Google Cloud Professional Machine Learning Engineer
225 preguntas de práctica
Última revisión: April 2026
Notas personales y enlaces de recursos para tu camino de estudio
Filtrar por Certificación
El Google Cloud Professional Machine Learning Engineer (PMLE) valida la capacidad de diseñar, construir y poner en producción modelos de ML en Google Cloud, cubriendo Vertex AI de principio a fin, AutoML, entrenamiento personalizado, despliegue de modelos, pipelines de MLOps y las realidades operativas de servir ML a escala. El examen enfatiza Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (online y por lotes), TensorFlow Extended (TFX), explicabilidad con Vertex Explainable AI, monitoreo de drift y skew, e integración con BigQuery ML y las ofertas de IA Generativa (familia Gemini, Model Garden). El estilo de las preguntas se centra en escenarios y recompensa a los candidatos que piensan en el ciclo de vida de ML en producción (CI/CD/CT), no solo en el modelado.
AutoML para datos tabulares / visión / lenguaje, BigQuery ML, APIs preentrenadas (Vision, Speech, Translation, Document AI) y la elección entre rutas de bajo código y personalizadas. El dominio más pequeño con un 12% pero de alta densidad.
Vertex AI Workbench, Feature Store (online y offline), etiquetado y anotación de datos, versionado de modelos y metadatos, seguimiento de experimentos con Vertex AI Experiments. 16%.
Entrenamiento personalizado (nodo único, distribuido, GPU/TPU), ajuste de hiperparámetros con Vizier, entrenamiento basado en contenedores, Vertex AI Tuning, manejo de sesgos en el conjunto de datos. 18%.
Vertex AI Endpoints (online con autoescalado, división de tráfico), predicción por lotes, TensorFlow Serving, compensaciones entre latencia / rendimiento / costo, despliegue en el edge. 19%.
El dominio más grande con un 21%. Vertex AI Pipelines (Kubeflow Pipelines SDK y TFX), CI/CD/CT, disparadores de reentrenamiento, integración con Cloud Build. Gran énfasis en la automatización del ciclo de vida.
Vertex AI Model Monitoring (sesgo de entrenamiento-servicio, drift, drift de atribución), Vertex Explainable AI, monitoreo de rendimiento y costos con Cloud Operations. 14%.
Servicios que encontrarás en el examen y por qué cada uno importa.
Plataforma unificada de ML que cubre entrenamiento, ajuste, predicción, pipelines, registro de modelos, almacén de características y monitorización bajo una única superficie API.
Por qué está en el examen: Vertex AI es el paraguas que abarca cada dominio del PMLE; espere preguntas sobre cómo elegir entre AutoML, entrenamiento personalizado y contenedores preconstruidos para un flujo de trabajo dado.
Entorno de desarrollo gestionado basado en Jupyter con integraciones integradas de BigQuery, Dataproc y Cloud Storage para prototipar modelos.
Por qué está en el examen: El Dominio 3 (Escalado de prototipos) evalúa Workbench como la superficie de cuaderno canónica para pasar del experimento al entrenamiento de grado de producción.
Trabajos de entrenamiento gestionados personalizados y con contenedores preconstruidos en CPU/GPU/TPU con entrenamiento distribuido, ajuste de hiperparámetros y soporte de servidor de reducción.
Por qué está en el examen: Escalar el entrenamiento a través de aceleradores y elegir entre contenedores gestionados o personalizados es un escenario recurrente del Dominio 3.
Predicción online y por lotes gestionada con autoescalado, división de tráfico entre versiones de modelos y soporte de endpoints privados sobre PSC.
Por qué está en el examen: El Dominio 4 (Despliegue y escalado de modelos) evalúa el dimensionamiento de los endpoints, los umbrales de autoescalado y los despliegues canary entre versiones de modelos.
Orquestación serverless de Kubeflow Pipelines y DAGs de TFX con linaje de artefactos, almacenamiento en caché e integración con Vertex ML Metadata.
Por qué está en el examen: El Dominio 5 (Automatización y orquestación de pipelines de ML) nombra a Pipelines como el orquestador de MLOps nativo de Vertex AI, en contraste con Workflows o Composer genéricos.
