DifficileChoix unique

Question d'entraînement PMLE

Une entreprise utilise un conteneur personnalisé sur Vertex AI Prediction. Elle souhaite envoyer des métriques personnalisées depuis son conteneur de prédiction vers Cloud Monitoring. Quelle méthode doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • AOpenCensus ou OpenTelemetry SDK

Explication

OpenCensus et OpenTelemetry sont les frameworks open-source recommandés pour exporter des métriques personnalisées depuis des conteneurs personnalisés sur Vertex AI Prediction vers Cloud Monitoring. Ils fournissent un moyen standardisé d'instrumenter le code de votre application, de collecter des métriques et de les envoyer directement à Cloud Monitoring via l'API Cloud Monitoring, sans nécessiter d'agents supplémentaires ni de contournements basés sur les journaux.

Pourquoi chaque option est juste ou fausse

A

Juste

OpenCensus ou OpenTelemetry SDK

Les conteneurs personnalisés ne peuvent pas compter sur la collecte automatique de métriques de Vertex AI, le SDK OpenCensus ou OpenTelemetry doit donc instrumenter le code et exporter les métriques personnalisées vers Cloud Monitoring. Cela répond à l'exigence d'émettre des métriques depuis l'intérieur du conteneur de prédiction lui-même.

B

Fausse

Métriques intégrées de Vertex AI

Les métriques intégrées couvrent les signaux au niveau de la plateforme tels que le CPU, la mémoire et les comptes de requêtes ; elles ne peuvent pas transporter de valeurs définies par l'application que votre code calcule. C'est tentant car cela ne nécessite aucune instrumentation, mais c'est conçu pour la surveillance de l'infrastructure et du trafic, et non pour des métriques métier personnalisées émises par un conteneur de prédiction.

C

Fausse

Agent Stackdriver Monitoring installé dans le conteneur

L'agent Monitoring historique collecte des métriques système au niveau de l'hôte à partir d'une VM ; Vertex AI Prediction gère l'exécution des conteneurs, vous ne pouvez donc pas installer ni utiliser cet agent. C'est tentant car les agents fonctionnent sur des VM Compute Engine, mais les métriques personnalisées nécessitent ici la bibliothèque client écrivant dans l'API Monitoring.

D

Fausse

Métriques basées sur les journaux Cloud Logging

Les métriques basées sur les journaux dérivent des compteurs à partir d'entrées de journal, le conteneur doit donc émettre des journaux structurés et vous perdez la sémantique directe de jauge ou de distribution. C'est tentant car la journalisation est déjà disponible, mais c'est destiné à l'audit et aux comptes dérivés de texte, et non à l'envoi de mesures numériques à partir du code de prédiction.

Pour aller plus loin

OpenCensus et OpenTelemetry utilisent des exportateurs (par exemple, l'exportateur Stackdriver pour OpenCensus ou l'exportateur Google Cloud Monitoring pour OpenTelemetry) pour pousser les métriques directement vers Cloud Monitoring via gRPC ou HTTP, en tirant parti de l'API Cloud Monitoring. Dans un conteneur personnalisé sur Vertex AI, vous exécutez généralement un conteneur secondaire (sidecar) ou intégrez le SDK dans votre serveur de prédiction (par exemple, en utilisant le SDK Python OpenTelemetry avec le package `opentelemetry-exporter-gcp-monitoring`) pour exporter des métriques telles que la latence de prédiction ou le nombre d'erreurs. Un scénario réel est un modèle de détection des fraudes qui doit émettre des métriques personnalisées pour le taux de faux positifs par version de modèle, ce qui ne peut pas être capturé par les métriques intégrées de Vertex AI.

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.