Ngân hàng đề — Google Cloud Professional Machine Learning Engineer

Tìm thấy 333 câu.

Câu 231
You are developing a model to identify traffic signs in images extracted from videos taken from the dashboard of a vehicle. You have a dataset of 100,000 images that were cropped to show one out of ten different traffic signs. The images have been labeled accordingly for model training, and are stored in a Cloud Storage bucket. You need to be able to tune the model during each training run. How should you train the model?
  1. A Train a model for object detection by using Vertex AI AutoML.
  2. B Train a model for image classification by using Vertex AI AutoML.
  3. C Develop the model training code for object detection, and train a model by using Vertex AI custom training.
  4. D Develop the model training code for image classification, and train a model by using Vertex AI custom training.
Xem giải thích

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một mô hình Machine Learning để nhận diện biển báo giao thông từ các hình ảnh được trích xuất từ video quay từ bảng điều khiển xe hơi. Dataset bao gồm 100.000 hình ảnh, mỗi hình ảnh đã được cắt (cropped) sẵn để chỉ hiển thị một trong 10 loại biển báo giao thông khác nhau, và đã được gán nhãn (labeled) tương ứng để huấn luyện mô hình. Dữ liệu lưu trữ trong Cloud Storage bucket (dịch vụ lưu trữ của Google Cloud).

Yêu cầu chính: Có thể tinh chỉnh (tune) mô hình trong mỗi lần chạy huấn luyện (training run). Điều này ngụ ý cần một phương pháp huấn luyện cho phép kiểm soát hyperparameters linh hoạt, không bị giới hạn bởi các công cụ tự động hóa hoàn toàn.

Vấn đề cốt lõi:

  • Không phải object detection vì ảnh đã crop sẵn (không cần phát hiện vị trí bounding box).
  • Là image classification (phân loại ảnh thành 1 trong 10 lớp biển báo).
  • Cần custom training để tune hyperparameters tự do trong mỗi run, thay vì AutoML (hạn chế tùy chỉnh sâu).

📘 Kiến thức cập nhật (Vertex AI phiên bản mới nhất 2024-2026): Vertex AI hỗ trợ AutoML cho classification/detection nhanh chóng nhưng không cho phép tune hyperparameters chi tiết trong từng run (chỉ optimize tự động cơ bản). Custom training (qua containers hoặc notebooks) cho phép full control tuning với TensorFlow/PyTorch, tích hợp Hyperparameter Tuning Job. (Nguồn: Vertex AI Documentation - Custom Training, AutoML Limitations).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Develop the model training code for image classification, and train a model by using Vertex AI custom training.

Lý do 🛠️:

  • Đây là nhiệm vụ image classification (phân loại 10 lớp biển báo từ ảnh crop sẵn), không cần detection.
  • Custom training cho phép viết code tùy chỉnh (TensorFlow/PyTorch), deploy qua Vertex AI Training Job, và tích hợp Hyperparameter Tuning Service để tune tự động/ thủ công trong mỗi training run (ví dụ: learning rate, batch size). Dữ liệu từ Cloud Storage dễ integrate qua gcsfuse hoặc tf.data.
  • Phù hợp quy mô 100k ảnh, đảm bảo linh hoạt và hiệu suất cao nhất theo best practices Vertex AI 2026.

📋 Giải thích tất cả các phương án (đúng/sai)

  • ❌ [SAI] Train a model for object detection by using Vertex AI AutoML.
    Phương án này sai vì nhiệm vụ không phải object detection (ảnh đã crop chỉ 1 biển báo, không cần bounding box). AutoML Object Detection phù hợp detect nhiều object trong ảnh lớn, không phải classify đơn lẻ. Hơn nữa, AutoML không hỗ trợ tune hyperparameters chi tiết trong mỗi run (chỉ train one-shot với optimize tự động).

  • ❌ [SAI] Train a model for image classification by using Vertex AI AutoML.
    Tuy là image classification đúng, nhưng AutoML hạn chế tune model: Không viết code tùy chỉnh, không tune hyperparameters thủ công mỗi run (chỉ model selector tự động). Với 100k ảnh labeled, custom training hiệu quả hơn để iterate nhanh.

  • ❌ [SAI] Develop the model training code for object detection, and train a model by using Vertex AI custom training.
    Custom training đúng về tune (cho phép code tùy chỉnh và hyperparameter jobs), nhưng object detection sai: Ảnh crop sẵn chỉ cần classify 1 lớp, detection thừa (tốn compute cho YOLO/SSD không cần thiết). Dẫn đến model kém optimal và chậm.

  • ✅ [ĐÚNG] Develop the model training code for image classification, and train a model by using Vertex AI custom training.
    Hoàn hảo: Classification khớp task (ResNet/EfficientNet cho 10 lớp), custom training enable code phát triển, tuning linh hoạt (Vertex AI Pipelines/Hyperparameter Tuning). Dễ scale với Cloud Storage input.

🔗 Tài liệu tham khảo chính thức (Google Cloud Vertex AI - cập nhật 2026)

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần code sample custom training, hãy hỏi thêm.

Câu 232
You have deployed a scikit-team model to a Vertex AI endpoint using a custom model server. You enabled autoscaling: however, the deployed model fails to scale beyond one replica, which led to dropped requests. You notice that CPU utilization remains low even during periods of high load. What should you do?
  1. A Attach a GPU to the prediction nodes
  2. B Increase the number of workers in your model server
  3. C Schedule scaling of the nodes to match expected demand
  4. D Increase the minReplicaCount in your DeployedModel configuration
Xem giải thích

🧩 Phân tích chi tiết câu hỏi

📖 Nội dung câu hỏi:
Câu hỏi mô tả tình huống bạn đã triển khai một mô hình scikit-learn lên Vertex AI endpoint (dịch vụ dự đoán của Google Cloud) bằng custom model server (máy chủ mô hình tùy chỉnh). Bạn đã kích hoạt autoscaling (tự động mở rộng), nhưng mô hình chỉ chạy trên một replica duy nhất (không scale lên thêm), dẫn đến yêu cầu bị drop (bị loại bỏ do quá tải). Đặc biệt, CPU utilization (tỷ lệ sử dụng CPU) vẫn thấp ngay cả trong thời gian high load (tải cao).

Vấn đề cốt lõi: Autoscaling không kích hoạt vì metrics (như CPU) không đạt ngưỡng, dù có quá tải thực tế. Điều này thường xảy ra với custom model server (ví dụ: sử dụng FastAPI, Flask hoặc Triton Inference Server), nơi số lượng workers (luồng xử lý song song) mặc định thấp, dẫn đến CPU không được tận dụng hết trong một replica, khiến hệ thống không scale up.

