DifícilMúltipla escolha

Questão de prática de PMLE

Você é um engenheiro de ML em uma empresa de logística. A empresa usa um Vertex AI Pipeline com BigQuery ML para treinar um modelo que prevê atrasos de entrega com base em dados meteorológicos, de tráfego e históricos de pedidos. O pipeline é executado diariamente e inclui as etapas: (1) extração de dados do BigQuery, (2) engenharia de features usando o Dataflow, (3) treinamento do modelo com BigQuery ML (regressão logística), (4) avaliação do modelo e (5) implantação condicional em um Vertex AI Endpoint se a acurácia for > 0.85. Recentemente, o pipeline tem falhado na etapa 5 com o erro: "Vertex AI Endpoint creation failed: Quota limit of 1 endpoint per region exceeded." A empresa já criou um endpoint na mesma região para outro modelo. O pipeline está configurado para criar um novo endpoint cada vez que um modelo é implantado. O engenheiro precisa corrigir isso com alterações mínimas no código do pipeline. Qual curso de ação o engenheiro deve tomar?

Escolha a melhor resposta.

Resposta correta

  • DModificar a etapa de implantação para verificar se um endpoint já existe e, em caso afirmativo, implantar uma nova versão do modelo no endpoint existente em vez de criar um novo.

Explicação

Aborda diretamente a causa raiz: o pipeline falha porque tenta criar um novo endpoint a cada vez, excedendo a cota regional de um endpoint. Ao modificar a etapa de implantação para verificar se já existe um endpoint e implantar uma nova versão do modelo nele, o engenheiro evita problemas de cota sem alterar a lógica principal do pipeline ou exigir aprovações externas. Essa abordagem aproveita o recurso de versionamento de modelos do Vertex AI, que permite múltiplas versões de modelo sob um único endpoint, alinhando-se com alterações mínimas de código.

Por que cada alternativa está certa ou errada

A

Incorreta

Enviar uma solicitação de aumento de cota para o Google Cloud para Vertex AI Endpoints na região atual.

Solicitar um aumento de cota deixa o pipeline criando um novo endpoint diariamente, de modo que ele ainda falha até que a cota seja concedida, e endpoints repetidos se acumulam. É tentador porque os limites de cota são genuinamente aumentados dessa maneira, mas o enunciado pede uma alteração mínima de código, e não uma aprovação externa.

B

Incorreta

Alterar a região na configuração do pipeline para uma região com cota de endpoint disponível.

Trocar de região afasta o endpoint dos dados do BigQuery e do endpoint existente, adicionando latência inter-regional e tráfego de saída, e a nova região também pode atingir a cota. É tentador porque a cota é regional, mas a correção deve reutilizar o endpoint existente em vez disso.

C

Incorreta

Remover o limite de acurácia e implantar cada modelo automaticamente em um endpoint pré-criado.

Implantar cada modelo descarta o portão de acurácia, de modo que modelos abaixo do limite chegam à produção, e um endpoint pré-criado ainda precisa de um upload de modelo em vez da criação de um endpoint. É tentador porque reutilizar um endpoint existente evita a cota, mas a condição de avaliação é um requisito separado.

D

Correta

Modificar a etapa de implantação para verificar se um endpoint já existe e, em caso afirmativo, implantar uma nova versão do modelo no endpoint existente em vez de criar um novo.

Reutilizar o endpoint existente evita a cota de um endpoint por região, uma vez que o Vertex AI limita os endpoints por região e não os modelos implantados. Implantar o novo modelo como uma versão adicional de modelo nesse endpoint atende à implantação condicional da etapa 5, exigindo apenas uma alteração na etapa de implantação e deixando os outros componentes do pipeline intocados.

Para se aprofundar

Os Vertex AI Endpoints são recursos regionais com uma cota padrão de um endpoint por região por projeto, e cada endpoint pode hospedar múltiplos DeployedModels, cada um com sua própria divisão de tráfego e tipo de máquina. Criar um novo endpoint para cada execução diária do modelo esgota essa cota imediatamente. A correção idiomática é reutilizar um único endpoint: chamar Endpoint.list() ou rastrear o nome do recurso do endpoint, e então invocar deploy_model no endpoint existente, o que provisiona um novo DeployedModel com um ID exclusivo e porcentagem de tráfego opcional. Isso preserva o limite de acurácia ao mesmo tempo em que evita solicitações de cota ou migrações de região. Internamente, remover a implantação (undeploy) da versão antiga do modelo libera a computação subjacente, para que os custos permaneçam controlados. Esse padrão importa sempre que o CI/CD é retreinado com frequência e a criação de endpoints é tratada como idempotente.

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.