Google Cloud Professional Machine Learning Engineer
225 Übungsfragen
Zuletzt überprüft: April 2026
Persönliche Notizen und Ressourcenlinks für Ihre Lernreise
Nach Zertifizierung Filtern
Der Google Cloud Professional Machine Learning Engineer (PMLE) bestätigt die Fähigkeit, ML-Modelle in Google Cloud zu entwerfen, zu entwickeln und in Produktion zu bringen – dies umfasst Vertex AI End-to-End, AutoML, benutzerdefiniertes Training, Modellbereitstellung, MLOps-Pipelines und die betrieblichen Realitäten des Bereitstellens von ML in großem Maßstab. Die Prüfung legt Wert auf Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (online und batch), TensorFlow Extended (TFX), Erklärbarkeit mit Vertex Explainable AI, Überwachung auf Drift und Skew sowie Integration mit BigQuery ML und Generative AI-Angeboten (Gemini-Familie, Model Garden). Der Fragenstil ist stark szenariobasiert und belohnt Kandidaten, die den gesamten ML-Produktionslebenszyklus (CI/CD/CT) berücksichtigen, nicht nur die Modellierung.
AutoML für tabellarische Daten / Bilderkennung / Sprache, BigQuery ML, vortrainierte APIs (Vision, Speech, Translation, Document AI) und die Wahl zwischen Low-Code- und benutzerdefinierten Pfaden. Mit 12 % der kleinste Bereich, aber mit hoher Dichte.
Vertex AI Workbench, Feature Store (online und offline), Datenbeschriftung und -annotation, Modellversionierung und -metadaten, Experimentverfolgung mit Vertex AI Experiments. 16 %.
Benutzerdefiniertes Training (Einzelknoten, verteilt, GPU/TPU), Hyperparameter-Tuning mit Vizier, containerbasiertes Training, Vertex AI Tuning, Umgang mit Dataset-Bias. 18 %.
Vertex AI Endpoints (online mit Autoscaling, Traffic Split), Batch-Vorhersage, TensorFlow Serving, Abwägungen bei Latenz / Durchsatz / Kosten, Edge-Deployment. 19 %.
Größter Bereich mit 21 %. Vertex AI Pipelines (Kubeflow Pipelines SDK und TFX), CI/CD/CT, Retraining-Trigger, Cloud Build-Integration. Starker Fokus auf Lebenszyklus-Automatisierung.
Vertex AI Model Monitoring (Training-Serving-Skew, Drift, Attribution-Drift), Vertex Explainable AI, Leistungs- und Kostenüberwachung mit Cloud Operations. 14 %.
Services, die Sie in der Prüfung antreffen, und warum jeder davon wichtig ist.
Vereinheitlichte ML-Plattform, die Training, Tuning, Vorhersage, Pipelines, Modell-Registry, Feature Store und Überwachung unter einer einzigen API-Oberfläche abdeckt.
Warum er in der Prüfung steht: Vertex AI ist der Oberbegriff für jede PMLE-Domäne — erwarten Sie Fragen zur Wahl zwischen AutoML, benutzerdefiniertem Training und vorgefertigten Containern für einen bestimmten Workflow.
Verwaltete Jupyter-basierte Entwicklungsumgebung mit integrierten BigQuery-, Dataproc- und Cloud Storage-Integrationen für das Prototyping von Modellen.
Warum er in der Prüfung steht: Domäne 3 (Prototypen skalieren) prüft Workbench als kanonische Notebook-Oberfläche für den Übergang vom Experiment zum produktionsreifen Training.
Verwaltete benutzerdefinierte und vorgefertigte Container-Trainingsjobs auf CPU/GPU/TPU mit verteiltem Training, Hyperparameter-Tuning und Reduction-Server-Unterstützung.
Warum er in der Prüfung steht: Das Skalieren des Trainings über Beschleuniger hinweg und die Wahl zwischen verwalteten und benutzerdefinierten Containern ist ein wiederkehrendes Szenario in Domäne 3.
Verwaltete Online- und Batch-Vorhersage mit Autoscaling, Traffic-Splitting zwischen Modellversionen und Unterstützung privater Endpunkte über PSC.
Warum er in der Prüfung steht: Domäne 4 (Modelle bereitstellen und skalieren) prüft die Dimensionierung von Endpunkten, Autoscaling-Schwellenwerte und Canary-Rollouts zwischen Modellversionen.
Serverless-Orchestrierung von Kubeflow Pipelines und TFX DAGs mit Artefakt-Lineage, Caching und Vertex ML Metadata-Integration.
Warum er in der Prüfung steht: Domäne 5 (ML-Pipelines automatisieren und orchestrieren) benennt Pipelines als den GCP-nativen MLOps-Orchestrator im Gegensatz zu generischen Workflows oder Composer.