Catálogo central para versiones de modelos entrenados con seguimiento de despliegue, linaje a trabajos de entrenamiento y flujos de trabajo de aprobación para el lanzamiento a producción.
Por qué está en el examen: El Dominio 2 (Colaboración para gestionar datos y modelos) evalúa cómo los equipos versionan, aprueban y gobiernan los artefactos de modelos en diferentes entornos.
Repositorio de características gestionado online (baja latencia) y offline con corrección en el tiempo y almacenamiento offline respaldado por BigQuery.
Por qué está en el examen: Feature Store es la respuesta canónica del Dominio 2 para prevenir el sesgo de entrenamiento/servicio y compartir características entre equipos.
Detección de deriva y sesgo en endpoints desplegados con monitorización de atribución de características, alertas vía Cloud Monitoring y análisis respaldado por BigQuery.
Por qué está en el examen: El Dominio 6 (Monitorización y optimización) evalúa cómo detectar el sesgo de entrenamiento/servicio y la deriva de predicción en endpoints en vivo.
Entrenamiento sin código de modelos tabulares, de imagen, texto y video con ingeniería de características gestionada y búsqueda de hiperparámetros.
Por qué está en el examen: El Dominio 1 (Soluciones de ML de bajo código) nombra a AutoML como la elección canónica cuando los expertos del dominio necesitan un modelo sin escribir código de entrenamiento.
Rastrea ejecuciones de entrenamiento, parámetros, métricas y linaje de artefactos; consulta Vertex ML Metadata para reproducibilidad y auditoría.
Por qué está en el examen: El Dominio 2 evalúa el seguimiento de experimentos y la reproducibilidad; Experiments + Metadata es el almacén de linaje nativo de Vertex AI.
Servicio de optimización de hiperparámetros de caja negra utilizable de forma independiente o incrustado en trabajos de entrenamiento personalizados, con estrategias de búsqueda bayesiana y de cuadrícula.
Por qué está en el examen: Las preguntas del Dominio 3 sobre el ajuste eficiente de hiperparámetros a escala nombran a Vizier como la alternativa gestionada a la búsqueda en cuadrícula en Compute Engine.
Servicio de búsqueda de vecinos más cercanos aproximados (anteriormente Matching Engine) para recuperación basada en embeddings a escala por debajo de los 100 ms.
Por qué está en el examen: Los escenarios de recuperación de tipo recomendación y RAG en el Dominio 4 nombran a Vector Search como la capa de servicio gestionada para embeddings.
Entrena y despliega modelos de regresión, clasificación, series temporales y embeddings con SQL directamente en tablas de BigQuery, sin necesidad de mover datos.
Por qué está en el examen: El Dominio 1 + Dominio 3 citan a BigQuery ML cuando los datos ya residen en BigQuery y un analista necesita modelos sin un pipeline de ML.
Framework MLOps de TensorFlow de extremo a extremo: ExampleGen, Transform, Trainer, Evaluator, Pusher; se ejecuta de forma nativa en Vertex AI Pipelines.
Por qué está en el examen: El Dominio 5 evalúa TFX como el framework de pipeline de código abierto que se compila en Vertex AI Pipelines para MLOps portátil.
Servicio basado en Apache Beam para inferencia por lotes y en streaming, ingeniería de características a escala e integración con Vertex AI a través de transformaciones RunInference.
Por qué está en el examen: El Dominio 4 (Despliegue) evalúa Dataflow para inferencia en streaming y pipelines de preprocesamiento masivo que alimentan los trabajos de entrenamiento de Vertex AI.
TensorBoard gestionado para visualizar métricas de entrenamiento, escalares, embeddings y trazas de perfilador con compartición a nivel de equipo vía IAM.
Por qué está en el examen: El Dominio 3 + Dominio 6 hacen referencia a TensorBoard para depurar problemas de convergencia y perfilar la utilización de la GPU durante el entrenamiento.