🎯 Mục tiêu: Tìm giải pháp khắc phục để autoscaling hoạt động đúng, tận dụng tài nguyên hiệu quả hơn.

(Kiến thức cập nhật: Vertex AI hỗ trợ autoscaling cho custom containers từ năm 2021, với metrics chính là CPU utilization 60% trung bình/95th percentile theo docs 2024-2026. Không thay đổi lớn đến 2026.)

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Increase the number of workers in your model server

Lý do:
🛠️ Trong custom model server, số lượng workers (thường cấu hình qua biến môi trường như GUNICORN_CMD_ARGS="--workers=4" cho Gunicorn hoặc tương tự) quyết định số luồng xử lý request song song trong một replica. Nếu workers ít (mặc định thường 1-2), CPU của replica không tăng cao dù high load, dẫn đến autoscaling không trigger (vì CPU < 60%).
✅ Tăng workers giúp tận dụng CPU tốt hơn, CPU utilization tăng → autoscaling scale up replicas tự động. Giải pháp này trực tiếp giải quyết CPU low + không scale beyond 1 replica.
(Nguồn: Vertex AI Custom Prediction Routines Docs & Deploying Custom Models, cập nhật 2025.)

🔍 Giải thích tất cả các phương án (đúng/sai)

  • Attach a GPU to the prediction nodes ❌ SAI
    🧩 Phương án này không liên quan vì vấn đề là CPU low (không phải GPU-bound), và scikit-learn thường chạy trên CPU. Vertex AI autoscaling cho GPU dựa trên GPU utilization riêng, nhưng attach GPU không giải quyết không scale replicas do CPU metrics. Thêm GPU chỉ tăng chi phí vô ích.

  • Increase the number of workers in your model server ✅ ĐÚNG
    (Xem lý do chi tiết ở phần trên). Đây là giải pháp chuẩn cho custom server trên Vertex AI.

  • Schedule scaling of the nodes to match expected demand ❌ SAI
    🛠️ Vertex AI ưu tiên autoscaling dựa trên metrics thực tế, không phải schedule scaling (lập lịch thủ công). Phương án này bỏ qua autoscaling đã enable, không tận dụng được real-time high load, và không giải quyết gốc rễ CPU low.

  • Increase the minReplicaCount in your DeployedModel configuration ❌ SAI
    📘 minReplicaCount chỉ đặt số replica tối thiểu luôn chạy (scale ngay từ đầu), nhưng vấn đề là fails to scale beyond one (không scale up khi load cao). Tăng min chỉ "ép" scale ban đầu, không fix CPU low → autoscaling không trigger, dẫn đến lãng phí tài nguyên khi idle.

📘 Tài liệu tham khảo chính

Hy vọng phân tích này giúp bạn ôn thi hiệu quả! 🚀 Nếu cần ví dụ code config workers, hãy hỏi thêm.

Câu 233
You work for a pet food company that manages an online forum. Customers upload photos of their pets on the forum to share with others. About 20 photos are uploaded daily. You want to automatically and in near real time detect whether each uploaded photo has an animal. You want to prioritize time and minimize cost of your application development and deployment. What should you do?
  1. A Send user-submitted images to the Cloud Vision API. Use object localization to identify all objects in the image and compare the results against a list of animals.
  2. B Download an object detection model from TensorFlow Hub. Deploy the model to a Vertex AI endpoint. Send new user-submitted images to the model endpoint to classify whether each photo has an animal.
  3. C Manually label previously submitted images with bounding boxes around any animals. Build an AutoML object detection model by using Vertex AI. Deploy the model to a Vertex AI endpoint Send new user-submitted images to your model endpoint to detect whether each photo has an animal.
  4. D Manually label previously submitted images as having animals or not. Create an image dataset on Vertex AI. Train a classification model by using Vertex AutoML to distinguish the two classes. Deploy the model to a Vertex AI endpoint. Send new user-submitted images to your model endpoint to classify whether each photo has an animal.
Xem giải thích

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả một công ty thức ăn cho thú cưng quản lý diễn đàn trực tuyến, nơi khách hàng tải lên khoảng 20 ảnh thú cưng mỗi ngày. Nhiệm vụ là tự động phát hiện gần thời gian thực (near real-time) xem mỗi ảnh có chứa động vật hay không. Ưu tiên hàng đầu là tiết kiệm thời gian phát triển và triển khai ứng dụng, đồng thời giảm thiểu chi phí.

📌 Yêu cầu chính:

  • Xử lý tự động, nhanh chóng (near real-time).
  • Thể tích dữ liệu thấp (chỉ 20 ảnh/ngày), nên không cần giải pháp phức tạp, tốn kém.
  • Tập trung vào development & deployment đơn giản, chi phí thấp (không train model từ đầu).

🛠️ Bối cảnh kỹ thuật (dựa trên Google Cloud Platform - GCP, phiên bản cập nhật 2026): Đây là bài toán object detection cơ bản (phát hiện vật thể động vật trong ảnh). GCP cung cấp các dịch vụ ML sẵn dùng như Cloud Vision API (pre-trained model) hoặc Vertex AI (custom model training/deploy). Với yêu cầu ưu tiên tốc độ và chi phí, giải pháp pre-built API sẽ lý tưởng hơn custom model.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Send user-submitted images to the Cloud Vision API. Use object localization to identify all objects in the image and compare the results against a list of animals.

Lý do chọn đáp án này 🏆:

  • Tiết kiệm thời gian tối đa: Cloud Vision API là dịch vụ pre-trained, ready-to-use (không cần train/deploy model). Chỉ cần gửi ảnh qua API call (REST/ gRPC), nhận kết quả ngay lập tức (latency <1 giây, near real-time).
  • Chi phí thấp: Với 20 ảnh/ngày (~600 ảnh/tháng), chi phí chỉ ~0.0015 USD/ảnh (object localization), tổng <1 USD/tháng (theo pricing GCP 2026). Không tốn compute cho training/inference.
  • Hiệu quả cao: Object localization trả về bounding boxes + labels (ví dụ: "dog", "cat" từ danh sách 500+ objects, bao gồm nhiều động vật). So sánh với list animals (như dog, cat, bird...) đơn giản bằng code.
  • Phù hợp low-volume: Không cần infrastructure riêng, scale tự động.

📘 Tài liệu tham khảo:

🔍 Giải thích tất cả các phương án (đúng/sai)

  • Send user-submitted images to the Cloud Vision API. Use object localization to identify all objects in the image and compare the results against a list of animals.
    ✅ Đúng 🥇: Như phân tích trên, đây là giải pháp nhanh nhất (no dev time for model), rẻ nhất (pay-per-use), và chính xác cao với pre-trained model của Google. Hoàn hảo cho near real-time và low volume.

