DifficileChoix unique

Question d'entraînement PMLE

Vous êtes ingénieur ML dans une entreprise de logistique. L'entreprise utilise un Vertex AI Pipeline avec BigQuery ML pour entraîner un modèle qui prédit les retards de livraison en fonction de la météo, du trafic et des données de commandes historiques. Le pipeline s'exécute quotidiennement et comprend les étapes suivantes : (1) extraction des données de BigQuery, (2) ingénierie des caractéristiques à l'aide de Dataflow, (3) entraînement du modèle avec BigQuery ML (régression logistique), (4) évaluation du modèle et (5) déploiement conditionnel vers un Vertex AI Endpoint si la précision est > 0.85. Récemment, le pipeline a échoué à l'étape 5 avec l'erreur : "Vertex AI Endpoint creation failed: Quota limit of 1 endpoint per region exceeded." L'entreprise a déjà créé un endpoint dans la même région pour un autre modèle. Le pipeline est configuré pour créer un nouvel endpoint chaque fois qu'un modèle est déployé. L'ingénieur doit corriger cela avec des modifications minimales du code du pipeline. Quelle mesure l'ingénieur doit-il prendre ?

Choisissez la meilleure réponse.

Bonne réponse

  • DModifier l'étape de déploiement pour vérifier si un endpoint existe déjà et, le cas échéant, déployer une nouvelle version du modèle sur l'endpoint existant au lieu d'en créer un nouveau.

Explication

Il s'attaque directement à la cause racine : le pipeline échoue car il essaie de créer un nouvel endpoint à chaque fois, dépassant le quota régional d'un endpoint. En modifiant l'étape de déploiement pour vérifier si un endpoint existe déjà et en y déployant une nouvelle version du modèle, l'ingénieur évite les problèmes de quota sans altérer la logique principale du pipeline ni nécessiter d'approbations externes. Cette approche tire parti de la capacité de versionnement des modèles de Vertex AI, qui permet d'avoir plusieurs versions de modèle sous un seul endpoint, s'alignant ainsi sur des modifications de code minimales.

Pourquoi chaque option est juste ou fausse

A

Fausse

Soumettre une demande d'augmentation de quota à Google Cloud pour les Vertex AI Endpoints dans la région actuelle.

Demander une augmentation de quota laisse le pipeline créer un nouvel endpoint chaque jour, de sorte qu'il continue d'échouer jusqu'à ce que le quota soit accordé, et les endpoints répétés s'accumulent. C'est tentant car les limites de quota sont véritablement augmentées de cette manière, mais l'énoncé demande une modification minimale du code et non une approbation externe.

B

Fausse

Modifier la région dans la configuration du pipeline pour l'adresser à une région disposant d'un quota d'endpoints disponible.

Changer de région éloigne l'endpoint des données BigQuery et de l'endpoint existant, ce qui ajoute de la latence inter-régions et du trafic sortant, et la nouvelle région peut également atteindre son quota. C'est tentant car le quota est régional, mais la correction devrait plutôt réutiliser l'endpoint existant.

C

Fausse

Supprimer le seuil de précision et déployer chaque modèle automatiquement sur un endpoint pré-créé.

Déployer chaque modèle écarte le filtre de précision, de sorte que les modèles sous le seuil atteignent la production, et un endpoint pré-créé nécessite toujours un téléchargement de modèle plutôt qu'une création d'endpoint. C'est tentant car la réutilisation d'un endpoint existant évite le quota, mais la condition d'évaluation est une exigence distincte.

D

Juste

Modifier l'étape de déploiement pour vérifier si un endpoint existe déjà et, le cas échéant, déployer une nouvelle version du modèle sur l'endpoint existant au lieu d'en créer un nouveau.

Réutiliser l'endpoint existant contourne le quota d'un endpoint par région, étant donné que Vertex AI limite les endpoints par région plutôt que les modèles déployés. Déployer le nouveau modèle en tant que version supplémentaire du modèle sur cet endpoint satisfait le déploiement conditionnel de l'étape 5 tout en nécessitant uniquement une modification de l'étape de déploiement, laissant les autres composants du pipeline intacts.

Pour aller plus loin

Les Vertex AI Endpoints sont des ressources régionales avec un quota par défaut d'un endpoint par région et par projet, et chaque endpoint peut héberger plusieurs DeployedModels, chacun avec sa propre répartition du trafic et son propre type de machine. Créer un nouvel endpoint pour chaque exécution quotidienne du modèle épuise immédiatement ce quota. La correction idiomatique consiste à réutiliser un seul endpoint : appeler Endpoint.list() ou suivre le nom de la ressource de l'endpoint, puis invoquer deploy_model sur l'endpoint existant, ce qui provisionne un nouveau DeployedModel avec un ID unique et un pourcentage de trafic optionnel. Cela préserve le seuil de précision tout en évitant les demandes de quota ou les migrations de région. Sous le capot, le désarmement (undeploy) de l'ancienne version du modèle libère la puissance de calcul sous-jacente, de sorte que les coûts restent maîtrisés. Ce pattern est important chaque fois que le CI/CD se réentraîne fréquemment et que la création d'endpoints est traitée comme idempotente.

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.