DifícilMúltipla escolha

Questão de prática de PMLE

Uma empresa usa um contêiner personalizado no Vertex AI Prediction. Eles desejam enviar métricas personalizadas de seu contêiner de predição para o Cloud Monitoring. Qual método eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • ASDK do OpenCensus ou OpenTelemetry

Explicação

O OpenCensus e o OpenTelemetry são os frameworks de código aberto recomendados para exportar métricas personalizadas de contêineres personalizados no Vertex AI Prediction para o Cloud Monitoring. Eles fornecem uma maneira padronizada de instrumentar o código da sua aplicação, coletar métricas e enviá-las diretamente para o Cloud Monitoring por meio da API do Cloud Monitoring, sem exigir agentes adicionais ou soluções alternativas baseadas em logs.

Por que cada alternativa está certa ou errada

A

Correta

SDK do OpenCensus ou OpenTelemetry

Contêineres personalizados não podem depender da coleta automática de métricas do Vertex AI, portanto, o SDK do OpenCensus ou OpenTelemetry deve instrumentar o código e exportar métricas personalizadas para o Cloud Monitoring. Isso atende ao requisito de emitir métricas de dentro do próprio contêiner de predição.

B

Incorreta

Métricas integradas do Vertex AI

As métricas integradas cobrem sinais em nível de plataforma, como CPU, memória e contagens de solicitações; elas não podem carregar valores definidos pelo aplicativo que seu código calcula. É tentador porque não precisa de instrumentação, mas foi projetado para monitoramento de infraestrutura e tráfego, não para métricas de negócios personalizadas emitidas por um contêiner de predição.

C

Incorreta

Agente do Stackdriver Monitoring instalado no contêiner

O agente de monitoramento legado coleta métricas de sistema em nível de host de uma VM; o Vertex AI Prediction gerencia o tempo de execução do contêiner, portanto, você não pode instalar ou confiar nesse agente. É tentador porque os agentes funcionam em VMs do Compute Engine, mas as métricas personalizadas aqui exigem que a biblioteca cliente grave na API de Monitoramento.

D

Incorreta

Métricas baseadas em logs do Cloud Logging

Métricas baseadas em logs derivam contadores de entradas de log, portanto, o contêiner deve emitir logs estruturados e você perde a semântica direta de medidor (gauge) ou distribuição. É tentador porque o registro em log já está disponível, mas destina-se a auditoria e contagens derivadas de texto, não para enviar medições numéricas do código de predição.

Para se aprofundar

O OpenCensus e o OpenTelemetry usam exportadores (por exemplo, o exportador do Stackdriver para o OpenCensus ou o exportador do Google Cloud Monitoring para o OpenTelemetry) para enviar métricas diretamente para o Cloud Monitoring via gRPC ou HTTP, aproveitando a API do Cloud Monitoring. Em um contêiner personalizado no Vertex AI, você normalmente executa um sidecar ou embute o SDK no seu servidor de predição (por exemplo, usando o SDK Python do OpenTelemetry com o pacote `opentelemetry-exporter-gcp-monitoring`) para exportar métricas como latência de predição ou contagens de erros. Um cenário do mundo real é um modelo de detecção de fraude que precisa emitir métricas personalizadas para a taxa de falsos positivos por versão de modelo, o que não pode ser capturado pelas métricas integradas do Vertex AI.

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.