Bonnes réponses
- CUtiliser des composants de conteneurs personnalisés pour encapsuler une logique réutilisable
- ETirer parti de Vertex ML Metadata pour suivre le lignage des artefacts
Explication
L'option C est correcte car les composants de conteneurs personnalisés vous permettent d'empaqueter des dépendances arbitraires, des bibliothèques et du code dans une image portable et versionnée que Vertex AI Pipelines peut réutiliser sur plusieurs pipelines, ce qui est une méthode recommandée pour encapsuler et partager de la logique réutilisable. L'option E est correcte car Vertex ML Metadata enregistre automatiquement les artefacts, les exécutions et leur lignage pour les exécutions de Vertex AI Pipelines, permettant la reproductibilité, l'audit et la comparaison de modèles et de jeux de données entre les expériences. L'option A n'est pas une meilleure pratique car les Cloud Functions sont orientées événements, de courte durée et ne sont pas conçues pour exécuter des étapes de pipeline de ML lourdes ou avec état ; les composants de Vertex AI Pipelines (ou les tâches de Vertex AI Training) doivent exécuter ces étapes. L'option B est erronée car coder en dur les paramètres dans les définitions de composants réduit la réutilisabilité et rend l'expérimentation et le CI/CD plus difficiles ; les paramètres doivent être passés au moment de la soumission du pipeline via les paramètres d'exécution de PipelineJob. L'option D est erronée car l'entraînement et le serving nécessitent souvent des profils de calcul différents (par exemple, des GPU pour l'entraînement par rapport à des CPU optimisés ou différents accélérateurs pour le serving), et la cohérence est obtenue grâce à des artefacts conteneurisés et des dépendances épinglées, et non en forçant des environnements de calcul identiques.