  • Download an object detection model from TensorFlow Hub. Deploy the model to a Vertex AI endpoint. Send new user-submitted images to the model endpoint to classify whether each photo has an animal.
    ❌ Sai 🚫: Phương án này yêu cầu tải model từ TensorFlow Hub, customize, deploy endpoint trên Vertex AI (tốn 1-2 ngày dev + testing). Chi phí inference ~0.001 USD/ảnh + endpoint always-on (~50 USD/tháng min), không tối ưu cho 20 ảnh/ngày (overkill). Không prioritize time/cost.

  • Manually label previously submitted images with bounding boxes around any animals. Build an AutoML object detection model by using Vertex AI. Deploy the model to a Vertex AI endpoint. Send new user-submitted images to your model endpoint to detect whether each photo has an animal.
    ❌ Sai 🚫: Phải manually label bounding boxes (tốn hàng giờ cho ~100-500 ảnh đầu), train AutoML Vision Object Detection (2-24 giờ training), deploy endpoint. Tổng thời gian dev >1 tuần, chi phí training ~100-500 USD + inference, vi phạm ưu tiên time/cost. Vertex AI AutoML (2026) tốt nhưng thừa cho task đơn giản.

  • Manually label previously submitted images as having animals or not. Create an image dataset on Vertex AI. Train a classification model by using Vertex AutoML to distinguish the two classes. Deploy the model to a Vertex AI endpoint. Send new user-submitted images to your model endpoint to classify whether each photo has an animal.
    ❌ Sai 🚫: Chỉ classification binary (có/không động vật), không detect vị trí (dùng object localization). Vẫn cần label manual (dễ hơn nhưng tốn thời gian), train/deploy Vertex AI AutoML Vision Classification (1-12 giờ). Chi phí cao hơn API sẵn (~200 USD training + endpoint), chậm dev (3-5 ngày), không phải lựa chọn tối ưu.

Kết luận 🎯: Với yêu cầu prioritize time & minimize cost, Cloud Vision API là "no-brainer" choice trên GCP. Custom model chỉ phù hợp high-volume hoặc custom needs!

Câu 234
You work at a mobile gaming startup that creates online multiplayer games. Recently, your company observed an increase in players cheating in the games, leading to a loss of revenue and a poor user experience You built a binary classification model to determine whether a player cheated after a completed game session, and then send a message to other downstream systems to ban the player that cheated. Your model has performed well during testing, and you now need to deploy the model to production. You want your serving solution to provide immediate classifications after a completed game session to avoid further loss of revenue. What should you do?
  1. A Import the model into Vertex AI Model Registry. Use the Vertex Batch Prediction service to run batch inference jobs.
  2. B Save the model files in a Cloud Storage bucket. Create a Cloud Function to read the model files and make online inference requests on the Cloud Function.
  3. C Save the model files in a VM. Load the model files each time there is a prediction request, and run an inference job on the VM
  4. D Import the model into Vertex AI Model Registry. Create a Vertex AI endpoint that hosts the model, and make online inference requests.
Xem giải thích

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả tình huống tại một startup phát triển game mobile multiplayer trực tuyến, nơi số lượng người chơi gian lận (cheating) tăng cao, gây mất doanh thu và trải nghiệm người dùng kém. ✅ Bạn đã xây dựng một mô hình phân loại nhị phân (binary classification model) để phát hiện gian lận sau mỗi phiên chơi game hoàn tất. Mô hình này hoạt động tốt trong testing, và giờ cần deploy vào production để cung cấp phân loại ngay lập tức (immediate classifications) sau phiên chơi, nhằm tránh mất mát thêm doanh thu.

🛠️ Yêu cầu chính: Giải pháp serving phải hỗ trợ online inference (dự đoán thời gian thực, low-latency) thay vì batch processing (xử lý hàng loạt chậm). Điều này phù hợp với kiến trúc Google Cloud Vertex AI (cập nhật đến 2026: Vertex AI hỗ trợ endpoint serving với autoscaling, monitoring tích hợp, và hỗ trợ các framework như TensorFlow, PyTorch, scikit-learn). Không liên quan AWS như mô tả ban đầu – đây là Google Cloud thuần túy.

📘 Tài liệu tham khảo:

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Import the model into Vertex AI Model Registry. Create a Vertex AI endpoint that hosts the model, and make online inference requests.

Lý do:

  • 🏆 Vertex AI Model Registry lưu trữ và version model chuyên nghiệp, dễ quản lý.
  • Vertex AI Endpoint là dịch vụ managed serving lý tưởng cho online inference với low-latency (dưới 100ms), autoscaling tự động theo traffic (hàng nghìn RPS), traffic splitting cho A/B testing, và tích hợp monitoring (Vertex AI Monitoring).
  • Phù hợp hoàn hảo cho immediate classifications sau game session, giảm thiểu downtime và chi phí so với tự quản VM/Function. Đây là best practice theo Google Cloud ML best practices 2026.

❌ Phân tích tất cả các phương án (đúng/sai)

  • [SAI] Import the model into Vertex AI Model Registry. Use the Vertex Batch Prediction service to run batch inference jobs.
    ❌ Sai vì: Batch Prediction chỉ xử lý hàng loạt dữ liệu lớn (batch jobs), không hỗ trợ real-time/immediate inference. Thời gian xử lý có thể mất phút/giờ, không phù hợp với yêu cầu "immediate" sau game session, dẫn đến chậm trễ ban cheater và mất revenue.

  • [SAI] Save the model files in a Cloud Storage bucket. Create a Cloud Function to read the model files and make online inference requests on the Cloud Function.
    ❌ Sai vì: Cloud Function (serverless) có hạn chế cold start (latency 1-10s), memory giới hạn (max 8GB), và phải load model mỗi lần invoke từ GCS – rất chậm và không scale tốt cho ML inference cao tải. Không có managed serving, dễ lỗi OOM, không monitoring chuyên sâu như Vertex AI.

  • [SAI] Save the model files in a VM. Load the model files each time there is a prediction request, and run an inference job on the VM.
    ❌ Sai vì: Load model mỗi request gây latency cao (giây/phút tùy model size), tốn CPU/RAM lặp lại, không autoscaling tự động. VM tự quản lý khó maintain, không có SLAs cao như Vertex AI (99.9% uptime), dễ overload khi traffic game spike.

