EnglishDeutschFrançaisEspañolPortuguês

Google Cloud · GCP-PMLE · Advanced

Professional Machine Learning Engineer

Valide la capacité à concevoir l'architecture de solutions d'IA, gérer les données et les modèles, mettre à l'échelle les prototypes ML, déployer les modèles, orchestrer les pipelines ML et superviser les solutions d'IA sur Google Cloud. 65+ questions pratiques IA avec explications. Essai gratuit, garantie de réussite.

Essai gratuit

7 jours d’essai gratuit, sans carte bancaire

65 Questions
120min Durée
750% Score requis
$300 Frais d’examen

Aperçu

À propos de l’examen

La certification Google Cloud Professional Machine Learning Engineer valide la capacité à concevoir, évaluer, mettre en production et optimiser des solutions d'IA en utilisant les capacités de Google Cloud et la connaissance des approches ML conventionnelles. Cette certification couvre la gestion de jeux de données volumineux et complexes, la création de code reproductible et réutilisable, la conception et l'opérationnalisation de solutions d'IA générative basées sur des modèles de fondation, ainsi que l'application de pratiques d'IA responsable. La version actuelle inclut des tâches liées à l'IA générative, notamment la création de solutions d'IA à l'aide de Model Garden et de Vertex AI Agent Builder, ainsi que l'évaluation de solutions d'IA générative. Expérience recommandée : 3 ans ou plus d'expérience professionnelle, dont 1 an ou plus dans la conception et la gestion de solutions sur Google Cloud.

Domaines

Contenu de l’examen

L'examen comprend environ 50 à 60 questions à choix unique et à choix multiples à compléter en 120 minutes. Les questions sont basées sur des scénarios et testent l'application pratique des concepts d'ingénierie ML sur Google Cloud. Le score de réussite est d'environ 70 %. Les questions couvrent six domaines, allant des solutions d'IA low-code à la supervision, avec l'accent le plus important mis sur l'automatisation/orchestration des pipelines ML (22 %) et le déploiement/mise à l'échelle des modèles (20 %). L'examen n'évalue pas directement les compétences en programmation, bien que les candidats doivent avoir une maîtrise minimale de Python et de Cloud SQL pour interpréter les extraits de code.

Architecting low-code AI solutions 13%
Collaborating within and across teams to manage data and models 14%
Scaling prototypes into ML models 18%
Serving and scaling models 20%
Automating and orchestrating ML pipelines 22%
Monitoring AI solutions 13%

Format

À quoi s’attendre

multiple choice
80%
multiple response
20%

Attention

Où les candidats échouent

Les pièges courants incluent : (1) Confondre Vertex AI Pipelines avec Cloud Composer — savoir quand chacun est approprié pour l'orchestration ML. (2) Ne pas comprendre les différences entre BigQuery ML, AutoML et l'entraînement personnalisé — chacun répond à différents niveaux de complexité. (3) Négliger le training-serving skew comme préoccupation de supervision — c'est un sujet majeur de l'examen. (4) Confondre les cas d'usage de la prédiction par lots avec la prédiction en ligne et leurs implications en matière de mise à l'échelle. (5) Ne pas connaître les composants TFX et leurs rôles dans les pipelines ML (ExampleGen, SchemaGen, Transform, Trainer, Evaluator, Pusher). (6) Mal comprendre le rôle du Feature Store pour assurer la cohérence entre les fonctionnalités d'entraînement et de service. (7) Sous-estimer le contenu sur l'IA générative — l'examen actuel inclut Model Garden, Vertex AI Agent Builder et les patterns RAG. (8) Ne pas comprendre les stratégies d'entraînement distribué avec TPU vs GPU et quand utiliser Reduction Server.

  1. 01
    Vertex AI Platform — Ne pas comprendre l'écosystème complet de Vertex AI, y compris Pipelines, Feature Store, Model Registry et Endpoints
  2. 02
    Model Selection — Confondre quand utiliser AutoML, l'entraînement personnalisé ou les modèles pré-entraînés de Model Garden
  3. 03
    Feature Engineering — Négliger Vertex AI Feature Store pour la gestion des fonctionnalités et le service en ligne/hors ligne
  4. 04
    MLOps Practices — Ne pas comprendre l'orchestration des pipelines ML, l'entraînement continu et la supervision des modèles
  5. 05
    Gen AI Architecture — Mal comprendre les patterns RAG, le fine-tuning de modèles et Vertex AI Agent Builder
  6. 06
    Model Monitoring — Ne pas savoir comment détecter la dérive des données, la dérive conceptuelle et la dégradation des performances du modèle

Détails

Logistique de l’examen

L'examen est proposé en ligne via un service de surveillance à distance ou dans un centre d'examen physique via Kryterion. L'inscription s'effectue sur le site de certification Google Cloud. Les frais d'examen sont de 200 USD. Les résultats sont fournis immédiatement après la fin de l'examen.

Mode de passage Online proctored or testing center (Kryterion)
Politique de reprise 14-day wait after first attempt, 60 days after second attempt, 365 days after third attempt. Maximum 3 attempts per year.
Validité 3 ans
Débouchés Ingénieur ML, Architecte de solutions IA/ML, Data Scientist, Ingénieur MLOps, Ingénieur plateforme IA. Valide l'expertise pour les postes de conception et de déploiement de systèmes ML en production sur Google Cloud.
Renouvellement Recertification requise tous les 2 ans en réussissant la version actuelle de l'examen.
Temps de préparation ~75 heures
Guide officiel Voir sur le site de l’éditeur

Prêt à réussir ?

Rejoignez des milliers de professionnels qui ont réussi grâce à la pratique assistée par IA.

Essai gratuit