Professional Machine Learning Engineer

La certificación Google Cloud Professional Machine Learning Engineer valida la capacidad de construir, evaluar, productivizar y optimizar soluciones de IA utilizando las capacidades de Google Cloud y el conocimiento de enfoques convencionales de ML. Esta certificación abarca el manejo de conjuntos de datos grandes y complejos, la creación de código repetible y reutilizable, el diseño y puesta en operación de soluciones de IA generativa basadas en modelos fundacionales y la aplicación de prácticas de IA responsable. La versión actual incluye tareas relacionadas con IA generativa, incluyendo la construcción de soluciones de IA utilizando Model Garden y Vertex AI Agent Builder, y la evaluación de soluciones de IA generativa. Experiencia recomendada: más de 3 años de experiencia en la industria, incluyendo más de 1 año diseñando y gestionando soluciones utilizando Google Cloud.

El examen consta de aproximadamente 50-60 preguntas de opción múltiple y selección múltiple que deben completarse en 120 minutos. Las preguntas se basan en escenarios, evaluando la aplicación práctica de los conceptos de ingeniería de ML en Google Cloud. La puntuación de aprobación es de aproximadamente 70%. Las preguntas cubren seis dominios que van desde soluciones de IA de bajo código hasta monitoreo, con el mayor énfasis en la automatización/orquestación de pipelines de ML (22%) y el serving/escalado de modelos (20%). El examen no evalúa directamente las habilidades de codificación, aunque los candidatos deben tener competencia mínima en Python y Cloud SQL para interpretar fragmentos de código.

Los errores comunes incluyen: (1) Confundir Vertex AI Pipelines con Cloud Composer — saber cuándo cada uno es apropiado para la orquestación de ML. (2) No comprender las diferencias entre BigQuery ML, AutoML y entrenamiento personalizado — cada uno sirve para diferentes niveles de complejidad. (3) Pasar por alto el training-serving skew como una preocupación de monitoreo — este es un tema importante del examen. (4) Confundir los casos de uso de batch prediction con online prediction y sus implicaciones de escalado. (5) No conocer los componentes de TFX y sus roles en los pipelines de ML (ExampleGen, SchemaGen, Transform, Trainer, Evaluator, Pusher). (6) Malinterpretar el papel del Feature Store para garantizar la consistencia entre las features de entrenamiento y serving. (7) Subestimar el contenido de IA generativa — el examen actual incluye Model Garden, Vertex AI Agent Builder y patrones RAG. (8) No comprender las estrategias de entrenamiento distribuido con TPUs vs GPUs y cuándo usar Reduction Server.

El examen se entrega en línea a través de un servicio de supervisión remota o en un centro de pruebas físico a través de Kryterion. El registro se realiza a través del sitio web de certificación de Google Cloud. La tarifa del examen es de 00 USD. Los resultados se proporcionan inmediatamente después de completarlo.