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.