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.