Dernière révision : mai 2026
Configurez les services AWS figurant à l'examen GAIL avec Terraform simple — un bloc à la fois, chacun étant lié à un domaine de l'examen. Le même code fonctionne sur OpenTofu.
À la fin de ce lab, vous aurez provisionné, avec du Terraform simple, le substrat Google GenAI le plus petit et le plus réaliste — les API Vertex AI et Discovery Engine activées, une instance Vertex AI Workbench pour le prototypage, un magasin de données Discovery Engine qui est la source primitive de mise à la terre (grounding) pour le RAG et Vertex AI Search, et une alerte Cloud Monitoring sur le taux d'erreur de prédiction Vertex. Quatre blocs ; le paysage conceptuel GAIL mappé sur une infrastructure réellement provisionnée.
Déposez les extraits dans un seul fichier main.tf, exécutez terraform init, puis terraform apply étape par étape.
>= 1.5 ou OpenTofu >= 1.6.your-project-id dans le bloc du fournisseur.~50 $/mois si le Workbench est laissé en fonctionnement 24h/24 et 7j/7. Arrêtez-le après chaque session de lab.
Activez les API Vertex AI, Discovery Engine (Vertex AI Search), Cloud Notebooks et Cloud Monitoring.
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-gail"
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" "discoveryengine" {
service = "discoveryengine.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "monitoring" {
service = "monitoring.googleapis.com"
disable_on_destroy = false
}Vertex AI Workbench est la surface Jupyter dans le cloud à partir de laquelle démarre chaque flux de prototypage GenAI sur GCP — équivalent à Amazon SageMaker Studio / Azure ML Workbench. L'examen GAIL le teste comme le primitif poste de travail de prédilection du data scientist.
Nous provisionnons une petite instance Workbench e2-standard-2 préchargée avec les bibliothèques Python GenAI. Le Workbench s'exécute sous le capot dans une VM Compute Engine gérée — vous le verrez également dans la console GCE. Arrêtez l'instance via la console Vertex AI Workbench lorsque vous ne l'utilisez pas activement pour éviter de dépenser ~50 $/mois en inactivité.
resource "google_workbench_instance" "main" {
name = "certlabpro-gail-workbench"
location = "us-central1-a"
gce_setup {
machine_type = "e2-standard-2"
boot_disk {
disk_size_gb = 100
disk_type = "PD_STANDARD"
}
}
labels = local.labels
depends_on = [google_project_service.notebooks]
}Discovery Engine (anciennement Vertex AI Search) est le primitif RAG phare de l'examen GAIL — pointez-le vers un corpus (bucket GCS, exploration de site web, ensemble de données BigQuery ou JSON structuré), il indexe le contenu, et les appels Gemini en aval peuvent ancrer leurs réponses dans ce corpus.
Nous créons un magasin de données de type GENERIC — le conteneur conceptuel pour le contenu indexé. Les déploiements en production alimentent le magasin avec des documents via l'API Discovery Engine ; pour le lab, le magasin vide est la démonstration que la ressource existe et est facturée en conséquence.
L'examen GAIL teste ce triangle magasin de données → application de recherche → réponses ancrées comme la forme standard de RAG d'entreprise sur GCP.
resource "google_discovery_engine_data_store" "main" {
data_store_id = "certlabpro-gail-store"
display_name = "GAIL lab data store"
location = "global"
industry_vertical = "GENERIC"
content_config = "CONTENT_REQUIRED"
solution_types = ["SOLUTION_TYPE_SEARCH"]
depends_on = [google_project_service.discoveryengine]
}Les charges de travail GenAI ont une dimension opérationnelle que l'examen GAIL ne cesse de mettre en évidence : erreurs de prédiction, latence, coût par jeton. Nous mettons en place une alerte Cloud Monitoring sur la métrique d'erreur de prédiction de Vertex AI — elle se déclenche lorsque le taux d'erreur dépasse 5 % sur 5 minutes.
Avec quatre blocs en place (fournisseur+API, Workbench pour le prototypage, magasin de données Discovery Engine pour la mise à la terre, et un déclencheur Cloud Monitoring pour la santé opérationnelle), le paysage conceptuel GAIL est mappé à une infrastructure réellement provisionnée. Les déploiements GenAI réels superposent des sélections de modèles, un entraînement personnalisé, la gestion des invites, la création d'agents et les contrôles Model Armor / IA responsable sur cette fondation — mais le substrat ci-dessus est la forme que vous verrez dans les scénarios de l'examen GAIL.
resource "google_monitoring_alert_policy" "vertex_prediction_errors" {
display_name = "GAIL lab — Vertex AI prediction error rate"
combiner = "OR"
conditions {
display_name = "Prediction error rate > 5% over 5 minutes"
condition_threshold {
filter = "metric.type=\"aiplatform.googleapis.com/prediction/online/error_count\" AND resource.type=\"aiplatform.googleapis.com/Endpoint\""
duration = "300s"
comparison = "COMPARISON_GT"
threshold_value = 0.05
aggregations {
alignment_period = "60s"
per_series_aligner = "ALIGN_RATE"
}
}
}
# notification_channels = [] # add channels via console or separate TF resource
depends_on = [google_project_service.monitoring]
}terraform destroy supprime tout. L'instance Workbench cesse d'être facturée immédiatement lors de sa destruction (économisant ~50 $/mois). Le magasin de données Discovery Engine est détruit proprement (pas de frais minimum par ressource à craindre). La politique d'alerte de surveillance est dissociée.
La certification GAIL couvre de nombreuses surfaces GenAI sur GCP que ce lab ne peut pas inclure — les sélections de modèles Gemini (Gemini Pro / Gemini Flash / Gemini Nano), Vertex AI Model Garden (Anthropic Claude, Meta Llama, Mistral, etc.), Vertex AI Agent Builder (provisionnement d'agents sans code), Vertex AI Pipelines (Kubeflow Pipelines + MLOps personnalisés), Vertex AI Prompt Optimizer, les outils Model Armor / IA responsable, Vertex AI Feature Store, AutoML, les tâches d'entraînement personnalisées, l'intégralité de la console Generative AI Studio, la surface GenAI de BigQuery ML, les fonctionnalités GenAI de Workspace (Aide-moi à écrire / Aide-moi à organiser), Gemini pour Google Cloud (l'assistant IDE) et le provisionnement d'applications Vertex AI Search & Conversation (la couche suivante au-dessus des magasins de données).
Nous nous en tenons aux primitifs Workbench + Magasin de données + Surveillance car ils représentent la forme la plus petite et la plus démontrable. Le Workbench est l'endroit où vous prototypez. Le Magasin de données est ce que RAG / Vertex AI Search lit. La Surveillance est la façon dont vous opérez tout cela. Maîtrisez le substrat ; les constructions de niveau supérieur (agents, pipelines, invites) s'y connectent via Vertex AI Studio.
Pour une couverture conceptuelle service par service, consultez les sections Parcourir, Guide et Editorial de cette page de certification.