Databricks · DB-MLP · Professional

Databricks Machine Learning Professional — Questões de prática e simulado

Name: Pass-IT
Author: Pass-IT

Prepare-se para DB-MLP com questões de prática originais e respostas explicadas com clareza. Peça mais detalhes a Alex, seu tutor de IA, use seus resultados para identificar os temas que precisam de revisão e pratique a gestão do tempo com simulados cronometrados.

Praticar para DB-MLP gratuitamente Comprar acesso a DB-MLP por $29.99

Comprar acesso a DB-MLP por $29.99 Praticar para DB-MLP gratuitamente

59Questões do simulado

120minLimite de tempo

Conferido com informações de Databricks · agosto de 2026 · Versão atual do exame

Visão geral

Sobre o exame

O exame Databricks Certified Machine Learning Professional comprova experiência avançada na construção de sistemas de ML em produção e em escala no Databricks. Ele cobre técnicas avançadas de desenvolvimento de modelos, gestão do ciclo de vida de MLOps (incluindo CI/CD e monitoramento) e estratégias de deployment de modelos. Desenvolvimento de modelos e MLOps respondem, cada um, por 44% da prova. Você precisa mostrar domínio no design de pipelines de ML em produção e na gestão do ciclo de vida dos modelos em escala.

A certificação foi pensada para engenheiros de ML e cientistas de dados sêniores com pelo menos um ano de experiência criando sistemas de ML em produção no Databricks. Ela mostra que você consegue operar sistemas de ML de forma confiável, em produção e em escala.

Experimente as questões de prática

Experimente cinco questões de DB-MLP

Pratique com cinco questões do banco atual de Databricks Certified Machine Learning Professional no app, com respostas e explicações.

MLOps1 / 5

Um engenheiro de machine learning precisa implementar uma prática de MLOps em que cada execução de treinamento de modelo fique vinculada ao commit exato do Git do código de treinamento, à versão específica dos dados de treinamento e ao artefato de modelo resultante. O que garante essa rastreabilidade de ponta a ponta?

AlexExplicação completa do Alex

Cadeia de proveniência em MLOps: 1) Código → execução: Databricks Repos: integração automática com o Git. MLflow: registra o caminho do notebook e o SHA do commit do Git. Reprodutibilidade: faça checkout do commit e rode o notebook de novo. 2) Dados → execução: versão do Delta Lake: snapshot exato dos dados de treinamento. Hash dos dados: impressão digital do dataset. Versão do Feature Store: qual versão da tabela de features foi usada. Time travel: spark.read.format('delta').option('versionAsOf', 42).table('training_data'). 3) Execução → modelo: a execução do MLflow contém: parâmetros, métricas, artefatos. Modelo registrado a partir da execução: vinculado pelo run_id. Model Registry: versão → execução → código + dados. 4) Modelo → deployment: logs de deployment: qual versão do modelo está servindo. Endpoint: referencia a URI do modelo. Tabela de inferência: registra cada predição. 5) Cadeia completa: predição → versão do modelo → execução do MLflow → (commit do Git + versão dos dados) → código-fonte e dados originais. 6) Automação: autologging: captura automaticamente a maior parte dos vínculos entre código e modelo. Registro dos dados: exige um mlflow.log_param manual para a versão dos dados. Unity Catalog: acrescenta uma camada de governança (permissões, logs de auditoria). 7) Benefícios: reprodutibilidade: recriar qualquer modelo. Auditabilidade: atender aos requisitos de compliance. Depuração: descobrir o que mudou quando o modelo piorou.

Fontedocs.databricks.com

Implantação de modelos2 / 5

Um engenheiro de machine learning precisa implementar uma solução que sirva versões diferentes do modelo para regiões geográficas diferentes. A região da UE exige um modelo treinado com dados em conformidade com o GDPR (sem identificadores pessoais), enquanto a região dos EUA pode usar todas as features. Como esse serving multirregião é configurado?

