FácilVárias respostas

Questão de prática de PMLE

Quais são DUAS melhores práticas para implantar modelos no Vertex AI Prediction? (Escolha 2.)

Escolha todas as respostas corretas.

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.

Por que cada alternativa está certa ou errada

A

Correta

Monitorar a latência de predição e as taxas de erro com alertas do Cloud Monitoring.

Alertas do Cloud Monitoring sobre latência de predição e taxas de erro revelam degradação antes que os usuários sejam amplamente afetados, permitindo reversão ou dimensionamento oportunos. Essa prática de observabilidade é essencial para manter implantações confiáveis do Vertex AI Prediction em produção.

B

Incorreta

Registrar em log todas as entradas e saídas brutas de predição para cada solicitação para fins de auditoria.

O registro indiscriminado de cada entrada e saída de predição bruta captura dados confidenciais de clientes, aumentando o custo de armazenamento e violando as obrigações de privacidade. A auditoria requer amostragem ou redação, e não captura total. O log completo é adequado para depurar uma solicitação específica com falha, não para a implantação de rotina em produção de um modelo do Vertex AI.

C

Correta

Usar uma conta de serviço dedicada com permissões mínimas para o endpoint.

Uma conta de serviço dedicada escopada apenas para as permissões que o endpoint precisa impõe o privilégio mínimo, limitando o raio de explosão se o contêiner for comprometido. Isso atende diretamente ao requisito de melhor prática de segurança para implantações do Vertex AI Prediction, em vez de reutilizar credenciais padrão amplas.

D

Incorreta

Sempre implantar o modelo no mesmo ambiente de treinamento para evitar incompatibilidade.

Implantar no ambiente de treinamento confunde infraestrutura com compatibilidade; o Vertex AI Prediction serve modelos a partir de um contêiner gerenciado, independentemente de onde o treinamento foi executado. Fixar a implantação no host de treinamento impede o dimensionamento independente e o atendimento reprodutível. Isso seria adequado para inferência local fortemente acoplada, e não para endpoints gerenciados do Vertex AI.

E

Incorreta

Usar o alias de versão de modelo padrão 'default' para todas as implantações para simplificar as atualizações.

Reutilizar o alias 'default' para cada implantação sobrescreve o ponteiro, tornando impossíveis a reversão e a divisão de tráfego entre versões. Os aliases existem para rotular versões específicas para lançamento gradual ou teste canary. A prática correta atribui aliases distintos por versão e move o tráfego deliberadamente entre eles.

Para se aprofundar

Os Endpoints do Vertex AI suportam divisão de tráfego entre versões de modelo por meio de aliases, que é como implantações canary e testes A/B são implementados. Cada modelo implantado é executado em um contêiner com uma conta de serviço especificada; essa conta de serviço precisa das funções roles/aiplatform.user e acesso a quaisquer recursos de suporte como GCS ou BigQuery, mas nada mais. O Cloud Monitoring integra-se nativamente com o Vertex AI para expor métricas como prediction/response_count, prediction/latencies e prediction/error_count, e você pode criar políticas de alerta sobre elas. Um comportamento sutil: o Vertex AI não registra cargas úteis de solicitação/resposta brutas por padrão por motivos de privacidade; você deve habilitar explicitamente o registro de solicitação-resposta, e mesmo assim ele é amostrado e armazenado no Cloud Logging com retenção configurável. Em indústrias regulamentadas, as equipes habilitam o registro com redação de PII e retenção curta, e usam o VPC Service Controls para evitar a exfiltração de dados do endpoint.

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.