Google Cloud Professional Machine Learning Engineer
225 questions de pratique
Dernière révision : April 2026
Notes personnelles et liens de ressources pour votre parcours d'étude
Filtrer par Certification
La certification Google Cloud Professional Machine Learning Engineer (PMLE) valide la capacité à concevoir, construire et mettre en production des modèles ML sur Google Cloud — couvrant Vertex AI de bout en bout, AutoML, la formation personnalisée, le déploiement de modèles, les pipelines MLOps et les réalités opérationnelles du service ML à l'échelle. L'examen met l'accent sur Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (en ligne et par lots), TensorFlow Extended (TFX), l'explicabilité avec Vertex Explainable AI, la surveillance de la dérive et de l'asymétrie, et l'intégration avec BigQuery ML et les offres d'IA générative (famille Gemini, Model Garden). Le style des questions est fortement basé sur des scénarios et récompense les candidats qui pensent au cycle de vie ML en production (CI/CD/CT), pas seulement à la modélisation.
AutoML pour les données tabulaires / vision / langage, BigQuery ML, les API pré-entraînées (Vision, Speech, Translation, Document AI), et le choix entre les chemins low-code et personnalisés. Le plus petit domaine à 12% mais de forte densité.
Vertex AI Workbench, Feature Store (en ligne et hors ligne), l'étiquetage et l'annotation des données, le versionnement des modèles et les métadonnées, le suivi des expériences avec Vertex AI Experiments. 16 %.
Formation personnalisée (nœud unique, distribuée, GPU/TPU), réglage des hyperparamètres avec Vizier, formation basée sur des conteneurs, Vertex AI Tuning, gestion des biais de jeux de données. 18 %.
Vertex AI Endpoints (en ligne avec autoscaling, répartition du trafic), prédiction par lots, TensorFlow Serving, compromis latence / débit / coût, déploiement en périphérie. 19 %.
Le plus grand domaine à 21 %. Vertex AI Pipelines (SDK Kubeflow Pipelines et TFX), CI/CD/CT, déclencheurs de ré-entraînement, intégration Cloud Build. Fortement axé sur l'automatisation du cycle de vie.
Vertex AI Model Monitoring (asymétrie entraînement-service, dérive, dérive d'attribution), Vertex Explainable AI, surveillance des performances et des coûts avec Cloud Operations. 14 %.
Les services que vous rencontrerez à l'examen et pourquoi chacun compte.
Plateforme ML unifiée couvrant l'entraînement, l'optimisation, la prédiction, les pipelines, le registre de modèles, le magasin de fonctionnalités et la surveillance sous une surface d'API unique.
Pourquoi il est à l'examen : Vertex AI est le service qui couvre tous les domaines PMLE — attendez-vous à des questions sur le choix entre AutoML, l'entraînement personnalisé et les conteneurs pré-construits pour un flux de travail donné.
Environnement de développement géré basé sur Jupyter avec des intégrations BigQuery, Dataproc et Cloud Storage intégrées pour le prototypage de modèles.
Pourquoi il est à l'examen : Le Domaine 3 (Mise à l'échelle des prototypes) teste Workbench comme la surface de notebook canonique pour passer de l'expérience à l'entraînement de qualité production.
Jobs d'entraînement gérés avec des conteneurs personnalisés et pré-construits sur CPU/GPU/TPU, incluant l'entraînement distribué, l'optimisation des hyperparamètres et le support du serveur de réduction.
Pourquoi il est à l'examen : La mise à l'échelle de l'entraînement sur les accélérateurs et le choix entre conteneurs gérés et personnalisés est un scénario récurrent du Domaine 3.
Prédiction en ligne et par lots gérée avec autoscaling, répartition du trafic entre les versions de modèles et support de points de terminaison privés via PSC.
Pourquoi il est à l'examen : Le Domaine 4 (Diffusion et mise à l'échelle des modèles) teste le dimensionnement des points de terminaison, les seuils d'autoscaling et les déploiements canary entre les versions de modèles.
Orchestration serverless de Kubeflow Pipelines et de DAGs TFX avec lignage des artefacts, mise en cache et intégration de Vertex ML Metadata.
Pourquoi il est à l'examen : Le Domaine 5 (Automatisation et orchestration des pipelines ML) désigne Pipelines comme l'orchestrateur MLOps natif de GCP par rapport aux workflows génériques ou à Composer.
Catalogue central pour les versions de modèles entraînés, avec suivi des déploiements, lignage vers les jobs d'entraînement et workflows d'approbation pour le déploiement en production.
Pourquoi il est à l'examen : Le Domaine 2 (Collaboration pour la gestion des données et des modèles) teste la manière dont les équipes versionnent, approuvent et gouvernent les artefacts de modèles à travers les environnements.
Dépôt de fonctionnalités géré, en ligne (faible latence) et hors ligne, avec exactitude à un point précis dans le temps et stockage hors ligne basé sur BigQuery.
Pourquoi il est à l'examen : Feature Store est la réponse canonique du Domaine 2 pour prévenir le décalage entraînement/service et partager les fonctionnalités entre équipes.
Détection de dérive et de décalage sur les points de terminaison déployés, avec surveillance de l'attribution des fonctionnalités, alertes via Cloud Monitoring et analyse basée sur BigQuery.
