Verificación de conocimientos: Contenedores y plataforma de IA
FinCorp traslada sus servicios de portal y de API para socios al clúster público de Managed Kubernetes fc-k8s-portal. Los servicios necesitan enrutamiento por host y ruta, terminación TLS y comprobaciones de salud en un único punto de entrada a internet, el mismo que ya da servicio a las VM del portal. Un desarrollador propone un Service de tipo LoadBalancer para cada microservicio. ¿Qué debería recomendar el arquitecto?
Un servicio LoadBalancer no aprovisiona un balanceador de carga externo; asigna una IP estática a un nodo de trabajo, con un máximo de 2 Gbit/s por nodo, por lo que un servicio por microservicio multiplica los puntos de entrada de un solo nodo sin enrutamiento de capa 7. Los manifiestos no crean balanceadores de carga administrados, por lo que el ALB se construye por separado y enruta a un controlador de entrada dentro del clúster. Los grupos de nodos privados no admiten servicios LoadBalancer en absoluto.
Un trabajo por lotes nocturno en fc-k8s-ai necesita ocho nodos durante dos horas. El equipo de finanzas solicita el menor costo posible fuera de esa ventana y propone un grupo de nodos con escalado automático con un mínimo de cero nodos. ¿Cómo debe el arquitecto diseñar la capacidad para el trabajo por lotes?
El escalador automático de clústeres no puede reducir un grupo de nodos a cero, por lo que cada grupo con escalado automático mantiene al menos un nodo facturable. Un único grupo compartido para trabajos por lotes limita el costo de inactividad a un solo nodo en espera, mientras que un grupo por trabajo multiplica ese costo mínimo. El plano de control es gratuito, pero no suspende los grupos de nodos, que son servidores de Compute Engine facturables.
El oficial de seguridad de FinCorp exige que los nodos de los trabajadores de IA no acepten conexiones desde internet y que solo la red de administración pueda utilizar la API de Kubernetes. El equipo planifica un clúster con grupos de nodos privados y asume que la API también será privada. ¿Qué completa el diseño?
Los grupos de nodos privados aíslan el plano de datos: los nodos solo tienen direcciones internas y acceden a internet de forma saliente a través de la pasarela NAT que el servicio despliega en la dirección reservada. El plano de control sigue expuesto a internet y se protege restringiendo el acceso por IP. Los nodos de un grupo de nodos no pueden agregarse a Network Security Groups, y los grupos públicos expondrían los nodos, lo cual contradice el primer requisito.
Tres pipelines de CI/CD envían imágenes al Private Container Registry de FinCorp, y dos clústeres las descargan. El equipo de auditoría desea que una credencial filtrada tenga el alcance más limitado posible y que pueda detenerse de inmediato. ¿Qué diseño de acceso debe elegir el arquitecto?
El acceso al registro se define mediante los alcances de los tokens, por lo que el principio de privilegio mínimo implica un token de alcance estrecho por cada consumidor, con Push solo donde un pipeline publica. El estado de un token puede deshabilitarse de inmediato, mientras que la expiración lo elimina, por lo que la rotación antes de la fecha de expiración debe planificarse. Un token Admin con comodín otorga a cada filtración un alcance total, y los repositorios no pueden hacerse públicos, ya que la autenticación siempre es obligatoria.
Una unidad de negocio de FinCorp desea Red Hat OpenShift en lugar de Managed Kubernetes. La oficina de cumplimiento pregunta quién opera el control plane y quién proporciona la evidencia de su funcionamiento. ¿Qué debe responder el arquitecto?
IONOS CLOUD no ofrece OpenShift gestionado: los socios CCSP de Red Hat despliegan y administran los clústeres tras una validación de Red Hat, y Rancher Prime es autogestionado por el cliente. La infraestructura es la misma, pero la operación de un control plane desplegado por el cliente es una carga de trabajo cuya evidencia debe producir el socio o el cliente. Managed Kubernetes es la opción en la que IONOS CLOUD opera el control plane.
FinCorp desarrolla un asistente para asesores que responde a partir de documentos de políticas internas y, posteriormente, una pre-evaluación de crédito sobre la misma pila. Los datos de los clientes deben permanecer en Alemania y no deben utilizarse para entrenar ningún modelo. ¿Qué diseño cumple con los requisitos?
AI Model Hub procesa la inferencia en Alemania y no utiliza los datos de los clientes para el entrenamiento, y RAG lleva los documentos al modelo sin entrenarlo. Como desplegador, FinCorp pseudonimiza el contenido de las solicitudes y, para un uso de alto riesgo como el crédito, crea su propio registro y supervisión humana, porque no se proporciona ninguna plantilla de registro de la Ley de IA preconfigurada. El SLA no se aplica a las Cloud GPU VM, y el ajuste fino con registros de clientes contradiría el requisito de que los datos de los clientes no entrenen ningún modelo.