Zuletzt überprüft: Mai 2026
Erstellen Sie die AWS-Dienste der PMLE-Prüfung mit reinem Terraform — ein Block nach dem anderen, jeweils abgestimmt auf eine Prüfungsdomäne. Derselbe Code funktioniert auch mit OpenTofu.
Am Ende dieses Labs haben Sie mit einfachem Terraform das kleinste realistische PMLE-Substrat bereitgestellt — einen Cloud Storage Artefakt-Bucket für Modelldateien + Trainingsdaten, eine Vertex AI Workbench-Instanz für Experimente und einen Vertex AI Endpoint zum Bereitstellen von Vorhersagen. Vier Blöcke; jeder PMLE-Trainings- + Bereitstellungs-Workflow basiert auf dieser Grundlage.
Fügen Sie die Snippets in eine einzige main.tf ein, führen Sie terraform init aus und anschließend terraform apply Schritt für Schritt.
Hinweis: Das trainierte Modell selbst wird nicht über Terraform bereitgestellt — Modelle werden nach dem Training über gcloud ai models upload oder das Vertex AI SDK hochgeladen. Der hier bereitgestellte Endpunkt ist bereit, ein Modell zu hosten; die Modellbereitstellung ist ein separater Schritt nach terraform apply.
>= 1.5 oder OpenTofu >= 1.6.your-project-id im Provider-Block.Zwei Posten werden im Leerlauf abgerechnet:
$100/Monat, wenn die Workbench 24/7 läuft. Stoppen Sie sie nach jeder Lab-Sitzung. Sobald Sie ein Modell am Endpunkt bereitstellen, rechnen Sie mit etwa $0.20/Stunde für $144/Monat, wenn immer aktiv).n1-standard-2 Serving (
Aktivieren Sie die APIs für Vertex AI, Cloud Notebooks (für Workbench) und Cloud Storage.
terraform {
required_version = ">= 1.5"
required_providers {
google = { source = "hashicorp/google", version = "~> 6.0" }
}
}
provider "google" {
project = "your-project-id" # REPLACE
region = "us-central1"
}
locals {
labels = {
project = "certlabpro-pmle"
managed_by = "terraform"
}
}
resource "google_project_service" "aiplatform" {
service = "aiplatform.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "notebooks" {
service = "notebooks.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "storage" {
service = "storage.googleapis.com"
disable_on_destroy = false
}Von PMLE empfohlenes Bucket-Layout: ein regionaler Bucket pro ML-Projekt, mit Unterordnern für data/raw/, data/processed/, models/ und pipelines/. Wir stellen einen einzelnen Bucket bereit — die Namenskonvention folgt <project-name>-ml-<region>-<random>. Standard-Speicherklasse für schnellen Zugriff auf Trainingsdaten; Lifecycle-Regel auf Nearline nach 90 Tagen.
resource "random_id" "suffix" {
byte_length = 4
}
resource "google_storage_bucket" "ml" {
name = "certlabpro-pmle-ml-${random_id.suffix.hex}"
location = "us-central1"
uniform_bucket_level_access = true
force_destroy = true # lab-only
versioning {
enabled = true # PMLE-recommended for model artifacts
}
lifecycle_rule {
condition {
age = 90
}
action {
type = "SetStorageClass"
storage_class = "NEARLINE"
}
}
labels = local.labels
depends_on = [google_project_service.storage]
}Vertex AI Workbench ist der von PMLE empfohlene Experimentierarbeitsplatz — ein verwaltetes Jupyter auf einer GCE VM, vorinstalliert mit PyTorch, TensorFlow, scikit-learn und dem Vertex AI SDK. Wir stellen eine e2-standard-4-Instanz bereit; für tatsächliche Trainings-Workloads wechseln Sie zu GPU-Instanztypen (n1-standard-8 + nvidia-tesla-t4).
