מעבדה מעשית — PMLE Google Cloud Professional Machine Learning Engineer

סקירה כללית

דרישות קדם

שלבים

1. 1.Provider, שירותי פרויקט, שמות

   אפשרו את ממשקי ה-API של Vertex AI, Cloud Notebooks (עבור Workbench) ו-Cloud Storage.

   העתק

   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
   }

2. 2.אספקת דלי Cloud Storage לחפצי ML + נתוני אימון

   משאבים:

   • Cloud Storage

   פריסת דלי מומלצת על ידי PMLE: דלי אזורי אחד לכל פרויקט ML, עם תיקיות משנה עבור data/raw/, data/processed/, models/, ו-pipelines/. אנו מספקים דלי בודד — מוסכמת השמות היא <project-name>-ml-<region>-<random>. סוג אחסון Standard לגישה מהירה לנתוני אימון; כלל מחזור חיים ל-Nearline לאחר 90 יום.

   העתק

   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]
   }

3. 3.אספקת מופע Vertex AI Workbench לניסויים

   משאבים:

   • Vertex AI Workbench

   Vertex AI Workbench הוא סביבת הניסוי הקנונית של PMLE — Jupyter מנוהל על מכונה וירטואלית של GCE, טעון מראש עם PyTorch, TensorFlow, scikit-learn, ו-Vertex AI SDK. אנו מספקים מופע e2-standard-4; עברו לסוגי מופעי GPU (n1-standard-8 + nvidia-tesla-t4) עבור עומסי עבודה אמיתיים של אימון.

   עצרו את המופע דרך קונסולת Workbench כאשר אינכם משתמשים בו באופן פעיל — אחרת כ-100$ לחודש.

   העתק

   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]
   }

4. 4.אספקת Vertex AI Endpoint כמשטח החיזוי

   משאבים:

   • Vertex AI

   Vertex AI Endpoints הן הפרימיטיב לפריסה של PMLE — כל מודל מוגש נמצא מאחורי נקודת קצה (endpoint). הצורה: (1) אמן מודל (באמצעות Workbench / Vertex AI Training / AutoML), (2) העלה אותו ל-Vertex AI Model Registry (gcloud ai models upload), (3) פרוס את המודל לנקודת קצה. בחינת PMLE בודקת צורה זו של מודל → נקודת קצה → חלוקת תעבורה כתבנית ההגשה הסטנדרטית.

   אנו מספקים נקודת קצה ללא מודל פרוס — היא חינמית עד שמודל מחובר. פרסו מודל באמצעות:

   gcloud ai models deploy MODEL_ID \
     --endpoint certlabpro-pmle-endpoint \
     --machine-type n1-standard-2 \
     --region us-central1
   

   עם ארבעה בלוקים במקום (provider+ממשקי API, דלי חפצים, סביבת Workbench, משטח Endpoint), תשתית ההגשה של PMLE הושלמה. זרימות עבודה אמיתיות של PMLE משתמשות בשכבות של Vertex AI Pipelines (Kubeflow), Vertex AI Experiments, Vertex AI Model Monitoring, Vertex AI Feature Store, ו-Vertex AI Vizier על בסיס זה.

   העתק

   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]
   }

ניקוי משאבים