हैड्स-ऑन लैब — PMLE Google Cloud Professional Machine Learning Engineer

अवलोकन

पूर्व-आवश्यकताएं

चरण

1. 1.प्रदाता, प्रोजेक्ट सेवाएं, नामकरण

   वर्टेक्स एआई, क्लाउड नोटबुक (वर्कबेंच के लिए), और क्लाउड स्टोरेज एपीआई को सक्षम करें।

   कॉपी

   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.एमएल आर्टिफैक्ट्स + प्रशिक्षण डेटा के लिए एक क्लाउड स्टोरेज बकेट प्रावधानित करें

   प्रोविज़न:

   • Cloud Storage

   पीएमएलई-अनुशंसित बकेट लेआउट: प्रति एमएल प्रोजेक्ट एक क्षेत्रीय बकेट, जिसमें data/raw/, data/processed/, models/, और pipelines/ के लिए सबफ़ोल्डर हों। हम एक सिंगल बकेट प्रावधानित करते हैं — नामकरण परंपरा <project-name>-ml-<region>-<random> का अनुसरण करती है। हॉट प्रशिक्षण-डेटा एक्सेस के लिए स्टैंडर्ड स्टोरेज क्लास; 90 दिनों के बाद नियरलाइन में जीवनचक्र नियम।

   कॉपी

   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.प्रयोग के लिए एक वर्टेक्स एआई वर्कबेंच इंस्टेंस प्रावधानित करें

   प्रोविज़न:

   • Vertex AI Workbench

   वर्टेक्स एआई वर्कबेंच पीएमएलई-कैनोनिकल प्रयोग सीट है — एक जीसीई वीएम पर प्रबंधित जूपिटर, जिसमें पायटॉर्च, टेंसरफ्लो, साईकिट-लर्न और वर्टेक्स एआई एसडीके पहले से लोड होते हैं। हम एक e2-standard-4 इंस्टेंस प्रावधानित करते हैं; वास्तविक प्रशिक्षण वर्कलोड के लिए जीपीयू इंस्टेंस प्रकारों (n1-standard-8 + nvidia-tesla-t4) पर अपग्रेड करें।

   सक्रिय रूप से उपयोग न करने पर वर्कबेंच कंसोल के माध्यम से इंस्टेंस को रोकें — अन्यथा लगभग $100/माह।

   कॉपी

   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.भविष्यवाणी सतह के रूप में एक वर्टेक्स एआई एंडपॉइंट प्रावधानित करें

   प्रोविज़न:

   • Vertex AI

   वर्टेक्स एआई एंडपॉइंट्स पीएमएलई का परिनियोजन आदिम हैं — प्रत्येक परोसा गया मॉडल एक एंडपॉइंट के पीछे रहता है। आकार: (1) एक मॉडल को प्रशिक्षित करें (वर्कबेंच / वर्टेक्स एआई ट्रेनिंग / ऑटोएमएल के माध्यम से), (2) इसे वर्टेक्स एआई मॉडल रजिस्ट्री (gcloud ai models upload) पर अपलोड करें, (3) मॉडल को एक एंडपॉइंट पर परिनियोजित करें। पीएमएलई परीक्षा इस मॉडल → एंडपॉइंट → ट्रैफ़िक-स्प्लिट आकार को मानक सेवा पैटर्न के रूप में परीक्षण करती है।

   हम बिना किसी डिप्लॉयड मॉडल के एक एंडपॉइंट प्रावधानित करते हैं — यह तब तक निःशुल्क है जब तक कोई मॉडल संलग्न नहीं होता। इस प्रकार एक मॉडल डिप्लॉय करें:

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

   चार ब्लॉक (प्रदाता+एपीआई, आर्टिफैक्ट्स बकेट, वर्कबेंच सीट, एंडपॉइंट सतह) के साथ, पीएमएलई सेवा सबस्ट्रेट पूरा हो गया है। वास्तविक पीएमएलई वर्कफ़्लो इस आधार पर वर्टेक्स एआई पाइपलाइन (क्यूबफ्लो), वर्टेक्स एआई एक्सपेरिमेंट्स, वर्टेक्स एआई मॉडल मॉनिटरिंग, वर्टेक्स एआई फीचर स्टोर, और वर्टेक्स एआई विज़ियर को जोड़ते हैं।

   कॉपी

   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]
   }

क्लीनअप (Cleanup)