les points de terminaison Vertex AI prennent en charge la division du trafic entre les versions de modèles à l'aide d'alias, ce qui correspond à la méthode de mise en œuvre des déploiements canaris et des tests A/B. Chaque modèle déployé s'exécute dans un conteneur doté d'un compte de service spécifié ; ce compte de service requiert les rôles roles/aiplatform.user ainsi que l'accès aux ressources sous-jacentes telles que GCS ou BigQuery, mais rien de plus. Cloud Monitoring s'intègre nativement à Vertex AI pour exposer des métriques telles que prediction/response_count, prediction/latencies et prediction/error_count, et vous pouvez créer des politiques d'alerte sur ces éléments. Un comportement subtil : Vertex AI n'enregistre pas les charges utiles de requêtes/réponses brutes par défaut pour des raisons de confidentialité ; vous devez explicitement activer la journalisation des requêtes et réponses, et même dans ce cas, les données sont échantillonnées et stockées dans Cloud Logging avec une conservation configurable. Dans les secteurs réglementés, les équipes activent la journalisation avec caviardage des informations personnelles identifiables (PII) et une courte période de conservation, et utilisent les contrôles de service VPC pour empêcher l'exfiltration de données du point de terminaison.

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.