Control de acceso a nivel de cuenta más Workload Identity Federation para vincular cuentas de servicio de GKE/Vertex AI a credenciales de corta duración.
Por qué está en el examen: El Dominio 2 + Dominio 5 evalúan cuentas de servicio con privilegios mínimos para trabajos de entrenamiento, componentes de pipeline y servicio de modelos entre proyectos.
Claves criptográficas gestionadas con soporte CMEK para datos de entrenamiento de Vertex AI, artefactos de modelos, conjuntos de datos de BigQuery y buckets de Cloud Storage.
Por qué está en el examen: CMEK en corpora de entrenamiento y artefactos de modelos es la respuesta canónica del Dominio 2 para proteger la IP del modelo y los datos sujetos a cumplimiento.
Registros, métricas y alertas unificados en trabajos de entrenamiento de Vertex AI, invocaciones de endpoints, duraciones de pasos de pipeline y métricas de modelos personalizadas.
Por qué está en el examen: El Dominio 6 espera Cloud Monitoring para SLOs de latencia/errores de endpoints y Cloud Logging para la resolución de problemas de trabajos de entrenamiento.
Tejido de datos unificado para catalogar, clasificar y rastrear el linaje de conjuntos de datos de BigQuery, objetos de Cloud Storage y artefactos de características de ML.
Por qué está en el examen: El Dominio 2 (Colaboración para gestionar datos y modelos) evalúa Dataplex como la respuesta nativa de GCP para el linaje de datos de ML y la gobernanza de características.
$145k–$210k–$320k USD anual
El rango refleja a ingenieros de ML senior con sede en EE. UU. donde Vertex AI es la plataforma principal. El TC de un ingeniero de ML L5 de FAANG supera los $400k; los niveles Staff y Principal son más altos. La ingeniería de ML es la especialidad de ingeniería en la nube mejor pagada por salario base, y el grupo de candidatos específicos de GCP es pequeño en relación con AWS / multi-cloud, lo que ayuda a los titulares de PMLE en el momento de la contratación.
Fuente: 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). Las cifras son aproximadas; la compensación real depende del rol, la región y la experiencia.
La demanda de PMLE aumentó entre 2024 y 2026 a medida que la contratación de GenAI atrajo a ingenieros de ML calificados en todos los ámbitos. Hay una fuerte demanda en los socios de Google Cloud con prácticas de ML, startups de IA que construyen sobre Vertex AI y en el propio Google para especialistas en ingeniería de ML de clientes. La certificación también es valiosa en equipos de plataforma de ML multi-cloud. La PMLE se combina naturalmente con la Professional Data Engineer (PDE) para un perfil senior "datos + ML" de principio a fin y con la Generative AI Leader (GAIL) para una combinación estratégica y técnica. Los titulares reportan consistentemente una fuerte respuesta de los reclutadores: los grupos de candidatos de ingeniería de ML siguen siendo ajustados incluso a medida que el pico de hype de GenAI se normaliza.
No hay requisitos formales. Google recomienda tres o más años de experiencia en la industria y uno o más años diseñando y operacionalizando soluciones de ML en Google Cloud. En la práctica, la PMLE no es una primera certificación de GCP creíble y rara vez es una primera certificación de ML creíble; los candidatos exitosos han implementado al menos un modelo de ML en producción y tienen conocimientos prácticos de TensorFlow o PyTorch.
Una sólida fluidez en Python, conocimientos prácticos de scikit-learn / TensorFlow / Keras / PyTorch y al menos una familiaridad conceptual con Kubeflow u otro framework de pipeline de ML son efectivamente obligatorios. La comodidad con BigQuery SQL es útil, ya que BigQuery ML aparece en muchos escenarios. La ruta de aprendizaje oficial de ML Engineer en Google Cloud Skills Boost (alrededor de 50 a 80 horas) es una buena base; la mayoría de los candidatos exitosos también construyen un proyecto no trivial de Vertex AI Pipelines de principio a fin.
