Última revisão: maio de 2026
Construa os serviços da AWS do exame PMLE com Terraform puro — um bloco de cada vez, cada um vinculado a um domínio do exame. O mesmo código funciona no OpenTofu.
Ao final deste laboratório, você terá provisionado, com Terraform simples, o menor substrato PMLE realista — um bucket de artefatos do Cloud Storage para arquivos de modelo + dados de treinamento, uma instância do Vertex AI Workbench para experimentação e um Vertex AI Endpoint para servir previsões. Quatro blocos; todo fluxo de trabalho de treinamento + implantação PMLE se baseia nesta estrutura.
Insira os snippets em um único main.tf, execute terraform init e depois terraform apply passo a passo.
Nota: o modelo treinado em si não é provisionado via Terraform — os modelos são enviados após o treinamento via gcloud ai models upload ou o SDK do Vertex AI. O endpoint provisionado aqui está pronto para hospedar um modelo; a implantação do modelo é uma etapa separada pós-terraform apply.
>= 1.5 ou OpenTofu >= 1.6.your-project-id no bloco do provedor.Dois itens serão cobrados enquanto ociosos:
$100/mês se o Workbench for deixado em execução 24/7. Pare-o após cada sessão do laboratório. Assim que você implantar um modelo no endpoint, espere aproximadamente $0.20/hora para o serviço $144/mês se sempre ativo).n1-standard-2 (
Habilite as APIs do Vertex AI, Cloud Notebooks (para Workbench) e Cloud Storage.
terraform {
required_version = ">= 1.5"
required_providers {
google = { source = "hashicorp/google", version = "~> 6.0" }
}
}
provider "google" {
project = "your-project-id" # REPLACE
region = "us-central1"
}
locals {
labels = {
project = "certlabpro-pmle"
managed_by = "terraform"
}
}
resource "google_project_service" "aiplatform" {
service = "aiplatform.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "notebooks" {
service = "notebooks.googleapis.com"
disable_on_destroy = false
}
resource "google_project_service" "storage" {
service = "storage.googleapis.com"
disable_on_destroy = false
}Layout de bucket recomendado pelo PMLE: um bucket regional por projeto de ML, com subpastas para data/raw/, data/processed/, models/ e pipelines/. Provisionamos um único bucket — a convenção de nomenclatura segue <project-name>-ml-<region>-<random>. Classe de armazenamento padrão para acesso rápido aos dados de treinamento; regra de ciclo de vida para Nearline após 90 dias.
resource "random_id" "suffix" {
byte_length = 4
}
resource "google_storage_bucket" "ml" {
name = "certlabpro-pmle-ml-${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 é a plataforma de experimentação canônica do PMLE — Jupyter gerenciado em uma VM do GCE, pré-carregado com PyTorch, TensorFlow, scikit-learn e o SDK do Vertex AI. Provisionamos uma instância e2-standard-4; aumente para tipos de instância com GPU (n1-standard-8 + nvidia-tesla-t4) para cargas de trabalho de treinamento reais.
Pare a instância através do console do Workbench quando não estiver utilizando ativamente — caso contrário, ~$100/mês.
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 são o primitivo de implantação do PMLE — todo modelo servido reside atrás de um endpoint. A forma: (1) treinar um modelo (via Workbench / Vertex AI Training / AutoML), (2) enviá-lo para o Vertex AI Model Registry (gcloud ai models upload), (3) implantar o modelo em um endpoint. O exame PMLE testa essa forma modelo → endpoint → divisão de tráfego como o padrão de serviço padrão.
Provisionamos um endpoint sem modelo implantado — é gratuito até que um modelo seja anexado. Implante um modelo via:
gcloud ai models deploy MODEL_ID \
--endpoint certlabpro-pmle-endpoint \
--machine-type n1-standard-2 \
--region us-central1
Com quatro blocos no lugar (provedor+APIs, bucket de artefatos, instância do Workbench, superfície do Endpoint), o substrato de serviço PMLE está completo. Fluxos de trabalho PMLE reais sobrepõem Vertex AI Pipelines (Kubeflow), Vertex AI Experiments, Vertex AI Model Monitoring, Vertex AI Feature Store e Vertex AI Vizier a 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 derruba tudo. A instância do Workbench para de faturar imediatamente após a destruição (~$100/mês economizados). O Endpoint não tem nenhum modelo implantado, então era gratuito de qualquer forma; se você implantou um modelo após terraform apply, desimplante-o primeiro via gcloud ai endpoints undeploy-model ou a destruição falhará. O bucket GCS é destruído com force_destroy = true.
O PMLE cobre muitas superfícies do Vertex AI que este laboratório não pode abordar — Vertex AI Pipelines (Kubeflow Pipelines + Vertex Pipelines SDK), Vertex AI Training (trabalhos de treinamento personalizados + ajuste de hiperparâmetros), Vertex AI AutoML (treinamento automático tabular / visão / PNL / previsão), Vertex AI Feature Store (serviço online + offline), Vertex AI Model Monitoring (detecção de drift + skew), Vertex AI Experiments (rastreamento + comparação), Vertex AI Vizier (otimização bayesiana de hiperparâmetros), Vertex AI Matching Engine (pesquisa de similaridade vetorial), Vertex AI Tensorboard, Vertex AI Predictions em modo batch, BigQuery ML (treinamento de ML no banco de dados), o Generative AI Studio + Model Garden + Vertex AI Agent Builder ([[gcp-gail]]), pods TPU para treinamento de modelos grandes, modelos de Vertex AI Pipelines, a distinção Vertex AI Workbench User-Managed vs Instance (legado → migração gerenciada).
Nós nos limitamos aos primitivos GCS + Workbench + Endpoint porque eles são a espinha dorsal canônica de treinamento + serviço do PMLE. Todos os outros serviços do Vertex AI se conectam a essa base — Pipelines orquestram trabalhos de treinamento que escrevem modelos no GCS e os registram; o Feature Store lê recursos em trabalhos de treinamento; o Model Monitoring monitora o endpoint implantado na Etapa 4. Domine o substrato; as construções de nível superior se compõem.
Para cobertura conceitual serviço a serviço, consulte as seções Navegar, Guia e Editorial desta página de certificação.