Récapitulation et examen final

Dix modules pour passer d'un compte GCP presque vide à un pipeline hebdomadaire qui entraîne, évalue, déploie sous condition et sert un modèle de détection de fraude — plus un modèle de fondation pour les commentaires de litige. Voici le cours condensé.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Composants et vocabulaire	Projet, région, API à activer, compte de service dédié ; jamais le compte Compute par défaut
2. Carnets gérés	Workbench instances pour la production, arrêt à l'inactivité obligatoire, magic %%bigquery facturée à chaque exécution
3. Données GCS et BigQuery	Un bucket par usage, Parquet par défaut, coût BigQuery au scan — nommer les colonnes et partitionner par date
4. Entraînement personnalisé	Conteneur personnalisé dès que l'environnement compte, script écrit dans AIP_MODEL_DIR, c2 plus rapide donc moins cher
5. Réglage Vizier	Optimisation bayésienne, parallel ≈ total / 6, échelle log pour les taux, arrêt anticipé sur métriques intermédiaires
6. Registre de modèles	Une famille Model, plusieurs versions ; parent_model obligatoire pour ne pas casser le lignage
7. Endpoints et trafic	Trafic partagé 90/10 pour exposer challenger sans risque, min_replica ≥ 2 en production
8. Prédiction par lots	3 à 5 fois moins cher que l'endpoint à volume égal, source/destination BigQuery ou GCS
9. Vertex AI Pipelines	Composants KFP typés, cache actif, dsl.If pour le déploiement conditionnel, lignage automatique
10. Modèles de fondation	Model Garden unifié, sortie JSON contrainte, affinage LoRA géré, facturation au jeton

Correspondance avec les autres plateformes

Un ingénieur qui vient d'AWS SageMaker ou d'Azure ML retrouvera les mêmes concepts sous d'autres noms. Cette carte rend le passage indolore :

Vertex AI	AWS SageMaker	Azure ML
Workbench instances	SageMaker Studio Notebook	Azure ML Compute Instance
CustomTrainingJob	SageMaker Training Job	Azure ML Job (Command)
Vizier (HyperparameterTuningJob)	HyperparameterTuner	HyperDrive
Model Registry	SageMaker Model Registry	Azure ML Model Registry
Endpoint + trafic partagé	Endpoint + ProductionVariants	Managed Online Endpoint + traffic
BatchPredictionJob	Batch Transform	Batch Endpoint
Vertex AI Pipelines	SageMaker Pipelines	Azure ML Pipelines
Model Garden	JumpStart + Bedrock	Model Catalog + AI Studio

Le nom change, la logique reste. La spécificité Vertex tient à trois choses : l'unification sous une seule API et un seul SDK, l'intégration native avec BigQuery (magic dans le carnet, source et destination des lots et pipelines), et un Model Garden qui couvre les modèles de tous les grands fournisseurs — Anthropic et Meta compris.

Les fils qui traversent le cours

Le compte de service est le contrôle d'accès. Chaque tâche — carnet, entraînement, endpoint, lot, pipeline — s'exécute sous une identité non humaine. Le compte Compute par défaut a roles/editor : un carnet compromis pourrait supprimer le projet. Créer un compte dédié à moindre privilège dès la première ressource est la seule discipline qui tient le passage à l'audit.

La facturation à la seconde ne pardonne pas les oublis. Un carnet allumé toute la nuit, un endpoint qui reste provisionné pour zéro trafic, un lot rejoué à cause d'une requête BigQuery non filtrée — chaque geste manqué se lit sur la facture du mois. Les protections sont connues : arrêt à l'inactivité, min_replica_count dimensionné, --dry_run sur les requêtes coûteuses, cache des pipelines.

La région est la contrainte la plus rigide. Un modèle entraîné dans europe-west1 ne peut être déployé qu'en europe-west1 ; ses données doivent y résider aussi, sous peine de trafic sortant. Choisir la région au démarrage du projet, pas au premier job — un changement ultérieur revient à tout reconstruire.

Le lot et l'endpoint ne se remplacent pas, ils se complètent. L'endpoint sert les requêtes qui ont besoin d'une réponse en trente millisecondes ; le lot traite les autres, à un cinquième du coût. Choisir l'un pour l'usage de l'autre est le levier d'économie le plus sous-estimé de Vertex AI.

Le lignage est ce qui distingue un projet auditable d'un projet oral. Model.upload depuis un CustomTrainingJob, artefacts typés dans un pipeline KFP, requête BigQuery matérialisée par un composant — chaque geste conserve une trace consultable dans la console. La règle négative : ne jamais casser le lignage par un upload manuel de fichier, ce qui isolerait le modèle de ses données.

L'examen final

L'examen comporte 40 questions couvrant les dix modules : composants Vertex et permissions IAM, gestion d'un carnet Workbench et coût BigQuery, entraînement personnalisé et choix de machine, réglage d'hyperparamètres avec Vizier, versions et alias du registre, déploiement multi-versions avec trafic partagé et mise à l'échelle, prédiction par lots et comparaison de coûts, composition de pipelines KFP avec lignage, et appel d'un modèle de fondation avec coût par jeton.

Plusieurs questions présentent des situations à diagnostiquer : un job qui échoue avec PermissionDenied, une requête BigQuery qui coûte cent dollars par erreur, un endpoint dont le p99 dépasse la cible, un pipeline qui rejoue en boucle malgré le cache. C'est le jugement d'ingénieur qui est évalué, pas la récitation d'API.

En cas de réussite, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Avant de commencer

Reprenez le tableau ci-dessus et demandez-vous, pour chaque ligne, « comment cela se comporte-t-il quand ça rate ? ». Un pipeline qui déploie une mauvaise version doit se reverser en une seconde ; un lot qui échoue doit alerter avant le lendemain ; un endpoint qui sature doit dégrader gracieusement. Si vous savez répondre à ces trois questions sans hésiter, l'examen sera formalité. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.