Professional Machine Learning Engineer — Questions d'entraînement et examen blanc

La certification Google Cloud Professional Machine Learning Engineer valide ta capacité à construire, évaluer, industrialiser et optimiser des solutions d'IA en t'appuyant sur les fonctionnalités de Google Cloud et sur une bonne maîtrise des approches ML classiques. Elle couvre la gestion de jeux de données volumineux et complexes, la création de code réutilisable et reproductible, la conception et la mise en production de solutions d'IA générative fondées sur des foundation models, ainsi que l'application de pratiques d'IA responsable. La version actuelle intègre des tâches liées à l'IA générative : construire des solutions à partir de Model Garden et de Vertex AI Agent Builder, et évaluer des solutions d'IA générative. Expérience recommandée : au moins 3 ans d'expérience professionnelle, dont au moins 1 an à concevoir et gérer des solutions sur Google Cloud.

L'examen comporte environ 50 à 60 questions à choix unique et à choix multiples, à traiter en 120 minutes. Les questions reposent sur des scénarios et évaluent l'application concrète des concepts d'ingénierie ML sur Google Cloud. Le score de réussite tourne autour de 70 %. Les questions couvrent six domaines, des solutions d'IA low-code jusqu'au monitoring, avec un poids particulièrement fort sur l'automatisation et l'orchestration des pipelines ML (22 %) et sur le déploiement et la mise à l'échelle des modèles (20 %). L'examen n'évalue pas directement tes compétences en programmation, même si tu dois avoir un minimum d'aisance en Python et en Cloud SQL pour interpréter les extraits de code.

Voici les pièges les plus courants : (1) Confondre Vertex AI Pipelines et Cloud Composer : il faut savoir lequel convient pour l'orchestration ML dans chaque cas. (2) Mal cerner les différences entre BigQuery ML, AutoML et l'entraînement personnalisé, qui répondent chacun à des niveaux de complexité différents. (3) Négliger le training-serving skew comme sujet de monitoring, alors que c'est un thème majeur de l'examen. (4) Confondre les cas d'usage de la prédiction batch et de la prédiction en ligne, ainsi que leurs implications en matière de mise à l'échelle. (5) Ne pas connaître les composants TFX et leur rôle dans les pipelines ML (ExampleGen, SchemaGen, Transform, Trainer, Evaluator, Pusher). (6) Mal comprendre le rôle du Feature Store, qui garantit la cohérence des features entre l'entraînement et le serving. (7) Sous-estimer la partie IA générative : l'examen actuel inclut Model Garden, Vertex AI Agent Builder et les patterns RAG. (8) Ne pas maîtriser les stratégies d'entraînement distribué avec TPU et GPU, ni savoir quand recourir au Reduction Server.

L'examen se passe en ligne via un service de surveillance à distance, ou dans un centre de test physique du réseau Kryterion. L'inscription se fait sur le site de certification Google Cloud. Les frais d'examen sont de 00 USD. Les résultats sont communiqués immédiatement à la fin de l'épreuve.