Zentraler Katalog für trainierte Modellversionen mit Deployment-Tracking, Lineage zu Trainingsjobs und Genehmigungs-Workflows für den Produktions-Rollout.
Warum er in der Prüfung steht: Domäne 2 (Zusammenarbeit bei der Verwaltung von Daten und Modellen) prüft, wie Teams Modellartefakte über Umgebungen hinweg versionieren, genehmigen und verwalten.
Verwaltetes Online- (geringe Latenz) und Offline-Feature-Repository mit Point-in-Time-Korrektheit und BigQuery-gestütztem Offline-Speicher.
Warum er in der Prüfung steht: Feature Store ist die kanonische Antwort in Domäne 2, um Training/Serving-Skew zu verhindern und Features teamübergreifend zu teilen.
Drift- und Skew-Erkennung auf bereitgestellten Endpunkten mit Feature-Attributions-Überwachung, Alarmierung über Cloud Monitoring und BigQuery-gestützter Analyse.
Warum er in der Prüfung steht: Domäne 6 (Überwachung und Optimierung) prüft, wie Training/Serving-Skew und Prediction-Drift auf Live-Endpunkten erkannt werden.
No-Code-Training von Tabellen-, Bild-, Text- und Videomodellen mit verwaltetem Feature Engineering und Hyperparameter-Suche.
Warum er in der Prüfung steht: Domäne 1 (Low-Code ML-Lösungen) benennt AutoML als die kanonische Wahl, wenn Domänenexperten ein Modell benötigen, ohne Trainingscode zu schreiben.
Verfolgt Trainingsläufe, Parameter, Metriken und Artefakt-Lineage; fragt Vertex ML Metadata für Reproduzierbarkeit und Audit ab.
Warum er in der Prüfung steht: Domäne 2 prüft Experiment-Tracking und Reproduzierbarkeit — Experiments + Metadata ist der GCP-native Lineage Store.
Black-Box-Hyperparameter-Optimierungsdienst, der eigenständig oder eingebettet in benutzerdefinierten Trainingsjobs verwendet werden kann, mit Bayes'schen und Gittersuchstrategien.
Warum er in der Prüfung steht: Fragen in Domäne 3 zur effizienten Hyperparameter-Optimierung in großem Maßstab nennen Vizier als verwaltete Alternative zur Gittersuche auf Compute Engine.
Dienst für ungefähre nächste Nachbarn (ehemals Matching Engine) für Embedding-basiertes Retrieval im Sub-100-ms-Bereich.
Warum er in der Prüfung steht: Empfehlungs- und RAG-ähnliche Retrieval-Szenarien unter Domäne 4 benennen Vector Search als die verwaltete Serving-Schicht für Embeddings.
Trainiert und dient Regressions-, Klassifikations-, Zeitreihen- und Embedding-Modelle mit SQL direkt auf BigQuery-Tabellen — keine Datenverschiebung erforderlich.
Warum er in der Prüfung steht: Domäne 1 + Domäne 3 zitieren BigQuery ML, wenn die Daten bereits in BigQuery vorhanden sind und ein Analyst Modelle ohne eine ML-Pipeline benötigt.
End-to-End TensorFlow MLOps-Framework: ExampleGen, Transform, Trainer, Evaluator, Pusher — läuft nativ auf Vertex AI Pipelines.
Warum er in der Prüfung steht: Domäne 5 prüft TFX als das Open-Source-Pipeline-Framework, das in Vertex AI Pipelines für portables MLOps kompiliert wird.
Apache Beam-basierter Dienst für Batch- und Streaming-Inferenz, Feature Engineering in großem Maßstab und Vertex AI-Integration über RunInference-Transformationen.
Warum er in der Prüfung steht: Domäne 4 (Bereitstellung) prüft Dataflow für Streaming-Inferenz und Massen-Vorverarbeitungs-Pipelines, die Vertex AI-Trainingsjobs speisen.
Verwaltetes TensorBoard zur Visualisierung von Trainingsmetriken, Skalaren, Embeddings und Profiler-Traces mit Team-Sharing über IAM.
Warum er in der Prüfung steht: Domäne 3 + Domäne 6 verweisen auf TensorBoard zur Fehlersuche bei Konvergenzproblemen und zur Profilerstellung der GPU-Auslastung während des Trainings.
Kontoweite Zugriffskontrolle plus Workload Identity Federation zum Binden von GKE-/Vertex AI-Dienstkonten an kurzlebige Anmeldeinformationen.
Warum er in der Prüfung steht: Domäne 2 + Domäne 5 testen Dienstkonten mit geringsten Berechtigungen für Trainingsjobs, Pipeline-Komponenten und projektübergreifendes Modell-Serving.
