FacileChoix unique

Question d'entraînement PMLE

Votre entreprise déploie des tâches de prédiction par lots à l'aide de Vertex AI Batch Prediction. Vous devez surveiller ces tâches pour détecter les échecs et analyser les performances. Quelle est l'approche recommandée ?

Choisissez la meilleure réponse.

Bonne réponse

  • CUtiliser Cloud Monitoring pour créer des tableaux de bord personnalisés et des alertes basés sur les métriques de prédiction par lots de Vertex AI.

Explication

Cloud Monitoring (anciennement Stackdriver) est le service natif de Google Cloud pour collecter, visualiser et alerter sur les métriques de Vertex AI, y compris les taux de réussite des tâches de prédiction par lots, la latence et l'utilisation des ressources. Il fournit des tableaux de bord pré-intégrés et la capacité de créer des alertes personnalisées, ce qui en fait l'approche recommandée pour surveiller les échecs et les performances de manière centralisée et évolutive.

Pourquoi chaque option est juste ou fausse

A

Fausse

Utiliser Cloud Logging pour exporter les journaux de prédiction par lots et créer des métriques basées sur les journaux.

L'exportation Cloud Logging et les métriques basées sur les journaux capturent les entrées de journal brutes, mais Vertex AI Batch Prediction publie déjà l'état de la tâche, les nombres d'erreurs et le débit de prédiction dans Cloud Monitoring ; les journaux à eux seuls ne peuvent pas alerter directement sur ces métriques. Les métriques basées sur les journaux conviennent aux modèles de journaux d'applications personnalisés, et non à la télémétrie native des tâches par lots.

B

Fausse

Configurer des alertes par e-mail dans la console Vertex AI pour les tâches en échec.

Les alertes par e-mail de la console ne notifient que les états d'échec des tâches et ne fournissent aucune métrique de performance telle que le débit de prédiction ou la latence, et elles ne peuvent pas être acheminées vers des outils de gestion des incidents. La notification par e-mail est adéquate pour une simple prise de conscience ad-hoc des échecs, et non pour la surveillance continue que ce scénario requiert.

C

Juste

Utiliser Cloud Monitoring pour créer des tableaux de bord personnalisés et des alertes basés sur les métriques de prédiction par lots de Vertex AI.

Vertex AI Batch Prediction émet des métriques dans Cloud Monitoring, de sorte que les tableaux de bord personnalisés et les politiques d'alerte peuvent suivre les échecs et les performances des tâches sans instrumentation sur mesure. Cela répond directement à l'exigence de surveiller les tâches par lots pour détecter les échecs et les performances en utilisant la surface d'observabilité native de la plateforme.

D

Fausse

Activer Recommender pour obtenir des suggestions d'optimisation pour les tâches par lots.

Recommender fait surface à des suggestions d'optimisation des coûts et de l'utilisation pour des ressources telles que des instances Compute Engine ; il n'ingère pas les journaux de tâches Vertex AI Batch Prediction et n'émet pas de signaux d'échec et de latence. Ce serait le bon choix lors de la recherche de recommandations de dimensionnement ou de ressources inactives, et non pour la surveillance opérationnelle des tâches de prédiction.

Pour aller plus loin

Les tâches Vertex AI Batch Prediction émettent des métriques dans Cloud Monitoring sous l'espace de noms aiplatform.googleapis.com, comprenant l'état d'achèvement de la tâche, les nombres de prédictions et les nombres d'erreurs, tandis que les journaux d'exécution détaillés affluent vers Cloud Logging. Les tableaux de bord Cloud Monitoring peuvent représenter graphiquement ces métriques et les politiques d'alerte peuvent se déclencher sur des conditions telles qu'une tâche entrant dans l'état FAILED ou des nombres d'erreurs dépassant un seuil. Les métriques basées sur les journaux dérivées de Cloud Logging sont utiles pour analyser le contenu de journaux personnalisés, mais elles ne remplacent pas les métriques de tâches natives que Monitoring expose déjà. Un scénario réaliste est un pipeline de notation nocturne où une politique d'alerte sur la métrique d'erreur de prédiction par lots avertit l'ingénieur ML avant que les tableaux de bord en aval ne consomment des prédictions obsolètes, tandis que les bascules d'e-mail de la console manquent des contrôles d'agrégation et de routage requis par les entreprises.

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.