AlexExplicação completa do Alex

Model serving atento à regulação: 1) Requisitos do GDPR: minimização de dados: o modelo voltado à UE só pode ser treinado com features sem identificadores pessoais. Limitação de finalidade: as features são usadas apenas para a finalidade declarada. Direito ao esquecimento: o modelo não pode memorizar dados individuais. 2) Categorias de features: PII: nome, e-mail, telefone, endereço, IP. Quase-identificadores: idade + CEP + gênero (a combinação pode identificar). Agregadas: valor médio das transações (últimos 30 dias). Comportamentais: número de logins (sem identificação individual). 3) Por que duas versões registradas: a fronteira de compliance são os próprios dados de treinamento, então você precisa de dois artefatos treinados distintos — um com o conjunto de features em conformidade com o GDPR e outro com todas as features — registrados lado a lado no Model Registry, onde cada versão carrega seu próprio lineage, sua stage e sua trilha de auditoria. 4) Roteamento das requisições: uma camada de roteamento na frente do endpoint de serving inspeciona o header de região da requisição e direciona as requisições da UE para a versão em conformidade e as dos EUA para a versão com todas as features. O Databricks Model Serving consegue servir vários modelos e várias versões de um modelo ao mesmo tempo e permite consultar um modelo servido específico atrás de um endpoint, então rotear cada requisição para uma versão registrada específica é um padrão suportado. 5) Testes: versão em conformidade: verifique que não há features de PII na assinatura de entrada dela. Versão com todas as features: verifique que todas as features estão disponíveis. Roteamento: verifique que um header de região da UE sempre resolve para a versão em conformidade. 6) Documentação de compliance: os model cards de cada versão registrada documentam quais features são usadas. O lineage do Model Registry rastreia a origem dos dados de treinamento de cada versão. Os logs de acesso registram qual versão atendeu cada requisição.

Fontedocs.databricks.com

Desenvolvimento de modelos3 / 5

Ao fazer tuning de hiperparâmetros com o Hyperopt no Databricks, qual é o principal benefício de usar SparkTrials em vez da classe Trials padrão?

AlexExplicação completa do Alex

O Hyperopt é uma biblioteca de otimização de hiperparâmetros que suporta os algoritmos Tree-structured Parzen Estimators (TPE) e busca aleatória. A classe Trials padrão executa os trials sequencialmente em uma única máquina. O SparkTrials amplia isso distribuindo os trials por um cluster Spark, em que cada worker treina um modelo com hiperparâmetros diferentes em paralelo. Isso é especialmente eficaz para modelos de ML de nó único (scikit-learn, XGBoost), em que cada trial cabe em um worker.

Fontedocs.databricks.com

Gerenciamento do Ciclo de Vida de Modelos4 / 5

Um sistema de monitoramento de modelo detecta que as distribuições das features de entrada mudaram significativamente em relação à distribuição dos dados de treinamento. No entanto, as métricas de performance do modelo permanecem estáveis. O que o engenheiro de ML deve fazer?

AlexExplicação completa do Alex

O monitoramento de modelo distingue entre data drift (mudanças na distribuição das features de entrada) e concept drift (mudanças na relação entre features e target). Data drift pode ocorrer sem impacto imediato na performance se o modelo generaliza bem para a região alterada. No entanto, data drift sustentado muitas vezes precede concept drift. A prática recomendada é monitorar tanto métricas de drift quanto métricas de performance, configurar alertas em diferentes níveis de severidade e ter pipelines de retreinamento prontos para serem acionados quando a performance de fato se degradar.

Fontedocs.databricks.com

Implantação de modelos5 / 5

Um engenheiro de machine learning precisa implementar uma solução de model serving que devolva não só uma predição, mas também um score de confiança e as features que mais contribuem para cada predição. A resposta precisa incluir as três informações. Como o endpoint deve ser projetado?

AlexExplicação completa do Alex

Respostas ricas em model serving: 1) Básica: {'prediction': 1}. 2) Com confiança: {'prediction': 1, 'confidence': 0.92}. 3) Com explicação: {'prediction': 1, 'confidence': 0.92, 'top_features': [{'name': 'credit_score', 'impact': 0.15}, {'name': 'debt_ratio', 'impact': -0.08}]}. 4) Com metadados: acrescente model_version, timestamp, request_id. 5) Padrões de implementação: predict do pyfunc → devolve um DataFrame. Cada coluna passa a fazer parte da resposta. Estruturas complexas: serialize como string JSON em uma coluna. 6) Trade-offs de desempenho: só a predição: ~10ms. Predição + confiança: ~10ms (as probabilidades já foram calculadas). Predição + SHAP: ~50-200ms (o cálculo do SHAP acrescenta overhead). Otimização: calcule SHAP só quando for solicitado (flag opcional na requisição). 7) Integração com o cliente: REST API: resposta JSON com todos os campos. SDK: parseada em objetos tipados. Dashboard: exibir a predição + um medidor de confiança + um gráfico de cascata das features.

