FácilVárias respostas

Questão de prática de PMLE

Quais DUAS opções são práticas recomendadas para criar pipelines de ML no Vertex AI?

Escolha todas as respostas corretas.

Respostas corretas

  • CUsar componentes de contêiner personalizado para encapsular lógica reutilizável
  • EAproveitar o Vertex ML Metadata para rastrear a linhagem de artefatos

Explicação

A Opção C está correta porque os componentes de contêiner personalizado permitem empacotar dependências, bibliotecas e códigos arbitrários em uma imagem portátil e versionada que o Vertex AI Pipelines pode reutilizar em vários pipelines, o que é uma maneira recomendada de encapsular e compartilhar lógica reutilizável. A Opção E está correta porque o Vertex ML Metadata registra automaticamente artefatos, execuções e sua linhagem para execuções do Vertex AI Pipelines, permitindo reprodutibilidade, auditoria e comparação de modelos e conjuntos de dados entre experimentos. A Opção A não é uma prática recomendada porque as Cloud Functions são orientadas a eventos, de curta duração e não foram projetadas para executar etapas de pipeline de ML pesadas ou com estado; os componentes do Vertex AI Pipelines (ou trabalhos de treinamento do Vertex AI) devem executar essas etapas. A Opção B está incorreta porque codificar parâmetros rigidamente nas definições de componentes reduz a reutilização e dificulta a experimentação e o CI/CD; os parâmetros devem ser passados no momento do envio do pipeline por meio de parâmetros de tempo de execução do PipelineJob. A Opção D está incorreta porque o treinamento e o atendimento geralmente exigem perfis de computação diferentes (por exemplo, GPUs para treinamento versus CPUs otimizadas ou diferentes aceleradores para atendimento), e a consistência é alcançada por meio de artefatos conteneirizados e dependências fixadas, não forçando ambientes de computação idênticos.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar Cloud Functions para executar etapas individuais do pipeline

As Cloud Functions não podem orquestrar fluxos de trabalho de ML de várias etapas com linhagem de artefatos, cache ou execução condicional; o Vertex AI Pipelines usa componentes baseados em Kubeflow com um orquestrador gerenciado que rastreia entradas e saídas. As Cloud Functions são adequadas para cola leve orientada a eventos, como acionar um pipeline quando um arquivo chega ao Cloud Storage, e não para executar etapas de pipeline propriamente ditas.

B

Incorreta

Codificar parâmetros de pipeline rigidamente nas definições de componentes

A codificação rígida de parâmetros em definições de componentes impede a reutilização entre ambientes e força a recompilação do pipeline para cada alteração; o Vertex AI espera parâmetros de tempo de execução passados via PipelineJob para permitir que um modelo compilado sirva a desenvolvimento, teste e produção. É tentador porque protótipos rápidos usam valores fixos, mas isso serve apenas para notebooks descartáveis, não para pipelines governados.

C

Correta

Usar componentes de contêiner personalizado para encapsular lógica reutilizável

Os componentes de contêiner personalizado empacotam código, dependências e ambiente de execução em uma imagem portátil, permitindo que as equipes reutilizem lógica idêntica em vários pipelines sem reescrever ou resolver ambientes novamente. Esse encapsulamento atende ao requisito de prática recomendada de reutilização para componentes do Vertex AI Pipelines.

D

Incorreta

Sempre usar o mesmo ambiente de computação para treinamento e atendimento para garantir consistência

O atendimento requer hardware de inferência de baixa latência e escalonamento automático, enquanto o treinamento se beneficia de aceleradores e lotes maiores; forçar um ambiente sacrifica as necessidades de uma carga de trabalho. É tentador porque ambientes idênticos servem genuinamente para a reprodutibilidade ao depurar o desvio entre treinamento e atendimento em um modelo pequeno e fixo.

E

Correta

Aproveitar o Vertex ML Metadata para rastrear a linhagem de artefatos

O Vertex ML Metadata registra parâmetros, métricas e artefatos em execuções de pipeline, fornecendo rastreamento automático de linhagem. Isso atende ao requisito de prática recomendada para pipelines de ML reprodutíveis e auditáveis, permitindo rastrear qual conjunto de dados e contêiner produziu cada modelo.

Para se aprofundar

No Vertex AI, os componentes de contêiner personalizado empacotam Python arbitrário, bibliotecas de sistema e pontos de entrada em uma imagem portátil, de modo que uma etapa de pré-processamento ou avaliação se comporte de forma idêntica em execuções de pipeline e ambientes, em vez de depender de uma imagem de SDK pré-instalada. O Vertex ML Metadata registra execuções, artefatos e suas relações, para que cada artefato de modelo rastreie de volta ao conjunto de dados e à execução de treinamento que o produziu, o que é essencial para reprodutibilidade e auditoria. Codificar parâmetros rigidamente nas definições de componentes prejudica a reutilização do pipeline, e as Cloud Functions não são o substrato de execução para as etapas do pipeline do Vertex. O uso de computação idêntica para treinamento e atendimento não é uma prática recomendada porque o atendimento geralmente precisa de diferentes formatos de instâncias. Juntos, os contêineres personalizados mais o ML Metadata fornecem lógica portátil e linhagem rastreável.

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.