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 ?
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.
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.