FácilMúltipla escolha

Questão de prática de PMLE

Sua empresa implementa trabalhos de predição em lote usando o Vertex AI Batch Prediction. Você precisa monitorar os trabalhos em busca de falhas e desempenho. Qual é a abordagem recomendada?

Escolha a melhor resposta.

Resposta correta

  • CUsar o Cloud Monitoring para criar painéis personalizados e alertas com base nas métricas de predição em lote do Vertex AI.

Explicação

O Cloud Monitoring (antigo Stackdriver) é o serviço nativo do Google Cloud para coletar, visualizar e alertar sobre métricas do Vertex AI, incluindo taxas de sucesso de trabalhos de predição em lote, latência e utilização de recursos. Ele fornece painéis pré-construídos e a capacidade de criar alertas personalizados, tornando-se a abordagem recomendada para monitorar falhas e desempenho de forma centralizada e escalável.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar o Cloud Logging para exportar logs de predição em lote e criar métricas baseadas em logs.

A exportação do Cloud Logging e as métricas baseadas em logs capturam entradas de log brutas, mas o Vertex AI Batch Prediction já publica o estado do trabalho, contagens de erros e taxa de transferência de predição no Cloud Monitoring; os logs isolados não podem alertar sobre essas métricas diretamente. Métricas baseadas em logs atendem a padrões de logs de aplicativos personalizados, e não à telemetria nativa de trabalhos em lote.

B

Incorreta

Configurar alertas por e-mail no console do Vertex AI para trabalhos com falha.

Os alertas por e-mail do console apenas notificam sobre estados de falha de trabalho e não fornecem métricas de desempenho, como taxa de transferência de predição ou latência, e não podem ser roteados para ferramentas de incidentes. A notificação por e-mail é adequada para uma simples conscientização ad-hoc de falhas, e não para o monitoramento contínuo que este cenário exige.

C

Correta

Usar o Cloud Monitoring para criar painéis personalizados e alertas com base nas métricas de predição em lote do Vertex AI.

O Vertex AI Batch Prediction emite métricas no Cloud Monitoring, de modo que painéis personalizados e políticas de alerta podem rastrear falhas e o desempenho de trabalhos sem instrumentação sob medida. Isso atende diretamente ao requisito de monitorar trabalhos em lote para falhas e desempenho usando a superfície de observabilidade nativa da plataforma.

D

Incorreta

Habilitar o Recommender para obter sugestões de otimização para trabalhos em lote.

O Recommender exibe sugestões de otimização de custo e uso para recursos como instâncias do Compute Engine; ele não ingere logs de trabalhos do Vertex AI Batch Prediction nem emite sinais de falha e latência. Seria a escolha certa ao buscar recomendações de dimensionamento adequado ou recursos ociosos, e não para o monitoramento operacional de trabalhos de predição.

Para se aprofundar

Os trabalhos do Vertex AI Batch Prediction emitem métricas no Cloud Monitoring sob o namespace aiplatform.googleapis.com, incluindo o estado de conclusão do trabalho, contagens de predição e contagens de erros, enquanto os logs de execução detalhados fluem para o Cloud Logging. Os painéis do Cloud Monitoring podem traçar gráficos dessas métricas e as políticas de alerta podem disparar em condições como um trabalho entrando no estado FAILED ou contagens de erros excedendo um limite. Métricas baseadas em logs derivadas do Cloud Logging são úteis para analisar conteúdo de log personalizado, mas não substituem as métricas nativas de trabalho que o Monitoring já expõe. Um cenário realista é um pipeline de pontuação noturna onde uma política de alerta na métrica de erro de predição em lote avisa o engenheiro de ML antes que os painéis a jusante consumam predições obsoletas, enquanto os botões de e-mail do console carecem dos controles de agregação e roteamento que as empresas exigem.

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.