Verwaltete kryptografische Schlüssel mit CMEK-Unterstützung für Vertex AI-Trainingsdaten, Modellartefakte, BigQuery-Datasets und Cloud Storage-Buckets.
Warum er in der Prüfung steht: CMEK für Trainingskorpora und Modellartefakte ist die kanonische Antwort in Domäne 2 zum Schutz von Modell-IP und Compliance-gebundenen Daten.
Vereinheitlichte Logs, Metriken und Alarme über Vertex AI-Trainingsjobs, Endpunkt-Aufrufe, Pipeline-Schrittdauern und benutzerdefinierte Modellmetriken hinweg.
Warum er in der Prüfung steht: Domäne 6 erwartet Cloud Monitoring für Endpunkt-Latenz-/Fehler-SLOs und Cloud Logging für die Fehlersuche bei Trainingsjobs.
Vereinheitlichte Datenfabric zum Katalogisieren, Klassifizieren und Verfolgen der Lineage von BigQuery-Datasets, Cloud Storage-Objekten und ML-Feature-Artefakten.
Warum er in der Prüfung steht: Domäne 2 (Zusammenarbeit bei der Verwaltung von Daten und Modellen) prüft Dataplex als die GCP-native Antwort für ML-Daten-Lineage und Feature-Governance.
$145k–$210k–$320k USD jährlich
Der Bereich spiegelt US-basierte Senior ML Engineers wider, bei denen Vertex AI die primäre Plattform ist. FAANG L5 ML Engineer TC übersteigt 400.000 $; Staff- und Principal-Level liegen höher. ML Engineering ist im Grundgehalt die höchstbezahlte Cloud-Engineering-Spezialität, und der GCP-spezifische Kandidatenpool ist im Vergleich zu AWS / Multi-Cloud klein, was PMLE-Inhabern bei der Einstellung hilft.
Quelle: levels.fyi 2025–2026 (Google L4–L6 ML engineers, FAANG and AI-startup senior ML), U.S. BLS OEWS May 2024 (15-2099 mathematical science occupations / data scientists, 15-1252 software developers). Die Zahlen sind ungefähr; die tatsächliche Vergütung hängt von der Rolle, der Region und der Erfahrung ab.
Die PMLE-Nachfrage ist 2024–2026 stark gestiegen, da die GenAI-Einstellung qualifizierte ML Engineers in allen Bereichen anzog. Eine hohe Nachfrage besteht bei Google Cloud-Partnern mit ML-Praktiken, KI-First-Startups, die auf Vertex AI aufbauen, und bei Google selbst für Customer-Engineering-ML-Spezialisten. Das Zertifikat ist auch für Multi-Cloud ML-Plattformteams wertvoll. PMLE passt natürlich gut zum Professional Data Engineer (PDE) für ein End-to-End „Daten + ML“ Senior-Profil und zum Generative AI Leader (GAIL) für eine strategisch-technische Kombination. Inhaber berichten durchweg von einer starken Reaktion der Personalvermittler — die Kandidatenpools für ML-Engineering bleiben knapp, auch wenn der GenAI-Hype seinen Höhepunkt normalisiert.
Es gibt keine formalen Voraussetzungen. Google empfiehlt drei oder mehr Jahre Branchenerfahrung und ein oder mehr Jahre Erfahrung in der Architektur und Operationalisierung von ML-Lösungen in Google Cloud. In der Praxis ist PMLE kein glaubwürdiges erstes GCP-Zertifikat und selten ein glaubwürdiges erstes ML-Zertifikat – erfolgreiche Kandidaten haben mindestens ein ML-Produktionsmodell in Betrieb genommen und verfügen über fundierte Kenntnisse in TensorFlow oder PyTorch.
Starke Python-Kenntnisse, fundierte Kenntnisse von scikit-learn / TensorFlow / Keras / PyTorch und mindestens konzeptionelle Vertrautheit mit Kubeflow oder einem anderen ML-Pipeline-Framework sind effektiv erforderlich. Komfort mit BigQuery SQL ist hilfreich, da BigQuery ML in vielen Szenarien vorkommt. Der offizielle ML Engineer Learning Path auf Google Cloud Skills Boost (ca. 50–80 Stunden) ist eine gute Grundlage; die meisten erfolgreichen Kandidaten bauen auch ein nicht-triviales Vertex AI Pipelines-Projekt End-to-End.
PMLE wird als Professional bewertet und ist für Kandidaten ohne Produktions-ML-Erfahrung durchweg schwierig. Planen Sie 100–150 Stunden Lernzeit über 10–14 Wochen ein, wenn PMLE Ihr erstes ML-Engineering-Zertifikat ist, oder 50–80 Stunden über 5–8 Wochen, wenn Sie bereits eine AWS- oder Azure ML-Zertifizierung besitzen und Modelle auf einer der beiden Plattformen in Betrieb genommen haben. Die Prüfung besteht aus 50–60 Multiple-Choice- / Multiple-Select-Fragen in 120 Minuten und wird über Pearson VUE abgelegt (Google ist Anfang 2026 von Kryterion / Webassessor migriert).