  • [ĐÚNG] Import the model into Vertex AI Model Registry. Create a Vertex AI endpoint that hosts the model, and make online inference requests.
    ✅ Đúng vì: Như giải thích trên – endpoint hosted preload model vào memory, hỗ trợ REST/gRPC online requests siêu nhanh, autoscaling, và tích hợp đầy đủ với GCP ecosystem (IAM, Logging). Best practice cho production ML serving đến 2026! 🚀

Câu 235
You have created a Vertex AI pipeline that automates custom model training. You want to add a pipeline component that enables your team to most easily collaborate when running different executions and comparing metrics both visually and programmatically. What should you do?
  1. A Add a component to the Vertex AI pipeline that logs metrics to a BigQuery table. Query the table to compare different executions of the pipeline. Connect BigQuery to Looker Studio to visualize metrics.
  2. B Add a component to the Vertex AI pipeline that logs metrics to a BigQuery table. Load the table into a pandas DataFrame to compare different executions of the pipeline. Use Matplotlib to visualize metrics.
  3. C Add a component to the Vertex AI pipeline that logs metrics to Vertex ML Metadata. Use Vertex AI Experiments to compare different executions of the pipeline. Use Vertex AI TensorBoard to visualize metrics.
  4. D Add a component to the Vertex AI pipeline that logs metrics to Vertex ML Metadata. Load the Vertex ML Metadata into a pandas DataFrame to compare different executions of the pipeline. Use Matplotlib to visualize metrics.
Xem giải thích

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào Vertex AI Pipelines trên Google Cloud Platform (GCP), một công cụ tự động hóa quy trình huấn luyện mô hình tùy chỉnh (custom model training). Bạn đã tạo một pipeline và muốn thêm một component để đội ngũ có thể hợp tác dễ dàng nhất (collaborate most easily) khi:

  • Chạy các executions khác nhau (runs/experiments khác nhau của pipeline).
  • So sánh metrics (chỉ số hiệu suất) một cách hình ảnh (visually) và lập trình (programmatically).

Mục tiêu chính là chọn giải pháp native, tích hợp sẵn trong Vertex AI, giúp đội ngũ truy cập nhanh, chia sẻ, và visualize mà không cần công cụ bên ngoài phức tạp. Đây là kiến thức cốt lõi của Vertex AI Experiments và ML Metadata store (cập nhật đến phiên bản Vertex AI 2026, hỗ trợ metadata logging tự động và integration sâu với TensorBoard). 📘

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Add a component to the Vertex AI pipeline that logs metrics to Vertex ML Metadata. Use Vertex AI Experiments to compare different executions of the pipeline. Use Vertex AI TensorBoard to visualize metrics.

Lý do:

  • Vertex ML Metadata là kho lưu trữ metadata native của Vertex AI, cho phép log metrics, artifacts, và contexts một cách tự động trong pipeline (qua aiplatform.log_metrics hoặc Metadata API).
  • Vertex AI Experiments cung cấp giao diện web và API để so sánh programmatically (query metrics qua SDK/Python) và visually (bảng so sánh runs, charts tự động).
  • Vertex AI TensorBoard tích hợp trực tiếp để visualize scalars, histograms, graphs – hỗ trợ real-time collaboration cho team.
  • Giải pháp này dễ collaborate nhất vì tất cả native, không cần export data thủ công, và hỗ trợ multi-user access qua GCP console. Đây là best practice theo tài liệu GCP 2026. 🛠️

Nguồn tham khảo:

📋 Giải thích tất cả các phương án (đúng và sai)

  • [SAI] Add a component to the Vertex AI pipeline that logs metrics to a BigQuery table. Query the table to compare different executions of the pipeline. Connect BigQuery to Looker Studio to visualize metrics.
    ❌ Sai vì: BigQuery không phải công cụ native cho ML experiments trong Vertex AI. Việc log metrics thủ công vào BigQuery yêu cầu custom code phức tạp (export qua to_gbq), query SQL để so sánh không trực quan cho ML metrics, và Looker Studio (trước là Data Studio) cần setup dashboard riêng – không hỗ trợ programmatic comparison dễ dàng. Không "most easily collaborate" vì tốn thời gian integrate và maintain. 🛠️

  • [SAI] Add a component to the Vertex AI pipeline that logs metrics to a BigQuery table. Load the table into a pandas DataFrame to compare different executions of the pipeline. Use Matplotlib to visualize metrics.
    ❌ Sai vì: Tương tự trên, BigQuery không native. Load vào pandas yêu cầu script riêng (qua bigquery.Client), so sánh thủ công – không hỗ trợ team collaboration (mỗi người phải chạy code riêng). Matplotlib chỉ visualize local, không share real-time. Phức tạp và không scalable cho pipeline executions. 📊

  • [ĐÚNG] Add a component to the Vertex AI pipeline that logs metrics to Vertex ML Metadata. Use Vertex AI Experiments to compare different executions of the pipeline. Use Vertex AI TensorBoard to visualize metrics.
    ✅ Đúng vì: Như giải thích ở trên. Đây là workflow tích hợp end-to-end: Log metadata → Experiments so sánh (API/UI) → TensorBoard visualize. Hỗ trợ collaboration qua shared Experiments và TensorBoard instances. Best practice cho Vertex AI Pipelines 2026! 🚀

  • [SAI] Add a component to the Vertex AI pipeline that logs metrics to Vertex ML Metadata. Load the Vertex ML Metadata into a pandas DataFrame to compare different executions of the pipeline. Use Matplotlib to visualize metrics.
    ❌ Sai vì: Mặc dù log vào Vertex ML Metadata đúng, nhưng load thủ công vào pandas (qua Metadata API query) và Matplotlib làm mất lợi thế native. Không dễ collaborate (phải share notebooks/code), thiếu visual/programmatic tools tích hợp như Experiments/TensorBoard. Không "most easily"! 🧮

Kết luận: Chọn giải pháp native Vertex AI để tối ưu collaboration và efficiency! Nếu cần code sample, hãy hỏi thêm. 😊

Câu 236
Your team is training a large number of ML models that use different algorithms, parameters, and datasets. Some models are trained in Vertex AI Pipelines, and some are trained on Vertex AI Workbench notebook instances. Your team wants to compare the performance of the models across both services. You want to minimize the effort required to store the parameters and metrics. What should you do?
  1. A Implement an additional step for all the models running in pipelines and notebooks to export parameters and metrics to BigQuery.
  2. B Create a Vertex AI experiment. Submit all the pipelines as experiment runs. For models trained on notebooks log parameters and metrics by using the Vertex AI SDK.
  3. C Implement all models in Vertex AI Pipelines Create a Vertex AI experiment, and associate all pipeline runs with that experiment.
  4. D Store all model parameters and metrics as model metadata by using the Vertex AI Metadata API.
Xem giải thích

🧩 Giải thích nội dung câu hỏi

Câu hỏi mô tả tình huống đội ngũ đang huấn luyện rất nhiều mô hình ML với các thuật toán, tham số và tập dữ liệu khác nhau. Một số mô hình được huấn luyện qua Vertex AI Pipelines (dịch vụ pipeline tự động hóa ML), số khác qua Vertex AI Workbench notebook instances (môi trường notebook tương tác). Mục tiêu là so sánh hiệu suất mô hình giữa hai dịch vụ này, đồng thời giảm thiểu công sức lưu trữ tham số (parameters) và chỉ số đo lường (metrics).

