Borra un modelo de predicción en línea

Versión preliminar: La predicción en línea es una función de versión preliminar que está disponible tal como está y no se recomienda para entornos de producción. Google no proporciona acuerdos de nivel de servicio (ANS) ni compromisos de asistencia técnica para las funciones de versión preliminar. Para obtener más información, consulta las etapas de las funciones de GDC.

En esta página, se describe el proceso para borrar un modelo de predicción en línea y todos los recursos asociados con él.

Antes de comenzar

Para obtener los permisos que necesitas para acceder a la predicción en línea, pídele al administrador de proyectos de IAM que te otorgue el rol de usuario de predicción de Vertex AI (vertex-ai-prediction-user).

Para obtener información sobre este rol, consulta Prepara los permisos de IAM.

Además, para obtener los permisos que necesitas para borrar objetos en un bucket, pídele a tu administrador de proyectos de IAM que te otorgue el rol de administrador de objetos de bucket de proyecto (project-bucket-object-admin) en el proyecto.

Borrar los recursos

Si deseas borrar un modelo predictivo en línea y todos los recursos asociados a él, sigue estos pasos:

1. Borra el recurso personalizado DeployedModel asociado con tu modelo en el clúster de predicción:

   kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG delete -f DEPLOYED_MODEL_NAME.yaml
   

   Reemplaza lo siguiente:

   • PREDICTION_CLUSTER_KUBECONFIG: Es la ruta de acceso al archivo kubeconfig en el clúster de predicción.
   • DEPLOYED_MODEL_NAME: Es el nombre del archivo de definición de DeployedModel.

2. Edita el recurso personalizado Endpoint de una de las siguientes maneras:

   • Si el extremo que usa DeployedModel no aloja otros modelos, borra el recurso personalizado Endpoint en el clúster de predicción:

     kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG delete -f ENDPOINT_NAME.yaml
     

     Reemplaza ENDPOINT_NAME por el nombre del archivo de definición de Endpoint.

   • Si el extremo que usa el DeployedModel aloja otros modelos, sigue estos pasos:

     1. Actualiza el recurso personalizado Endpoint en el clúster de predicción:

        kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG edit -f ENDPOINT_NAME.yaml
        

        Reemplaza ENDPOINT_NAME por el nombre del archivo de definición de Endpoint.

     2. En el archivo YAML, borra de forma manual el objeto serviceRef que contiene la referencia DeployedModel que borraste antes.

     3. Guarda los cambios en el archivo YAML.

3. Borra el modelo del bucket de almacenamiento. Para obtener más información sobre cómo borrar objetos de los buckets de almacenamiento, consulta Borra objetos de almacenamiento en proyectos.