FacileChoix multiples

Question d'entraînement PMLE

Quelles sont les DEUX meilleures pratiques pour créer des pipelines de ML sur Vertex AI ?

Choisissez toutes les bonnes réponses.

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.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utiliser Cloud Functions pour exécuter des étapes de pipeline individuelles

Les Cloud Functions ne peuvent pas orchestrer de flux de travail de ML en plusieurs étapes avec un lignage d'artefacts, de la mise en cache ou une exécution conditionnelle ; Vertex AI Pipelines utilise des composants basés sur Kubeflow avec un orchestrateur géré qui suit les entrées et les sorties. Les Cloud Functions conviennent à la colle légère pilotée par événements, telle que le déclenchement d'un pipeline lorsqu'un fichier atterrit dans Cloud Storage, et non à l'exécution des étapes du pipeline elles-mêmes.

B

Fausse

Coder en dur les paramètres du pipeline dans les définitions des composants

Le codage en dur des paramètres dans les définitions de composants empêche la réutilisation entre les environnements et force la recompilation du pipeline à chaque modification ; Vertex AI attend des paramètres d'exécution passés via PipelineJob pour permettre à un modèle compilé de servir le dev, le test et la prod. C'est tentant car les prototypes rapides codent en dur des valeurs, mais cela ne convient qu'aux notebooks jetables, pas aux pipelines gouvernés.

C

Juste

Utiliser des composants de conteneurs personnalisés pour encapsuler une logique réutilisable

Les composants de conteneurs personnalisés empaquettent le code, les dépendances et l'environnement d'exécution dans une image portable, permettant aux équipes de réutiliser une logique identique d'un pipeline à l'autre sans réécrire ni re-résoudre les environnements. Cet encapsulement satisfait l'exigence de meilleure pratique de réutilisabilité pour les composants de Vertex AI Pipelines.

D

Fausse

Toujours utiliser le même environnement de calcul pour l'entraînement et le serving afin de garantir la cohérence

Le serving nécessite un matériel d'inférence à faible latence et à mise à l'échelle automatique, tandis que l'entraînement bénéficie d'accélérateurs et de lots plus importants ; forcer un environnement sacrifie les besoins d'une charge de travail. C'est tentant car des environnements identiques conviennent réellement à la reproductibilité lors du débogage du décalage entre l'entraînement et le serving dans un petit modèle fixe.

E

Juste

Tirer parti de Vertex ML Metadata pour suivre le lignage des artefacts

Vertex ML Metadata enregistre les paramètres, les métriques et les artefacts de toutes les exécutions de pipeline, offrant un suivi automatique du lignage. Cela satisfait l'exigence de meilleure pratique pour des pipelines de ML reproductibles et auditables en vous permettant de retracer quel jeu de données et quel conteneur ont produit chaque modèle.

Pour aller plus loin

Sur Vertex AI, les composants de conteneurs personalizados empaquettent du code Python arbitraire, des bibliothèques système et des points d'entrée dans une image portable, de sorte qu'une étape de prétraitement ou d'évaluation se comporte de manière identique lors des exécutions de pipeline et des environnements plutôt que de dépendre d'une image SDK préinstallée. Vertex ML Metadata enregistre les exécutions, les artefacts et leurs relations, de sorte que chaque artefact de modèle remonte au jeu de données et à l'exécution d'entraînement qui l'a produit, ce qui est essentiel pour la reproductibilité et l'audit. Coder en dur des paramètres dans les définitions de composants va à l'encontre de la réutilisation des pipelines, et les Cloud Functions ne constituent pas le substrat d'exécution pour les étapes de pipeline Vertex. Utiliser un calcul identique pour l'entraînement et le serving n'est pas une meilleure pratique car le serving nécessite souvent des formes d'instances différentes. Ensemble, les conteneurs personnalisés et Vertex ML Metadata offrent une logique portable et un lignage traçable.

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.