🛠️ Yêu cầu chính: Cần giải pháp tích hợp, dễ dàng theo dõi và so sánh cross-service mà không tốn nhiều effort tùy chỉnh. Vertex AI cung cấp các công cụ native để tracking experiments, phù hợp với phiên bản mới nhất (cập nhật đến 2026, Vertex AI Experiments hỗ trợ seamless integration giữa Pipelines và SDK cho notebooks).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Create a Vertex AI experiment. Submit all the pipelines as experiment runs. For models trained on notebooks log parameters and metrics by using the Vertex AI SDK.

Lý do:

  • Vertex AI Experiments là tính năng native cho phép tạo một experiment duy nhất để theo dõi và so sánh tất cả các run (chạy huấn luyện) từ nhiều nguồn.
  • 📈 Đối với Pipelines: Chỉ cần submit pipeline như một experiment run (tích hợp sẵn, không cần code thêm).
  • 📓 Đối với notebooks (Workbench): Sử dụng Vertex AI SDK (aiplatform.Experiment) để log parameters/metrics chỉ với vài dòng code đơn giản, tự động lưu vào experiment.
  • 🏆 Minimize effort: Không cần export thủ công, dashboard Vertex AI tự động visualize bảng so sánh (metrics, params, charts). Hỗ trợ scale lớn, phù hợp với "large number of ML models".

📋 Phân tích tất cả các phương án

Dưới đây là phân tích chi tiết từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá ✅ (đúng) hoặc ❌ (sai), kèm giải thích rõ ràng:

  • Implement an additional step for all the models running in pipelines and notebooks to export parameters and metrics to BigQuery.
    ❌ Sai: Phương án này yêu cầu thêm bước tùy chỉnh export vào mọi pipeline và notebook, tốn effort cao (viết code ETL, schedule jobs). BigQuery mạnh về analytics nhưng không phải tool native cho ML tracking, khó so sánh trực quan như Experiments. Không minimize effort, dễ lỗi khi scale lớn.

  • Create a Vertex AI experiment. Submit all the pipelines as experiment runs. For models trained on notebooks log parameters and metrics by using the Vertex AI SDK.
    ✅ Đúng: Như giải thích ở trên, đây là giải pháp tích hợp sẵn, low-effort nhất. Pipelines submit trực tiếp làm run, notebooks log qua SDK (ví dụ: experiment.log_metrics(...)). Dashboard Experiments tự so sánh cross-service. Hoàn hảo cho yêu cầu!

  • Implement all models in Vertex AI Pipelines Create a Vertex AI experiment, and associate all pipeline runs with that experiment.
    ❌ Sai: Yêu cầu chuyển hết notebooks sang Pipelines, tốn effort refactor code lớn (notebooks linh hoạt hơn Pipelines). Không khả thi với mô hình đang chạy lẫn lộn, vi phạm "minimize effort". Chỉ giải quyết Pipelines, bỏ qua notebooks gốc.

  • Store all model parameters and metrics as model metadata by using the Vertex AI Metadata API.
    ❌ Sai: Metadata API dùng cho lineage và metadata mô hình đã deploy (như artifacts, executions), không phải tracking experiments realtime hay so sánh performance. Không có dashboard so sánh, phải query thủ công qua API – effort cao, không phù hợp mục tiêu.

📘 Tài liệu tham khảo (cập nhật mới nhất 2026)

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần ví dụ code, hãy hỏi thêm.

Câu 237
You work on a team that builds state-of-the-art deep learning models by using the TensorFlow framework. Your team runs multiple ML experiments each week, which makes it difficult to track the experiment runs. You want a simple approach to effectively track, visualize, and debug ML experiment runs on Google Cloud while minimizing any overhead code. How should you proceed?
  1. A Set up Vertex AI Experiments to track metrics and parameters. Configure Vertex AI TensorBoard for visualization.
  2. B Set up a Cloud Function to write and save metrics files to a Cloud Storage bucket. Configure a Google Cloud VM to host TensorBoard locally for visualization.
  3. C Set up a Vertex AI Workbench notebook instance. Use the instance to save metrics data in a Cloud Storage bucket and to host TensorBoard locally for visualization.
  4. D Set up a Cloud Function to write and save metrics files to a BigQuery table. Configure a Google Cloud VM to host TensorBoard locally for visualization.
Xem giải thích

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

✅ Nội dung câu hỏi được giải thích rõ ràng:
Câu hỏi mô tả tình huống một nhóm phát triển các mô hình deep learning tiên tiến sử dụng framework TensorFlow trên Google Cloud. Nhóm chạy nhiều thí nghiệm ML (ML experiments) mỗi tuần, dẫn đến khó khăn trong việc theo dõi (track), trực quan hóa (visualize) và gỡ lỗi (debug) các lần chạy thí nghiệm. Yêu cầu là tìm cách tiếp cận đơn giản nhất, hiệu quả, giảm thiểu mã code thừa (minimizing overhead code), sử dụng các dịch vụ Google Cloud.
🛠️ Mục tiêu chính: Cần giải pháp tích hợp sẵn, dễ sử dụng cho tracking metrics/parameters, visualization qua TensorBoard, phù hợp với quy trình ML trên Vertex AI (nền tảng ML chính của Google Cloud, cập nhật đến năm 2026 với Vertex AI v2+ hỗ trợ Experiments và TensorBoard tự động).

