Respostas corretas
- AMonitorar a latência de predição e as taxas de erro com alertas do Cloud Monitoring.
- CUsar uma conta de serviço dedicada com permissões mínimas para o endpoint.
Explicação
A Opção A está correta porque o Vertex AI Prediction expõe métricas integradas, como latência de predição, contagem de solicitações e taxas de erro, para o Cloud Monitoring, e configurar políticas de alerta nessas métricas é uma prática recomendada operacional para detectar degradação do modelo ou falhas no endpoint antecipadamente. A Opção C está correta porque o endpoint e a implantação do modelo devem ser executados sob uma conta de serviço dedicada escopada com funções de IAM de privilégio mínimo (por exemplo, apenas as permissões necessárias para ler artefatos de modelo do Cloud Storage e gravar logs), o que limita o raio de explosão se o endpoint for comprometido. A Opção B não é uma melhor prática porque registrar cada entrada e saída de predição bruta pode expor dados sensíveis (PII), incorrer em altos custos de log e não é necessário para auditoria; amostragem ou redação é preferida. A Opção D está incorreta porque os ambientes de treinamento e atendimento são normalmente desacoplados, e o Vertex AI suporta a implantação de modelos em ambientes, desde que o contêiner de atendimento e as dependências sejam compatíveis; forçar ambientes idênticos não é uma melhor prática de implantação. A Opção E está incorreta porque confiar exclusivamente no alias 'default' para todas as implantações remove o controle de versão e dificulta a reversão (rollback) ou testes A/B; versões de modelo explícitas e imutáveis ou aliases dedicados devem ser usados.