MédiaMúltipla escolha

Questão de prática de PMLE

Uma equipe usa o Vertex AI Pipelines. Eles precisam garantir que apenas determinados membros da equipe possam implantar modelos em produção. Qual é a melhor abordagem?

Escolha a melhor resposta.

Resposta correta

  • CUsar funções do IAM com permissões personalizadas no Vertex AI Model Registry

Explicação

O Vertex AI Model Registry oferece suporte a funções do IAM com permissões personalizadas, permitindo um controle de acesso refinado sobre quem pode promover ou implantar modelos em produção. Ao atribuir funções específicas (por exemplo, `roles/aiplatform.modelDeployer`) apenas aos membros autorizados da equipe, você pode restringir as ações de implantação, permitindo que outros visualizem ou registrem modelos. Esta abordagem aborda diretamente a necessidade de controlar as implantações em produção sem afetar os outros estágios do pipeline.

Por que cada alternativa está certa ou errada

A

Incorreta

Usar o Vertex AI Experiments para rastrear modelos

Experiments rastreia experimentos, não permissões de implantação.

B

Incorreta

Armazenar artefatos de modelo em um bucket com permissões em nível de bucket

As permissões de bucket controlam o acesso ao armazenamento, não a ação de implantação no Vertex AI.

C

Correta

Usar funções do IAM com permissões personalizadas no Vertex AI Model Registry

O Model Registry integra-se ao IAM para conceder permissões de implantação específicas.

D

Incorreta

Criar projetos separados para desenvolvimento e produção

Isso fornece isolamento, mas não controla quais indivíduos podem implantar dentro de um projeto.

Para se aprofundar

O Vertex AI Model Registry integra-se ao Cloud IAM, portanto o controle de acesso é aplicado por meio de funções como roles/aiplatform.user, roles/aiplatform.admin ou funções personalizadas que concedem aiplatform.models.upload e aiplatform.endpoints.deploy em recursos específicos. A sutileza é que a permissão de implantação é separável do treinamento e do rastreamento de experimentos, de modo que uma função personalizada pode permitir o upload de modelos, mas negar a implantação de endpoints, e as condições do IAM podem restringir ainda mais por nome de recurso ou tag. Isso importa quando uma equipe de plataforma deseja que os cientistas de dados registrem modelos livremente enquanto apenas os engenheiros de lançamento podem promovê-los para endpoints de produção, o que as permissões em nível de bucket ou projetos separados não conseguem expressar com tanta precisão sem duplicar a infraestrutura.

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.