Fontedocs.databricks.com

Criar uma conta grátis

As questões do app estão atualmente em inglês. As traduções desta prévia se aplicam apenas à prévia. Consulte a entidade certificadora para saber quais idiomas estão disponíveis para o exame oficial.

Banco de questões

325 questões de prática

O banco de questões do Pass-IT oferece material para você praticar para DB-MLP. Um simulado do Pass-IT tem 59 questões e limite de 120 minutos; essas são as configurações da prática.

Dados do banco de questões: DB-MLP

Dados do exame conferidos com Databricks13 de agosto de 2026

data da última conferência com a fonte oficial de Databricks

Objetivos do guia47 objetivos listados no guia oficial

distribuídos por 3 domínios no guia oficial do exame

Tamanho do banco325 questões

= O tamanho do banco equivale a 5 conjuntos de 59 questões. Isso não significa que cada simulado use um conjunto diferente.

Domínios do conteúdo programático3 domínios no conteúdo programático do exame

Model Development 132 · MLOps 118 · Model Deployment 75

Registradas como conferidas com fontes325 de 325

questões cuja resposta, alternativas e explicação constam como conferidas com a documentação oficial de Databricks

Como as questões são criadas →

Domínios do exame

Conteúdo do exame

Desenvolvimento de modelos e MLOps empatam com 44% cada um e, juntos, respondem pela maior parte da prova. Desenvolvimento de modelos cobre treinamento distribuído com SparkML, Ray e Optuna, feature engineering point-in-time-correct e nested runs no MLflow para experimentos complexos. MLOps cobre CI/CD para ML, Lakehouse Monitoring, detecção de drift e retreinamento automático disparado por queda de performance.

Deploy de modelos fica com os 12% restantes: estratégias de rollout blue-green e canary, além do acesso a modelos custom PyFunc por meio de um serving endpoint, e não apenas pela UI. A divisão equilibrada entre desenvolvimento e operação reflete o que um ML engineer sênior realmente faz: construir modelos é metade do trabalho, mantê-los saudáveis em produção é a outra metade.

Conteúdo programático: DB-MLP

Model Development44%

Desenvolvimento avançado de modelos, treinamento distribuído, engenharia de features em escala, design de experimentos, otimização de hiperparâmetros com Ray/Optuna e arquiteturas de modelos customizadas.

≈ 53 h

MLOps44%

MLOps practices, CI/CD for ML, Databricks Asset Bundles for ML, model testing strategies, A/B testing, model monitoring, drift detection, and pipeline automation.

≈ 53 h

Model Deployment12%

Serving de modelos em produção, inferência em batch vs tempo real, escalabilidade de serving endpoints e automação de implantação.

≈ 14 h

Formato

Formato do exame e tipos de questões

A prova tem 59 questões de múltipla escolha que valem nota, dentro de uma janela de 120 minutos, e pode incluir itens-piloto que não contam pontos. Espere cenários densos: escolher entre Ray e Spark para um job de treinamento distribuído, desenhar um alerta de Lakehouse Monitoring para drift acima de um limite, ou definir a estratégia de rollout de um serving endpoint com muito tráfego.

Tipos de questões: DB-MLP

Múltipla escolha100%

Selecione a única resposta que melhor atende aos requisitos da questão.

Consulte Databricks para obter as informações oficiais sobre os formatos de questões. As proporções exibidas descrevem o banco de prática do Pass-IT e não determinam as proporções do exame oficial.

Planejamento

Preparação para DB-MLP

A prova é aplicada online com proctor remoto ou em um centro de testes, e só está disponível em inglês. A certificação vale dois anos, e recertificar significa passar na versão atual da prova.