La PMLE está clasificada como profesional y es consistentemente difícil para los candidatos sin experiencia en ML en producción. Planifique entre 100 y 150 horas de estudio durante 10 a 14 semanas si la PMLE es su primera certificación de ingeniería de ML, o entre 50 y 80 horas durante 5 a 8 semanas si ya posee una certificación de ML de AWS o Azure y ha implementado modelos en cualquiera de las plataformas. El examen consta de 50 a 60 preguntas de opción múltiple / selección múltiple en 120 minutos, administrado a través de Pearson VUE (Google migró de Kryterion / Webassessor a principios de 2026).
El obstáculo más común es el ciclo de vida de MLOps: cuándo reentrenar, cómo detectar el drift vs. el skew, cómo integrar Vertex AI Pipelines en Cloud Build para CI/CD/CT. El segundo obstáculo es elegir entre AutoML, BigQuery ML, entrenamiento personalizado en Vertex AI y APIs preentrenadas para un escenario dado, donde la respuesta "preferida" de Google a menudo depende de la habilidad del equipo y del tiempo de valor en lugar de un ajuste técnico puro. Google no publica puntuaciones numéricas, solo aprobado/reprobado. La credencial es válida por dos años y la recertificación requiere volver a aprobar el examen actual.
Guía de examen actual actualizada a finales de 2024 para añadir escenarios de integración de IA Generativa (Gemini, Model Garden), cobertura ampliada de Vertex AI Agent Builder y contenido actualizado de Feature Store.
Importante actualización que consolida Vertex AI como la plataforma unificada de ML, retirando la cobertura anterior de AI Platform / AutoML Tables.
Disponibilidad general original, reemplazando la ruta anterior de "Data Engineer con enfoque en ML".
PMLE (Google Cloud Professional Machine Learning Engineer) es un examen de nivel Professional un examen desafiante, con muchos escenarios, que requiere una profunda experiencia práctica y la capacidad de tomar decisiones de compensación arquitectónica. La mayoría de los candidatos necesitan entre 150 y 300 horas de estudio distribuidas en 3 a 6 meses para los exámenes de nivel profesional y experto. Estos exámenes suelen esperar una competencia previa a nivel asociado. La mayoría de los candidatos que obtienen consistentemente una puntuación por encima del umbral de aprobación en los exámenes de práctica, aprueban en su primer intento.
La mayoría de los candidatos necesitan entre 150 y 300 horas de estudio distribuidas en 3 a 6 meses para los exámenes de nivel profesional y experto. Estos exámenes suelen esperar una competencia previa a nivel asociado. El tiempo para aprobar varía ampliamente según la experiencia previa. Los ingenieros con experiencia práctica en producción en la tecnología subyacente suelen necesitar menos; los candidatos nuevos en la plataforma deben planificar hacia el extremo superior de ese rango.
PMLE es una credencial reconocida en el ecosistema de GCP y señala conocimientos validados a empleadores, reclutadores y clientes. Si vale la pena el tiempo y la tarifa para ti, depende de tu rol y objetivos — tiende a ser más rentable para ingenieros de la nube, arquitectos y consultores que trabajan con GCP a diario o quieren pasar a roles que lo hagan.
La puntuación de aprobación para PMLE es No publicado. El examen contiene 50 preguntas y dura 2 h.
La tarifa del examen PMLE es de $200 USD. Las tarifas son establecidas por GCP y pueden variar según la región; siempre confirma el precio actual en la página oficial de certificación de GCP antes de reservar.
Las certificaciones Google Cloud Professional son válidas por 2 años. Recertifícate volviendo a aprobar la versión actual del examen.
Sí. Puedes realizar el examen en línea (supervisado a través del navegador seguro del proveedor, disponible 24/7 en la mayoría de las regiones) o en un centro de examen presencial de Pearson VUE durante el horario comercial. Ambos formatos utilizan las mismas preguntas, límite de tiempo y puntuación de aprobación.
CertLabPro ofrece 15 modos de estudio en todo el banco de preguntas de práctica para PMLE. El modo de simulación de examen reproduce el examen real: 50 preguntas en 2 h, con el mismo umbral de aprobación de No publicado. El modo de navegación te permite leer todas las preguntas y respuestas de forma estática.