✅ Đáp án đúng và lý do lựa chọn:
Set up Vertex AI Experiments to track metrics and parameters. Configure Vertex AI TensorBoard for visualization.
📘 Lý do: Vertex AI Experiments là tính năng chuyên dụng của Vertex AI (cập nhật mới nhất 2026), cho phép track tự động metrics, parameters, artifacts với chỉ vài dòng code (sử dụng aiplatform.log_metrics() hoặc context managers). Nó tích hợp liền mạch với Vertex AI TensorBoard để visualize, debug (hỗ trợ histograms, graphs, projections). Giải pháp này đơn giản, zero-overhead (không cần setup VM/Function riêng), scale tự động, phù hợp cho nhiều experiments/tuần. Đây là best practice theo Google Cloud ML workflow.
Nguồn tham khảo:

📋 Giải thích tất cả các phương án (đúng/sai)

  • ✅ [ĐÚNG] Set up Vertex AI Experiments to track metrics and parameters. Configure Vertex AI TensorBoard for visualization.
    🟢 Phân tích đúng: Như đã giải thích, đây là giải pháp native, integrated end-to-end trong Vertex AI. Hỗ trợ logging tự động qua SDK (google-cloud-aiplatform), visualize real-time trên console mà không cần code phức tạp hay infra riêng. Overhead thấp nhất (chỉ 2-3 dòng code/experiment), scale cho high-volume runs, tích hợp với Pipelines/Workbench. Best practice cho TensorFlow teams trên Google Cloud 2026.

  • ❌ [SAI] Set up a Cloud Function to write and save metrics files to a Cloud Storage bucket. Configure a Google Cloud VM to host TensorBoard locally for visualization.
    🔴 Phân tích sai: Giải pháp thủ công, overhead cao: Cloud Functions chỉ lưu file thô vào GCS (cần code custom parser), VM host TensorBoard "locally" đòi hỏi quản lý infra (provisioning, scaling, security). Không track parameters tự động, khó debug multi-runs, không integrate với ML workflow. Phức tạp hơn Vertex AI Experiments rất nhiều, vi phạm yêu cầu "simple approach" và "minimizing overhead".

  • ❌ [SAI] Set up a Vertex AI Workbench notebook instance. Use the instance to save metrics data in a Cloud Storage bucket and to host TensorBoard locally for visualization.
    🔴 Phân tích sai: Workbench (user-managed notebooks) chỉ là môi trường dev, lưu metrics thủ công vào GCS đòi hỏi code riêng (không auto-track experiments). Host TensorBoard "locally" trên instance giới hạn scale (single-instance, không shareable), overhead cao cho multi-user/team. Vertex AI Experiments tốt hơn vì managed, không cần lưu thủ công, và TensorBoard là hosted service chứ không "local".

  • ❌ [SAI] Set up a Cloud Function to write and save metrics files to a BigQuery table. Configure a Google Cloud VM to host TensorBoard locally for visualization.
    🔴 Phân tích sai: BigQuery phù hợp analytics hơn ML tracking (schema rigid, query latency cao cho real-time viz). Cloud Functions lưu vào BQ cần code ETL custom (overhead lớn), VM host TensorBoard lại thủ công như phương án 2. Không hỗ trợ native ML artifacts/hparams tracking, khó visualize graphs/histograms trực tiếp từ BQ. Không đơn giản, scale kém cho frequent experiments.

🧠 Kết luận: Giải pháp đúng tận dụng Vertex AI Experiments + TensorBoard – managed service mới nhất (2026), giúp team focus vào model dev thay vì infra. Tránh các cách thủ công để giảm chi phí vận hành 50-70% theo case studies Google Cloud.

Câu 238
Your work for a textile manufacturing company. Your company has hundreds of machines, and each machine has many sensors. Your team used the sensory data to build hundreds of ML models that detect machine anomalies. Models are retrained daily, and you need to deploy these models in a cost-effective way. The models must operate 24/7 without downtime and make sub millisecond predictions. What should you do?
  1. A Deploy a Dataflow batch pipeline and a Vertex AI Prediction endpoint.
  2. B Deploy a Dataflow batch pipeline with the Runlnference API, and use model refresh.
  3. C Deploy a Dataflow streaming pipeline and a Vertex AI Prediction endpoint with autoscaling.
  4. D Deploy a Dataflow streaming pipeline with the Runlnference API, and use automatic model refresh.
Xem giải thích

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📖 Nội dung câu hỏi:
Câu hỏi mô tả một công ty sản xuất dệt may sở hữu hàng trăm máy móc, mỗi máy có nhiều cảm biến (sensors) thu thập dữ liệu liên tục. Nhóm đã xây dựng hàng trăm mô hình ML để phát hiện dị thường máy móc (machine anomalies) dựa trên dữ liệu cảm biến. Các mô hình được retrain hàng ngày, và yêu cầu triển khai phải:

  • Tiết kiệm chi phí (cost-effective).
  • Hoạt động 24/7 không gián đoạn (without downtime).
  • Thực hiện dự đoán siêu nhanh dưới 1 mili giây (sub-millisecond predictions).

🛠️ Yêu cầu chính từ ngữ cảnh: Dữ liệu từ sensors là real-time/ streaming (liên tục 24/7), cần xử lý streaming pipeline thay vì batch. Hàng trăm models → cần giải pháp scalable, low-latency. Retrain daily → phải hỗ trợ model refresh tự động mà không downtime. Giải pháp lý tưởng là tích hợp inference trực tiếp vào pipeline để giảm latency và chi phí (không cần endpoint riêng).

✅ Đáp án đúng:

Deploy a Dataflow streaming pipeline with the RunInference API, and use automatic model refresh.

Lý do chọn đáp án này (chi tiết):

  • Dataflow streaming pipeline 🏃‍♂️: Xử lý dữ liệu real-time từ sensors 24/7, đảm bảo low-latency (<1ms) và no downtime.
  • RunInference API ⚡: Tích hợp trực tiếp inference của hàng trăm models vào pipeline Dataflow (hỗ trợ TensorFlow, PyTorch, v.v.), giảm chi phí (không cần Vertex AI endpoint riêng), scalable autoscaling, và tối ưu sub-ms predictions.
  • Automatic model refresh 🔄: Vertex AI tự động cập nhật models mới (retrain daily) mà không gián đoạn pipeline, đảm bảo 24/7.
    Giải pháp này cost-effective nhất cho high-throughput, low-latency inference trên streaming data (cập nhật 2024-2026: Dataflow RunInference v2 hỗ trợ multimodal models và auto-refresh seamless).

📋 Giải thích tất cả các phương án (đúng/sai):

  • ❌ Deploy a Dataflow batch pipeline and a Vertex AI Prediction endpoint.
    Phương án này sai vì batch pipeline chỉ xử lý dữ liệu theo lô (không real-time), không đáp ứng 24/7 streaming từ sensors và sub-ms predictions. Vertex AI endpoint thêm latency (online serving ~10-100ms) và chi phí cao cho hàng trăm models.