Stoppen Sie die Instanz über die Workbench-Konsole, wenn Sie sie nicht aktiv nutzen — andernfalls fallen Kosten von ~$100/Monat an.
resource "google_workbench_instance" "main" {
name = "certlabpro-pmle-workbench"
location = "us-central1-a"
gce_setup {
machine_type = "e2-standard-4"
boot_disk {
disk_size_gb = 150
disk_type = "PD_STANDARD"
}
data_disks {
disk_size_gb = 100
disk_type = "PD_STANDARD"
}
}
labels = local.labels
depends_on = [google_project_service.notebooks]
}Vertex AI Endpoints sind das Bereitstellungs-Primitiv von PMLE — jedes bereitgestellte Modell lebt hinter einem Endpunkt. Der Ablauf: (1) trainieren Sie ein Modell (via Workbench / Vertex AI Training / AutoML), (2) laden Sie es in die Vertex AI Model Registry (gcloud ai models upload) hoch, (3) stellen Sie das Modell an einem Endpunkt bereit. Die PMLE-Prüfung testet diese Modell → Endpunkt → Traffic-Split-Form als Standard-Serving-Muster.
Wir stellen einen Endpunkt ohne bereitgestelltes Modell bereit — er ist kostenlos, bis ein Modell angehängt wird. Stellen Sie ein Modell bereit über:
gcloud ai models deploy MODEL_ID \
--endpoint certlabpro-pmle-endpoint \
--machine-type n1-standard-2 \
--region us-central1
Mit vier Blöcken (Provider+APIs, Artefakt-Bucket, Workbench-Arbeitsplatz, Endpunkt-Schnittstelle) ist das PMLE-Serving-Substrat vollständig. Echte PMLE-Workflows schichten Vertex AI Pipelines (Kubeflow), Vertex AI Experiments, Vertex AI Model Monitoring, Vertex AI Feature Store und Vertex AI Vizier auf dieser Basis auf.
resource "google_vertex_ai_endpoint" "main" {
name = "certlabpro-pmle-endpoint"
display_name = "PMLE lab endpoint"
location = "us-central1"
labels = local.labels
depends_on = [google_project_service.aiplatform]
}terraform destroy reißt alles ab. Die Workbench-Instanz beendet die Abrechnung sofort bei der Zerstörung (~$100/Monat gespart). Der Endpunkt hat kein bereitgestelltes Modell, daher war er ohnehin kostenlos; falls Sie ein Modell nach terraform apply bereitgestellt haben, heben Sie die Bereitstellung zuerst auf über gcloud ai endpoints undeploy-model, sonst schlägt die Zerstörung fehl. Der GCS-Bucket wird mit force_destroy = true zerstört.
PMLE deckt viele Vertex AI-Oberflächen ab, die in diesem Lab nicht behandelt werden können — Vertex AI Pipelines (Kubeflow Pipelines + Vertex Pipelines SDK), Vertex AI Training (benutzerdefinierte Trainingsjobs + Hyperparameter-Optimierung), Vertex AI AutoML (tabellarisches / visuelles / NLP / Prognose-Auto-Training), Vertex AI Feature Store (Online- + Offline-Serving), Vertex AI Model Monitoring (Drift- + Skew-Erkennung), Vertex AI Experiments (Tracking + Vergleich), Vertex AI Vizier (Bayes'sche Hyperparameter-Optimierung), Vertex AI Matching Engine (Vektor-Ähnlichkeitssuche), Vertex AI Tensorboard, Vertex AI Predictions im Batch-Modus, BigQuery ML (In-Database ML-Training), das Generative AI Studio + Model Garden + Vertex AI Agent Builder ([[gcp-gail]]), TPU-Pods für das Training großer Modelle, Vertex AI Pipelines-Vorlagen, die Unterscheidung zwischen Vertex AI Workbench User-Managed vs. Instance (Legacy → verwaltete Migration).
Wir halten uns an die GCS + Workbench + Endpoint-Primitive, da sie das PMLE-kanonische Trainings- + Serving-Rückgrat bilden. Jeder andere Vertex AI-Dienst dockt an diese Basis an — Pipelines orchestrieren Trainingsjobs, die Modelle nach GCS schreiben und registrieren; Feature Store liest Features in Trainingsjobs ein; Model Monitoring überwacht den in Schritt 4 bereitgestellten Endpunkt. Beherrschen Sie das Substrat; die höheren Konstrukte fügen sich zusammen.
Für eine konzeptionelle Abdeckung Dienst für Dienst siehe die Bereiche Durchsuchen, Handbuch und Editorial dieser Zertifizierungsseite.