Última revisión: mayo de 2026
Crea los servicios de AWS del examen PMLE con Terraform puro: bloque a bloque, cada uno vinculado a un dominio del examen. El mismo código funciona en OpenTofu.
Al final de este laboratorio, habrá aprovisionado, con Terraform simple, el sustrato PMLE realista más pequeño: un bucket de Cloud Storage para artefactos de archivos de modelo + datos de entrenamiento, una instancia de Vertex AI Workbench para experimentación y un Endpoint de Vertex AI para servir predicciones. Cuatro bloques; cada flujo de trabajo de entrenamiento + implementación de PMLE se compone sobre esta base.
Copie los fragmentos en un solo main.tf, ejecute terraform init y luego terraform apply paso a paso.
Nota: el modelo entrenado en sí no se aprovisiona a través de Terraform; los modelos se cargan después del entrenamiento mediante gcloud ai models upload o el SDK de Vertex AI. El endpoint aprovisionado aquí está listo para alojar un modelo; la implementación del modelo es un paso separado posterior a terraform apply.
>= 1.5 o OpenTofu >= 1.6.your-project-id en el bloque del proveedor.Dos elementos facturan mientras están inactivos:
$100/mes si Workbench se deja funcionando 24/7. Deténgalo después de cada sesión de laboratorio. Una vez que implemente un modelo en el endpoint, espere aproximadamente $0.20/hora para el servicio $144/mes si está siempre activo).n1-standard-2 (
Habilite las API de Vertex AI, Cloud Notebooks (para Workbench) y Cloud Storage.
terraform {
required_version = ">= 1.5"
required_providers {
google = { source = "hashicorp/google", version = "~> 6.0" }
}
}
provider "google" {
project = "your-project-id" # REPLACE
region = "us-central1"
}
locals {
labels = {
project = "certlabpro-pmle"
managed_by = "terraform"
}
}
resource "google_project_service" "aiplatform" {
service = "aiplatform.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "notebooks" {
service = "notebooks.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "storage" {
service = "storage.googleapis.com"
disable_on_destroy = false
}Diseño de bucket recomendado por PMLE: un bucket regional por proyecto de ML, con subcarpetas para data/raw/, data/processed/, models/ y pipelines/. Aprovisionamos un único bucket — la convención de nomenclatura sigue <project-name>-ml-<region>-<random>. Clase de almacenamiento Estándar para acceso rápido a datos de entrenamiento; regla de ciclo de vida a Nearline después de 90 días.
resource "random_id" "suffix" {
byte_length = 4
}
resource "google_storage_bucket" "ml" {
name = "certlabpro-pmle-ml-${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 es el asiento de experimentación canónico de PMLE — Jupyter gestionado en una VM de GCE, precargado con PyTorch, TensorFlow, scikit-learn y el SDK de Vertex AI. Aprovisionamos una instancia e2-standard-4; actualice a tipos de instancia de GPU (n1-standard-8 + nvidia-tesla-t4) para cargas de trabajo de entrenamiento reales.
Detenga la instancia a través de la consola de Workbench cuando no la esté utilizando activamente — de lo contrario, costará ~$100/mes.
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 son la primitiva de implementación de PMLE — cada modelo servido reside detrás de un endpoint. La forma: (1) entrenar un modelo (vía Workbench / Vertex AI Training / AutoML), (2) subirlo al Registro de modelos de Vertex AI (gcloud ai models upload), (3) desplegar el modelo en un endpoint. El examen PMLE evalúa esta forma modelo → endpoint → división de tráfico como el patrón de servicio estándar.
Aprovisionamos un endpoint sin modelo desplegado — es gratuito hasta que se adjunta un modelo. Despliegue un modelo mediante:
gcloud ai models deploy MODEL_ID \
--endpoint certlabpro-pmle-endpoint \
--machine-type n1-standard-2 \
--region us-central1
Con cuatro bloques en su lugar (proveedor+APIs, bucket de artefactos, asiento de Workbench, superficie de Endpoint), el sustrato de servicio de PMLE está completo. Los flujos de trabajo reales de PMLE superponen Vertex AI Pipelines (Kubeflow), Vertex AI Experiments, Vertex AI Model Monitoring, Vertex AI Feature Store y Vertex AI Vizier sobre esta base.
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 elimina todo. La instancia de Workbench deja de facturar inmediatamente al destruirse (~$100/mes ahorrados). El Endpoint no tiene ningún modelo desplegado, por lo que era gratuito de todos modos; si desplegó un modelo después de terraform apply, despliéguelo primero a través de gcloud ai endpoints undeploy-model o la destrucción fallará. El bucket de GCS se destruye con force_destroy = true.
PMLE cubre muchas superficies de Vertex AI que este laboratorio no puede abarcar — Vertex AI Pipelines (Kubeflow Pipelines + Vertex Pipelines SDK), Vertex AI Training (trabajos de entrenamiento personalizados + ajuste de hiperparámetros), Vertex AI AutoML (entrenamiento automático tabular / visión / PNL / pronóstico), Vertex AI Feature Store (servicio en línea + fuera de línea), Vertex AI Model Monitoring (detección de desviación + sesgo), Vertex AI Experiments (seguimiento + comparación), Vertex AI Vizier (optimización bayesiana de hiperparámetros), Vertex AI Matching Engine (búsqueda de similitud vectorial), Vertex AI Tensorboard, Vertex AI Predictions en modo por lotes, BigQuery ML (entrenamiento de ML en la base de datos), el Generative AI Studio + Model Garden + Vertex AI Agent Builder ([[gcp-gail]]), pods de TPU para entrenamiento de modelos grandes, plantillas de Vertex AI Pipelines, la distinción entre Vertex AI Workbench administrado por el usuario frente a instancia (migración de legado → administrado).
Nos adherimos a las primitivas de GCS + Workbench + Endpoint porque son la espina dorsal canónica de entrenamiento + servicio de PMLE. Cada otro servicio de Vertex AI se conecta a esta base — las Pipelines orquestan trabajos de entrenamiento que escriben modelos en GCS y los registran; Feature Store lee características en los trabajos de entrenamiento; Model Monitoring observa el endpoint desplegado en el Paso 4. Domine el sustrato; las construcciones de nivel superior se componen.
Para una cobertura conceptual servicio por servicio, consulte las secciones Buscar, Manual y Editorial de esta página de certificación.