  • ❌ Deploy a Dataflow batch pipeline with the RunInference API, and use model refresh.
    Phương án sai do batch pipeline không phù hợp real-time data (chỉ chạy định kỳ, gây downtime gián tiếp). RunInference API tốt nhưng kết hợp batch làm chậm predictions, không đạt sub-ms 24/7. Model refresh chưa đủ "automatic" để seamless.

  • ❌ Deploy a Dataflow streaming pipeline and a Vertex AI Prediction endpoint with autoscaling.
    Phương án sai vì dù streaming tốt, Vertex AI Prediction endpoint tạo bottleneck: latency cao hơn RunInference (gọi API external), chi phí lớn (endpoint luôn chạy 24/7 cho hundreds models), và autoscaling chưa đủ nhanh cho sub-ms. Không tối ưu cost-effective.

  • ✅ Deploy a Dataflow streaming pipeline with the RunInference API, and use automatic model refresh.
    (Như đã giải thích ở trên) – Hoàn hảo khớp tất cả yêu cầu!

📘 Tài liệu tham khảo (cập nhật mới nhất 2026):

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần thêm ví dụ code, hỏi nhé!

Câu 239
You are developing an ML model that predicts the cost of used automobiles based on data such as location, condition, model type, color, and engine/battery efficiency. The data is updated every night. Car dealerships will use the model to determine appropriate car prices. You created a Vertex AI pipeline that reads the data splits the data into training/evaluation/test sets performs feature engineering trains the model by using the training dataset and validates the model by using the evaluation dataset. You need to configure a retraining workflow that minimizes cost. What should you do?
  1. A Compare the training and evaluation losses of the current run. If the losses are similar, deploy the model to a Vertex AI endpoint. Configure a cron job to redeploy the pipeline every night.
  2. B Compare the training and evaluation losses of the current run. If the losses are similar, deploy the model to a Vertex AI endpoint with training/serving skew threshold model monitoring. When the model monitoring threshold is triggered redeploy the pipeline.
  3. C Compare the results to the evaluation results from a previous run. If the performance improved deploy the model to a Vertex AI endpoint. Configure a cron job to redeploy the pipeline every night.
  4. D Compare the results to the evaluation results from a previous run. If the performance improved deploy the model to a Vertex AI endpoint with training/serving skew threshold model monitoring. When the model monitoring threshold is triggered redeploy the pipeline.
Xem giải thích

🧩 Giải thích nội dung câu hỏi

Câu hỏi xoay quanh việc phát triển một mô hình Machine Learning (ML) trên Google Cloud Vertex AI để dự đoán giá xe ô tô cũ dựa trên các đặc trưng như vị trí (location), tình trạng (condition), loại mẫu xe (model type), màu sắc (color) và hiệu suất động cơ/pin (engine/battery efficiency). Dữ liệu được cập nhật hàng đêm (every night), và các đại lý xe sẽ sử dụng mô hình này để định giá phù hợp.

Bạn đã xây dựng một Vertex AI pipeline thực hiện các bước: đọc dữ liệu, chia thành tập huấn luyện/đánh giá/kiểm tra (training/evaluation/test sets), kỹ thuật đặc trưng (feature engineering), huấn luyện mô hình trên tập huấn luyện, và xác thực trên tập đánh giá.

Yêu cầu chính: Cấu hình quy trình retraining (huấn luyện lại) sao cho tối ưu hóa chi phí (minimize cost). Nghĩa là cần một cơ chế thông minh, không chạy pipeline hàng đêm vô tội vạ (để tránh tốn kém), mà chỉ retrain/deploy khi thực sự cần thiết, kết hợp giám sát mô hình để phát hiện vấn đề như training/serving skew (sự lệch giữa dữ liệu huấn luyện và dữ liệu phục vụ thực tế).

Đây là tình huống thực tế trong MLOps trên Vertex AI, nơi dữ liệu thay đổi thường xuyên nhưng không phải lúc nào cũng cần retrain full (để tiết kiệm tài nguyên GPU/TPU và chi phí). ✅

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng:
Compare the results to the evaluation results from a previous run. If the performance improved deploy the model to a Vertex AI endpoint with training/serving skew threshold model monitoring. When the model monitoring threshold is triggered redeploy the pipeline.

Lý do chọn đáp án này 🏆:
Phương án này tối ưu chi phí nhất vì:

  • So sánh kết quả đánh giá (evaluation results) với lần chạy trước (previous run): Chỉ deploy nếu performance cải thiện (improved), tránh deploy mô hình kém hơn hoặc tương đương, giảm lãng phí endpoint và inference.
  • Deploy lên Vertex AI endpoint với model monitoring skew threshold (giám sát ngưỡng lệch training/serving): Vertex AI hỗ trợ Model Monitoring tự động phát hiện skew/drift (cập nhật đến 2026 với Vertex AI v1beta1), chỉ trigger retrain khi cần (ví dụ: skew > threshold), thay vì cron job hàng đêm tốn kém.
  • Kết hợp trigger-based retraining (dựa trên monitoring) giúp pipeline chỉ chạy khi dữ liệu thực tế thay đổi đáng kể, phù hợp dữ liệu update nightly mà minimize cost. Đây là best practice MLOps trên Vertex AI! 💡

📋 Giải thích chi tiết tất cả các phương án

Dưới đây là phân tích từng lựa chọn một cách logic, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do cụ thể dựa trên kiến thức Vertex AI mới nhất (2026: hỗ trợ advanced monitoring với skew/drift detection, pipeline scheduling linh hoạt).

  • ❌ Phương án SAI: Compare the training and evaluation losses of the current run. If the losses are similar, deploy the model to a Vertex AI endpoint. Configure a cron job to redeploy the pipeline every night.
    Giải thích: Chỉ kiểm tra training/evaluation losses tương tự (no overfitting/underfitting) là chưa đủ, vì không so sánh với baseline trước đó – có thể performance thực tế tệ đi do data drift. Cron job redeploy every night tốn kém cao (chạy full pipeline hàng đêm dù không cần), vi phạm yêu cầu minimize cost. Không dùng monitoring skew. 🛑

  • ❌ Phương án SAI: Compare the training and evaluation losses of the current run. If the losses are similar, deploy the model to a Vertex AI endpoint with training/serving skew threshold model monitoring. When the model monitoring threshold is triggered redeploy the pipeline.
    Giải thích: Vẫn chỉ dựa vào training/evaluation losses hiện tại (không so previous run), dễ miss cải thiện/thoái hóa performance. Tuy có monitoring skew tốt, nhưng thiếu baseline comparison làm quy trình không thông minh, có thể deploy mô hình kém và retrain không hiệu quả. ❌

