Supprimer un modèle de prédiction en ligne

Aperçu : La prédiction en ligne est une fonctionnalité en preview disponible telle quelle. Elle n'est pas recommandée pour les environnements de production. Google ne fournit aucun contrat de niveau de service ni aucune assistance technique pour les fonctionnalités en preview. Pour en savoir plus, consultez les phases de disponibilité des fonctionnalités de GDC.

Cette page décrit le processus de suppression d'un modèle de prédiction en ligne et de toutes les ressources qui lui sont associées.

Avant de commencer

Pour obtenir les autorisations nécessaires pour accéder à la prédiction en ligne, demandez à l'administrateur IAM de votre projet de vous attribuer le rôle Utilisateur Vertex AI Prediction (vertex-ai-prediction-user).

Pour en savoir plus sur ce rôle, consultez Préparer les autorisations IAM.

De plus, pour obtenir les autorisations nécessaires pour supprimer des objets dans un bucket, demandez à votre administrateur de projet IAM de vous accorder le rôle "Administrateur des objets de bucket du projet" (project-bucket-object-admin) dans le projet.

Delete resources

Si vous souhaitez supprimer un modèle de prédiction en ligne et toutes les ressources qui lui sont associées, procédez comme suit :

1. Supprimez la ressource personnalisée DeployedModel associée à votre modèle sur le cluster de prédiction :

   kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG delete -f DEPLOYED_MODEL_NAME.yaml
   

   Remplacez les éléments suivants :

   • PREDICTION_CLUSTER_KUBECONFIG : chemin d'accès au fichier kubeconfig dans le cluster de prédiction.
   • DEPLOYED_MODEL_NAME : nom du fichier de définition DeployedModel.

2. Modifiez la ressource personnalisée Endpoint de l'une des manières suivantes :

   • Si le point de terminaison utilisé par DeployedModel n'héberge pas d'autres modèles, supprimez la ressource personnalisée Endpoint sur le cluster de prédiction :

     kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG delete -f ENDPOINT_NAME.yaml
     

     Remplacez ENDPOINT_NAME par le nom du fichier de définition Endpoint.

   • Si le point de terminaison utilisé par DeployedModel héberge d'autres modèles, procédez comme suit :

     1. Mettez à jour la ressource personnalisée Endpoint sur le cluster de prédiction :

        kubectl --kubeconfig PREDICTION_CLUSTER_KUBECONFIG edit -f ENDPOINT_NAME.yaml
        

        Remplacez ENDPOINT_NAME par le nom du fichier de définition Endpoint.

     2. Dans le fichier YAML, supprimez manuellement l'objet serviceRef contenant la référence DeployedModel que vous avez supprimée précédemment.

     3. Enregistrez les modifications apportées au fichier YAML.

3. Supprimez votre modèle du bucket de stockage. Pour en savoir plus sur la suppression d'objets des buckets de stockage, consultez Supprimer des objets de stockage dans des projets.