Dernière révision : mai 2026
Configurez les services AWS figurant à l'examen PMLE 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 laboratoire, vous aurez provisionné, avec du Terraform simple, le plus petit substrat PMLE réaliste — un compartiment d'artefacts Cloud Storage pour les fichiers de modèle + les données d'entraînement, une instance Vertex AI Workbench pour l'expérimentation, et un point de terminaison Vertex AI pour servir les prédictions. Quatre blocs ; chaque flux de travail d'entraînement et de déploiement PMLE se compose sur cette base.
Déposez les extraits dans un seul fichier main.tf, exécutez terraform init, puis terraform apply étape par étape.
Remarque : le modèle entraîné lui-même n'est pas provisionné via Terraform — les modèles sont téléchargés après l'entraînement via gcloud ai models upload ou le SDK Vertex AI. Le point de terminaison provisionné ici est prêt à héberger un modèle ; le déploiement du modèle est une étape distincte après l'exécution de terraform apply.
>= 1.5 ou OpenTofu >= 1.6.your-project-id dans le bloc du fournisseur.Deux postes facturés à l'arrêt :
Environ 100 $/mois si le Workbench est laissé en fonctionnement 24h/24 et 7j/7. Arrêtez-le après chaque session de laboratoire. Une fois que vous déployez un modèle sur le point de terminaison, attendez-vous à environ 0,20 $/heure pour le service n1-standard-2 (environ 144 $/mois s'il est toujours actif).
Activez les API Vertex AI, Cloud Notebooks (pour Workbench) et Cloud Storage.
terraform {
required_version = ">= 1.5"
required_providers {
google = { source = "hashicorp/google", version = "~> 6.0" }
}
}
provider "google" {
project = "your-project-id" # REPLACE
region = "us-central1"
}
locals {
labels = {
project = "certlabpro-pmle"
managed_by = "terraform"
}
}
resource "google_project_service" "aiplatform" {
service = "aiplatform.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "notebooks" {
service = "notebooks.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "storage" {
service = "storage.googleapis.com"
disable_on_destroy = false
}Disposition du compartiment recommandée par PMLE : un compartiment régional par projet ML, avec des sous-dossiers pour data/raw/, data/processed/, models/ et pipelines/. Nous provisionnons un seul compartiment — la convention de nommage suit <nom-du-projet>-ml-<région>-<aléatoire>. Classe de stockage Standard pour un accès rapide aux données d'entraînement ; règle de cycle de vie vers Nearline après 90 jours.
resource "random_id" "suffix" {
byte_length = 4
}
resource "google_storage_bucket" "ml" {
name = "certlabpro-pmle-ml-${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 est le poste d'expérimentation canonique PMLE — Jupyter géré sur une VM GCE, préchargé avec PyTorch, TensorFlow, scikit-learn et le SDK Vertex AI. Nous provisionnons une instance e2-standard-4 ; passez à des types d'instances GPU (n1-standard-8 + nvidia-tesla-t4) pour les charges de travail d'entraînement réelles.
Arrêtez l'instance via la console Workbench lorsque vous ne l'utilisez pas activement — environ 100 $/mois sinon.
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]
}Les points de terminaison Vertex AI sont le primitif de déploiement de PMLE — chaque modèle servi vit derrière un point de terminaison. La forme : (1) entraîner un modèle (via Workbench / Vertex AI Training / AutoML), (2) le télécharger vers le Vertex AI Model Registry (gcloud ai models upload), (3) déployer le modèle vers un point de terminaison. L'examen PMLE teste cette forme modèle → point de terminaison → répartition du trafic comme modèle de service standard.
Nous provisionnons un point de terminaison sans modèle déployé — il est gratuit jusqu'à ce qu'un modèle y soit attaché. Déployez un modèle via :
gcloud ai models deploy MODEL_ID \
--endpoint certlabpro-pmle-endpoint \
--machine-type n1-standard-2 \
--region us-central1
Avec quatre blocs en place (fournisseur+API, compartiment d'artefacts, poste Workbench, surface de point de terminaison), le substrat de service PMLE est complet. Les workflows PMLE réels superposent Vertex AI Pipelines (Kubeflow), Vertex AI Experiments, Vertex AI Model Monitoring, Vertex AI Feature Store et Vertex AI Vizier sur cette 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 détruit tout. L'instance Workbench arrête la facturation immédiatement après la destruction (environ 100 $/mois économisés). Le point de terminaison n'a pas de modèle déployé, il était donc gratuit de toute façon ; si vous avez déployé un modèle après terraform apply, annulez d'abord son déploiement via gcloud ai endpoints undeploy-model ou la destruction échouera. Le compartiment GCS est détruit avec force_destroy = true.
PMLE couvre de nombreuses surfaces Vertex AI que ce laboratoire ne peut pas inclure — Vertex AI Pipelines (Pipelines Kubeflow + SDK Vertex Pipelines), Vertex AI Training (tâches d'entraînement personnalisées + optimisation des hyperparamètres), Vertex AI AutoML (entraînement automatique tabulaire / vision / NLP / prévision), Vertex AI Feature Store (service en ligne + hors ligne), Vertex AI Model Monitoring (détection de dérive + asymétrie), Vertex AI Experiments (suivi + comparaison), Vertex AI Vizier (optimisation bayésienne des hyperparamètres), Vertex AI Matching Engine (recherche de similarité vectorielle), Vertex AI Tensorboard, Vertex AI Predictions en mode batch, BigQuery ML (entraînement ML en base de données), Generative AI Studio + Model Garden + Vertex AI Agent Builder ([[gcp-gail]]), pods TPU pour l'entraînement de grands modèles, modèles Vertex AI Pipelines, la distinction Vertex AI Workbench géré par l'utilisateur vs instance (migration héritée → gérée).
Nous nous en tenons aux primitives GCS + Workbench + Point de terminaison car elles constituent l'épine dorsale PMLE canonique pour l'entraînement et le service. Tous les autres services Vertex AI s'intègrent à cette base — les pipelines orchestrent les tâches d'entraînement qui écrivent les modèles dans GCS et les enregistrent ; Feature Store lit les fonctionnalités dans les tâches d'entraînement ; Model Monitoring surveille le point de terminaison déployé à l'étape 4. Maîtrisez le substrat ; les constructions de niveau supérieur se composent.
Pour une couverture conceptuelle service par service, consultez les sections Parcourir, Guide et Editorial de cette page de certification.