  • ❌ Phương án SAI: Compare the results to the evaluation results from a previous run. If the performance improved deploy the model to a Vertex AI endpoint. Configure a cron job to redeploy the pipeline every night.
    Giải thích: So sánh với previous run và chỉ deploy nếu improved là tốt, nhưng cron job every night buộc chạy pipeline định kỳ, tốn chi phí lớn (dù data nightly nhưng không phải lúc nào cũng cần retrain). Thiếu model monitoring skew để trigger động, không minimize cost thực sự. ⚠️

  • ✅ Phương án ĐÚNG (như đã giải thích ở trên): Compare the results to the evaluation results from a previous run. If the performance improved deploy the model to a Vertex AI endpoint with training/serving skew threshold model monitoring. When the model monitoring threshold is triggered redeploy the pipeline.
    Giải thích bổ sung: Hoàn hảo vì kết hợp baseline comparison (tránh deploy kém) + monitoring trigger (chỉ retrain khi skew/drift thực tế), tối ưu cho data streaming nightly trên Vertex AI. Không cron job cố định! 🚀

📘 Tài liệu tham khảo (cập nhật 2026)

Hy vọng phân tích này giúp bạn nắm vững! Nếu cần code sample pipeline, hỏi thêm nhé. 😊

Câu 240
You recently used BigQuery ML to train an AutoML regression model. You shared results with your team and received positive feedback. You need to deploy your model for online prediction as quickly as possible. What should you do?
  1. A Retrain the model by using BigQuery ML, and specify Vertex AI as the model registry. Deploy the model from Vertex AI Model Registry to a Vertex AI endpoint,
  2. B Retrain the model by using Vertex Al Deploy the model from Vertex AI Model. Registry to a Vertex AI endpoint.
  3. C Alter the model by using BigQuery ML, and specify Vertex AI as the model registry. Deploy the model from Vertex AI Model Registry to a Vertex AI endpoint.
  4. D Export the model from BigQuery ML to Cloud Storage. Import the model into Vertex AI Model Registry. Deploy the model to a Vertex AI endpoint.
Xem giải thích

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📖 Nội dung câu hỏi:
Câu hỏi tập trung vào quy trình triển khai (deploy) một mô hình hồi quy (regression) AutoML đã được huấn luyện bằng BigQuery ML lên môi trường dự đoán trực tuyến (online prediction) một cách nhanh chóng nhất. Bạn đã huấn luyện mô hình thành công, chia sẻ kết quả với đội ngũ và nhận phản hồi tích cực. Yêu cầu chính là deploy model cho online prediction ASAP (as quickly as possible).
🔍 Bối cảnh kỹ thuật (dựa trên Google Cloud cập nhật đến 2026): BigQuery ML (BQML) hỗ trợ tích hợp trực tiếp với Vertex AI Model Registry để deploy model mà không cần export hay retrain, giúp tiết kiệm thời gian. Điều này đặc biệt phù hợp với AutoML models, tận dụng tính năng ALTER MODEL để đăng ký model vào Vertex AI endpoint cho serving real-time predictions. Không liên quan đến AWS (có thể là nhầm lẫn trong yêu cầu), toàn bộ là hệ sinh thái Google Cloud.

✅ Đáp án đúng:
Alter the model by using BigQuery ML, and specify Vertex AI as the model registry. Deploy the model from Vertex AI Model Registry to a Vertex AI endpoint.

🛠️ Lý do chọn đáp án đúng (chi tiết):

  • Đây là cách nhanh nhất vì chỉ cần sử dụng lệnh SQL ALTER MODEL ... SET MODEL_REGISTRY = 'projects/PROJECT_ID/locations/LOCATION/modelRegistries/REGISTRY_ID' trong BigQuery ML để đăng ký model hiện tại trực tiếp vào Vertex AI Model Registry.
  • Sau đó, deploy từ Model Registry ra Vertex AI endpoint chỉ mất vài phút, hỗ trợ online prediction với low latency.
  • Không yêu cầu retrain, export/import, phù hợp với AutoML regression models (cập nhật Vertex AI v2025+ hỗ trợ seamless integration).
  • Tiết kiệm chi phí và thời gian so với các bước phức tạp khác.

📘 Tài liệu tham khảo:

🔍 Giải thích TẤT CẢ các phương án (đúng/sai)

  • ❌ Phương án SAI: Retrain the model by using BigQuery ML, and specify Vertex AI as the model registry. Deploy the model from Vertex AI Model Registry to a Vertex AI endpoint.
    Phân tích: Không cần retrain model vì model đã huấn luyện tốt và nhận feedback tích cực. Retrain sẽ mất thời gian huấn luyện lại (có thể hàng giờ), làm chậm quá trình deploy. BigQuery ML hỗ trợ specify registry khi CREATE MODEL, nhưng ở đây chỉ cần ALTER để nhanh hơn.

  • ❌ Phương án SAI: Retrain the model by using Vertex Al Deploy the model from Vertex AI Model. Registry to a Vertex AI endpoint.
    Phân tích: Sai hoàn toàn vì Vertex AI không hỗ trợ "retrain by using Vertex AI" trực tiếp từ BigQuery ML model (có lỗi chính tả "Vertex Al" và "Model. Registry"). Vertex AI dùng cho custom training hoặc AutoML riêng, không thay thế BigQuery ML. Retrain ở đây không khả thi và không nhanh.

  • ✅ Phương án ĐÚNG: Alter the model by using BigQuery ML, and specify Vertex AI as the model registry. Deploy the model from Vertex AI Model Registry to a Vertex AI endpoint.
    Phân tích: Hoàn hảo! ALTER MODEL là lệnh SQL đơn giản trong BQML để push model artifact trực tiếp vào Vertex AI Model Registry (không copy data hay retrain). Deploy endpoint sau đó chỉ cần vài cú click/API call, hỗ trợ scaling auto cho online prediction. Đây là best practice nhanh nhất theo docs GCP 2026.

  • ❌ Phương án SAI: Export the model from BigQuery ML to Cloud Storage. Import the model into Vertex AI Model Registry. Deploy the model to a Vertex AI endpoint.
    Phân tích: Quá rườm rà và chậm! Export model artifact sang Cloud Storage rồi import vào Vertex AI yêu cầu nhiều bước thủ công (gcloud commands hoặc UI), có thể gặp lỗi format với AutoML models. ALTER MODEL tránh được hoàn toàn, nhanh hơn 5-10x thời gian.

🎯 Kết luận: Chọn phương án ALTER MODEL để deploy siêu tốc, tận dụng integration native giữa BigQuery ML & Vertex AI! 🚀