Professional Machine Learning Engineer — Übungsfragen und Probeprüfung

Die Zertifizierung Google Cloud Professional Machine Learning Engineer weist die Fähigkeit nach, KI-Lösungen mit den Möglichkeiten von Google Cloud und fundiertem Wissen über klassische ML-Ansätze zu entwickeln, zu bewerten, in den Produktivbetrieb zu bringen und zu optimieren. Diese Zertifizierung deckt den Umgang mit großen, komplexen Datensätzen ab, das Schreiben von wiederholbarem und wiederverwendbarem Code, das Entwerfen und Operationalisieren von generativen KI-Lösungen auf Basis von Foundation Models sowie die Anwendung verantwortungsvoller KI-Praktiken. Die aktuelle Version umfasst Aufgaben rund um generative KI, darunter das Entwickeln von KI-Lösungen mit Model Garden und Vertex AI Agent Builder sowie das Bewerten generativer KI-Lösungen. Empfohlene Erfahrung: mehr als 3 Jahre Berufserfahrung, davon mehr als 1 Jahr im Entwerfen und Verwalten von Lösungen mit Google Cloud.

Die Prüfung besteht aus etwa 50 bis 60 Single- und Multiple-Choice-Fragen, die du innerhalb von 120 Minuten beantworten musst. Die Fragen sind szenariobasiert und prüfen die praktische Anwendung von ML-Engineering-Konzepten auf Google Cloud. Die Bestehensgrenze liegt bei rund 70 %. Die Fragen decken sechs Domänen ab, die von Low-Code-KI-Lösungen bis zum Monitoring reichen, mit dem größten Gewicht auf dem Automatisieren und Orchestrieren von ML-Pipelines (22 %) sowie dem Serving und Skalieren von Modellen (20 %). Die Prüfung testet nicht direkt deine Programmierfähigkeiten, du solltest aber Grundkenntnisse in Python und Cloud SQL mitbringen, um Code-Ausschnitte lesen zu können.

Häufige Stolperfallen sind: (1) Vertex AI Pipelines mit Cloud Composer zu verwechseln. Du solltest wissen, wann welches Tool für die ML-Orchestrierung passt. (2) Die Unterschiede zwischen BigQuery ML, AutoML und Custom Training nicht zu verstehen, denn jedes deckt eine andere Komplexitätsstufe ab. (3) Training-Serving-Skew als Monitoring-Thema zu übersehen, obwohl es ein zentrales Prüfungsthema ist. (4) Anwendungsfälle für Batch Prediction und Online Prediction sowie deren Auswirkungen auf die Skalierung zu verwechseln. (5) Die TFX-Komponenten und ihre Rollen in ML-Pipelines nicht zu kennen (ExampleGen, SchemaGen, Transform, Trainer, Evaluator, Pusher). (6) Die Rolle des Feature Store bei der Sicherstellung konsistenter Features zwischen Training und Serving misszuverstehen. (7) Den Anteil an generativer KI zu unterschätzen, denn die aktuelle Prüfung umfasst Model Garden, Vertex AI Agent Builder und RAG-Muster. (8) Strategien für verteiltes Training mit TPUs im Vergleich zu GPUs nicht zu verstehen und nicht zu wissen, wann der Reduction Server sinnvoll ist.

Die Prüfung wird online über einen Remote-Proctoring-Dienst oder in einem physischen Testcenter über Kryterion abgenommen. Die Anmeldung erfolgt über die Google-Cloud-Zertifizierungswebsite. Die Prüfungsgebühr beträgt 200 USD. Das Ergebnis erhältst du direkt nach Abschluss der Prüfung.