Preparação e informações práticas: DB-MLP

Preparação

Exemplo de tempo de estudo70–180 h

faixa ilustrativa para o planejamento: de 70 h com experiência relevante a 180 h para quem está começando; suas necessidades podem ficar fora dessa faixa

NívelProfissional

Conhecimentos recomendadosNenhum pré-requisito obrigatório. Recomendamos pelo menos 1 ano de experiência prática com ML no Databricks.

Realização do exame e manutenção da certificação

ModalidadeSupervisionado online ou centro de testes

Política de novas tentativasSem período de espera obrigatório. Aplica-se uma taxa de repetição.

Validade da certificação2 anos

A recertificação é obrigatória a cada 2 anos e exige que você faça a versão atual do exame.

Guia oficialVer no site do fornecedor

Orientações de estudo

Erros comuns

Temas para revisar: DB-MLP

01Point-in-Time Correctness
Juntar features com labels sem garantir point-in-time correctness deixa informação do futuro vazar para o treino, e isso te faz errar as questões de feature engineering.
02Online Feature Tables
Servir features direto de uma feature table em batch, em vez de configurar uma online table para lookups de baixa latência, leva a respostas erradas nas questões sobre serving de features em tempo real.
03Custom Metrics Logging
Registrar só as métricas padrão do MLflow, sem logar parâmetros e artifacts customizados dentro de nested runs, te faz errar as questões de experiment tracking avançado.
04DAB ML Asset Config
Não declarar em conjunto um serving endpoint, um experimento do MLflow e um registered model por meio dos Automation Bundles leva a respostas erradas nas questões sobre ambientes escaláveis.
05Endpoint Health Metrics
Monitorar apenas o drift de qualidade do modelo e ignorar as métricas de infraestrutura do endpoint, como latência, taxa de erro e uso de memória, resulta em respostas incompletas nas questões de monitoramento em produção.

Praticar com questões e explicações no Pass-IT →

Dúvidas

Perguntas frequentes

Quanto tempo dura o exame Databricks Certified Machine Learning Professional?

O exame Databricks Certified Machine Learning Professional tem 59 questões e um limite de tempo de 120 minutos.

Quais erros merecem atenção na preparação para Databricks Certified Machine Learning Professional?

Entre os temas que merecem revisão estão Point-in-Time Correctness, Online Feature Tables, Custom Metrics Logging, DAB ML Asset Config, Endpoint Health Metrics. Trabalhe com exemplos para verificar se você entende as diferenças e consegue justificar sua resposta.

Como é o peso das áreas na Machine Learning Professional?

Model development e MLOps valem 44% cada um, e model deployment fica com 12%. É uma divisão incomum de tão direta: a prova é basicamente formada por duas metades. Quem sabe construir modelos mas nunca os colocou em produção perde metade da prova.

Você precisa fazer a Machine Learning Associate antes?

Não, a Databricks não exige nenhuma certificação como pré-requisito. A diferença está em onde fica o peso: a prova associate coloca 38% no tooling da plataforma, enquanto a professional coloca 44% em MLOps. Se pipelines, monitoramento e retreinamento ainda não fazem parte da sua semana, a prova associate é o ponto de partida mais honesto.

Que experiência a Machine Learning Professional pressupõe?

Um ano ou mais de trabalho prático com machine learning na Databricks. O catálogo estima 120 horas além dessa experiência, e não no lugar dela. Nada impede a inscrição, então o filtro é você mesmo que impõe.

Por quanto tempo a Machine Learning Professional vale?

Dois anos a partir da data de aprovação, com renovação feita ao refazer a versão atual. A Databricks não tem programa de educação continuada, então planeje refazer a prova em vez de esperar que apareça um caminho por créditos.

Uma certificação, 12 meses

Prática para DB-MLP

Concentre sua prática em uma certificação ou escolha o Pro para praticar para todas as certificações.

Comprar acesso a DB-MLP por $29.99

Começar uma sessão de prática gratuitaExperimente as primeiras 20 questões sem cartão para avaliar se a prática atende às suas necessidades.

Para compras elegíveis: garantia de reembolso se você não passar no exame.

Ver condições da garantia →