Das häufigste Stolpern ist der MLOps-Lebenszyklus — wann neu trainiert werden muss, wie Drift vs. Skew erkannt wird, wie Vertex AI Pipelines in Cloud Build für CI/CD/CT integriert werden. Der zweite Stolperstein ist die Wahl zwischen AutoML, BigQuery ML, benutzerdefiniertem Training auf Vertex AI und vortrainierten APIs für ein bestimmtes Szenario, wobei Googles "bevorzugte" Antwort oft eher von Teamfähigkeiten und Time-to-Value als von der reinen technischen Eignung abhängt. Google veröffentlicht keine numerischen Ergebnisse — nur Bestanden/Nicht bestanden. Das Zertifikat ist zwei Jahre gültig, und für die Rezertifizierung muss die aktuelle Prüfung erneut bestanden werden.
Die aktuelle Prüfungsrichtlinie wurde Ende 2024 aktualisiert, um Szenarien zur Integration von Generativer KI (Gemini, Model Garden), eine erweiterte Abdeckung des Vertex AI Agent Builders und aktualisierte Feature Store-Inhalte aufzunehmen.
Umfassende Aktualisierung, die sich auf Vertex AI als vereinheitlichte ML-Plattform konzentriert und die ältere Abdeckung von AI Platform / AutoML Tables zurückzieht.
Ursprüngliche allgemeine Verfügbarkeit, die den früheren Pfad "Data Engineer mit ML-Fokus" ersetzt.
PMLE (Google Cloud Professional Machine Learning Engineer) ist eine eine anspruchsvolle, szenariobasierte Prüfung, die tiefe praktische Erfahrung und die Fähigkeit erfordert, architektonische Kompromissentscheidungen zu treffen Professional-Level-Prüfung. Die meisten Kandidaten benötigen 150–300 Stunden Lernzeit, verteilt über 3–6 Monate, für Prüfungen auf Professional- und Expertenniveau. Diese Prüfungen setzen in der Regel eine vorherige Associate-Level-Kompetenz voraus. Die meisten Kandidaten, die bei Übungsprüfungen konstant über der Bestehensschwelle liegen, bestehen beim ersten Versuch.
Die meisten Kandidaten benötigen 150–300 Stunden Lernzeit, verteilt über 3–6 Monate, für Prüfungen auf Professional- und Expertenniveau. Diese Prüfungen setzen in der Regel eine vorherige Associate-Level-Kompetenz voraus. Die benötigte Zeit bis zum Bestehen variiert stark je nach Vorerfahrung. Ingenieure mit praktischer Produktionserfahrung in der zugrunde liegenden Technologie benötigen in der Regel weniger; Kandidaten, die neu auf der Plattform sind, sollten sich am oberen Ende dieses Bereichs orientieren.
PMLE ist ein anerkanntes Zeugnis im GCP-Ökosystem und signalisiert Arbeitgebern, Personalvermittlern und Kunden validiertes Wissen. Ob es sich für Sie lohnt, hängt von Ihrer Rolle und Ihren Zielen ab – es zahlt sich am meisten für Cloud-Ingenieure, Architekten und Berater aus, die täglich mit GCP arbeiten oder in solche Rollen wechseln möchten.
Die Bestehensgrenze für PMLE beträgt Nicht veröffentlicht. Die Prüfung enthält 50 Fragen und dauert 2 Std.
Die Prüfungsgebühr für PMLE beträgt $200 USD. Die Gebühren werden von GCP festgelegt und können je nach Region variieren; bestätigen Sie immer den aktuellen Preis auf der offiziellen GCP Zertifizierungsseite, bevor Sie buchen.
Google Cloud Professional-Zertifizierungen sind 2 Jahre gültig. Rezertifizieren Sie sich, indem Sie die aktuelle Version der Prüfung erneut bestehen.
Ja. Sie können die Prüfung online (über den sicheren Browser des Anbieters, in den meisten Regionen rund um die Uhr verfügbar) oder in einem persönlichen Pearson VUE Testzentrum während der Geschäftszeiten ablegen. Beide Formate verwenden die gleichen Fragen, Zeitlimits und Bestehensgrenzen.
CertLabPro bietet 15 Lernmodi für die Übungsfragenbank für PMLE. Der Prüfungssimulationsmodus bildet die echte Prüfung ab: 50 Fragen in 2 Std, mit der gleichen Bestehensschwelle von Nicht veröffentlicht. Im Browsing-Modus können Sie jede Frage und Antwort statisch lesen.