MédiaVárias respostas

Questão de prática de PMLE

Quais TRÊS ações devem ser tomadas para automatizar um pipeline de machine learning usando o Cloud Build e o Vertex AI?

Escolha todas as respostas corretas.

Respostas corretas

  • AEscrever um cloudbuild.yaml que compile um container de treinamento e envie um PipelineJob do Vertex AI
  • DDefinir as etapas de treinamento e implantação em um Vertex AI Pipeline e enviá-lo a partir do Cloud Build
  • EConfigurar um gatilho do Cloud Build para ser executado em commits no repositório de origem

Explicação

cloudbuild.yaml é a configuração declarativa que o Cloud Build usa para definir etapas de build, e uma dessas etapas pode construir uma imagem de container de treinamento personalizada (por exemplo, via docker build) e, em seguida, enviar um PipelineJob do Vertex AI usando o comando gcloud ai pipelines run ou o SDK do Vertex AI. O Vertex AI Pipelines é o serviço nativo para orquestrar etapas de fluxo de trabalho de ML, como treinamento, avaliação e implantação como um grafo acíclico direcionado, e o Cloud Build pode invocar esse pipeline como parte de CI/CD, fornecendo um pipeline de ML totalmente automatizado e reproduzível. Um gatilho do Cloud Build vinculado ao repositório de origem (por exemplo, um gatilho do GitHub ou Cloud Source Repositories em push ou pull request) é o que realmente inicia o build automatizado/execução do pipeline em commits, que é o núcleo da automação de CI/CD. O Cloud Functions não é o mecanismo pretendido para retreinar modelos na conclusão do build; os gatilhos do Cloud Build ou as notificações do Pub/Sub são os pontos de integração corretos, e isso adiciona complexidade desnecessária. Pesquisar artefatos de build com o Cloud Scheduler é um anti-padrão; gatilhos orientados a eventos (gatilhos do Cloud Build ou Pub/Sub) são preferidos à sondagem agendada para reagir a novos builds.

Por que cada alternativa está certa ou errada

A

Correta

Escrever um cloudbuild.yaml que compile um container de treinamento e envie um PipelineJob do Vertex AI

O Cloud Build executa etapas de build declarativas a partir de cloudbuild.yaml, portanto, este arquivo pode tanto compilar a imagem do container de treinamento quanto invocar a API do Vertex AI para enviar um PipelineJob, fornecendo a automação de ponta a ponta que o cenário exige.

B

Incorreta

Usar o Cloud Functions para retreinar o modelo sempre que um build for concluído

O Cloud Functions não pode orquestrar nativamente pipelines de treinamento do Vertex AI; as etapas do Cloud Build ou do Vertex AI Pipelines acionam o treinamento diretamente no commit. O Cloud Functions é adequado para integrações leves orientadas a eventos, como reagir a uma mensagem do Pub/Sub, e não para gerenciar fluxos de trabalho de ML de várias etapas com rastreamento de dependências e linhagem de artefatos.

C

Incorreta

Configurar um trabalho do Cloud Scheduler para pesquisar novos artefatos de build

Pesquisar artefatos de build introduz latência e invocações desperdiçadas; o Cloud Build publica eventos de build no Pub/Sub, o que aciona o pipeline imediatamente. O Cloud Scheduler é adequado para trabalhos em lote de horário fixo, como exportações de dados noturnas, e não para retreinamento de ML orientado a eventos onde cada build bem-sucedido deve iniciar o treinamento sem demora.

D

Correta

Definir as etapas de treinamento e implantação em um Vertex AI Pipeline e enviá-lo a partir do Cloud Build

Definir o treinamento e a implantação como componentes do Vertex AI Pipeline fornece orquestração e repetibilidade, enquanto o Cloud Build atua como o gatilho de CI que envia o PipelineJob. Isso atende ao requisito de automatizar o pipeline completo em vez de scripts individuais.

E

Correta

Configurar um gatilho do Cloud Build para ser executado em commits no repositório de origem

Um gatilho do Cloud Build vinculado a commits do repositório de origem fornece o ponto de entrada orientado a eventos que o pipeline requer, iniciando automaticamente os builds sempre que o código é alterado. Isso atende à restrição de automação ao remover a invocação manual, permitindo que as etapas subsequentes implantem e retreinem modelos do Vertex AI sem intervenção humana.

Para se aprofundar

O Cloud Build executa um arquivo cloudbuild.yaml como uma série de etapas em containers; uma etapa pode invocar a API do Vertex AI para enviar um PipelineJob definido com o DSL do Kubeflow Pipelines. O pipeline encapsula treinamento, avaliação e implantação como componentes, para que o mesmo artefato seja promovido entre ambientes. Um gatilho do Cloud Build vinculado a um branch de repositório dispara em commits, fornecendo treinamento contínuo. Uma sutileza: a conta de serviço padrão do Cloud Build precisa das funções roles/aiplatform.user e acesso ao armazenamento; sem elas, o envio do PipelineJob falha com um erro de permissão. Esse padrão importa quando uma equipe deseja lançamentos de ML reproduzíveis e auditáveis em vez de execuções de notebook ad-hoc.

Sobre estas questões de prática

Esta é uma das questões de prática originais de PMLE da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.