Resposta correta
- AAtive o dimensionamento automático com as réplicas mínimas definidas para a carga base e as réplicas máximas para lidar com a carga de pico, e garanta que a cota de GPU seja suficiente.
Explicação
Habilitar o dimensionamento automático (autoscaling) com réplicas mínimas e máximas apropriadas permite que o endpoint seja dimensionado dinamicamente durante o tráfego de pico e reduzido durante o tráfego baixo, garantindo recursos de GPU suficientes para lidar com a carga sem intervenção manual. Garantir uma cota de GPU adequada também é fundamental para evitar o esgotamento de recursos. A opção B está incorreta porque mudar para um tipo de máquina maior com mais vCPUs não resolve a latência de inferencia vinculada à GPU; o gargalo é a aceleração da GPU, não a CPU. A opção C está incorreta porque o aumento estático de réplicas leva ao provisionamento excessivo e ao desperdício durante os horários de menor movimento, e não pode reagir rapidamente a picos repentinos de tráfego. A opção D está incorreta porque o Cloud Functions é sem servidor (serverless) e não oferece suporte à aceleração por GPU; ele adiciona latência extra e não é adequado para inferência de GPU em tempo real.
Para se aprofundar
O dimensionamento automático do Vertex AI Prediction ajusta a contagem de réplicas com base em sinais de utilização, como uso de CPU/GPU e concorrência de solicitações, mas o dimensionamento é limitado pelo minReplicaCount e maxReplicaCount do modelo implantado e pela cota de GPU regional. Quando um modelo alimentado por GPU satura, cada réplica enfileira as solicitações, de modo que a latência aumenta até que o tempo limite (timeout) do cliente seja disparado; adicionar réplicas espalha a carga simultânea. Um limite sutil: o aumento de escala não é instantâneo e as VMs de GPU podem levar minutos para serem provisionadas, portanto, as réplicas mínimas devem cobrir o tráfego de linha de base para absorver picos repentinos. Além disso, se a cota de GPU for esgotada, novas réplicas falham silenciosamente ao serem agendadas, mantendo a latência alta. Na prática, um endpoint de previsão de varejo que vê picos na hora do almoço define réplicas mínimas para carga constante e réplicas máximas para picos, após solicitar cota suficiente de GPU NVIDIA na região.
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.