Pourquoi il est à l'examen : Le Domaine 6 (Surveillance et optimisation) teste comment détecter le décalage entraînement/service et la dérive de prédiction sur les points de terminaison en direct.
Entraînement sans code de modèles tabulaires, d'images, de texte et de vidéo, avec ingénierie des fonctionnalités gérée et recherche d'hyperparamètres.
Pourquoi il est à l'examen : Le Domaine 1 (Solutions ML Low-Code) désigne AutoML comme le choix canonique lorsque les experts du domaine ont besoin d'un modèle sans écrire de code d'entraînement.
Suivez les exécutions d'entraînement, les paramètres, les métriques et le lignage des artefacts ; interrogez Vertex ML Metadata pour la reproductibilité et l'audit.
Pourquoi il est à l'examen : Le Domaine 2 teste le suivi des expériences et la reproductibilité — Experiments + Metadata est le magasin de lignage natif de GCP.
Service d'optimisation d'hyperparamètres de type "boîte noire", utilisable seul ou intégré dans des jobs d'entraînement personnalisés, avec des stratégies de recherche bayésienne et par grille.
Pourquoi il est à l'examen : Les questions du Domaine 3 sur l'optimisation efficace des hyperparamètres à l'échelle désignent Vizier comme l'alternative gérée à la recherche par grille sur Compute Engine.
Service de voisins les plus proches approximatifs (anciennement Matching Engine) pour la récupération basée sur les embeddings à une échelle inférieure à 100 ms.
Pourquoi il est à l'examen : Les scénarios de recommandation et de récupération de style RAG sous le Domaine 4 désignent Vector Search comme la couche de diffusion gérée pour les embeddings.
Entraînez et diffusez des modèles de régression, de classification, de séries temporelles et d'embeddings avec SQL directement sur les tables BigQuery — aucun déplacement de données n'est requis.
Pourquoi il est à l'examen : Le Domaine 1 + le Domaine 3 citent BigQuery ML lorsque les données résident déjà dans BigQuery et qu'un analyste a besoin de modèles sans pipeline ML.
Framework MLOps TensorFlow de bout en bout : ExampleGen, Transform, Trainer, Evaluator, Pusher — s'exécute nativement sur Vertex AI Pipelines.
Pourquoi il est à l'examen : Le Domaine 5 teste TFX comme le framework de pipeline open source qui compile en Vertex AI Pipelines pour un MLOps portable.
Service basé sur Apache Beam pour l'inférence par lots et en streaming, l'ingénierie des fonctionnalités à l'échelle et l'intégration de Vertex AI via les transformations RunInference.
Pourquoi il est à l'examen : Le Domaine 4 (Diffusion) teste Dataflow pour l'inférence en streaming et les pipelines de prétraitement en masse qui alimentent les jobs d'entraînement Vertex AI.
TensorBoard géré pour visualiser les métriques d'entraînement, les scalaires, les embeddings et les traces de profileur avec partage au niveau de l'équipe via IAM.
Pourquoi il est à l'examen : Le Domaine 3 + le Domaine 6 référencent TensorBoard pour le débogage des problèmes de convergence et le profilage de l'utilisation du GPU pendant l'entraînement.
Contrôle d'accès à l'échelle du compte et fédération d'identité de charge de travail pour lier les comptes de service GKE/Vertex AI à des identifiants à courte durée de vie.
Pourquoi il est à l'examen : Le Domaine 2 + le Domaine 5 testent les comptes de service à moindre privilège pour les jobs d'entraînement, les composants de pipeline et la diffusion de modèles multi-projets.
Clés cryptographiques gérées avec support CMEK pour les données d'entraînement Vertex AI, les artefacts de modèles, les ensembles de données BigQuery et les buckets Cloud Storage.
Pourquoi il est à l'examen : CMEK sur les corpus d'entraînement et les artefacts de modèles est la réponse canonique du Domaine 2 pour protéger la propriété intellectuelle des modèles et les données soumises à la conformité.
Journaux, métriques et alertes unifiés pour les jobs d'entraînement Vertex AI, les invocations de points de terminaison, les durées d'étapes de pipeline et les métriques de modèles personnalisés.
Pourquoi il est à l'examen : Le Domaine 6 attend Cloud Monitoring pour les SLOs de latence/erreur des points de terminaison et Cloud Logging pour le dépannage des jobs d'entraînement.
Fabric de données unifié pour le catalogage, la classification et le suivi du lignage des ensembles de données BigQuery, des objets Cloud Storage et des artefacts de fonctionnalités ML.
Pourquoi il est à l'examen : Le Domaine 2 (Collaboration pour la gestion des données et des modèles) teste Dataplex comme la réponse native de GCP pour le lignage des données ML et la gouvernance des fonctionnalités.
$145k–$210k–$320k USD annuel
Cette fourchette reflète les salaires des ingénieurs ML seniors basés aux États-Unis où Vertex AI est la plateforme principale. Les ingénieurs ML L5 de FAANG dépassent les 400 000 $ en rémunération totale ; les niveaux staff et principal sont encore plus élevés. L'ingénierie ML est la spécialité d'ingénierie cloud la mieux rémunérée en salaire de base, et le bassin de candidats spécifiques à GCP est restreint par rapport à AWS / multi-cloud, ce qui avantage les titulaires du PMLE lors de l'embauche.
Source : levels.fyi 2025–2026 (ingénieurs ML Google L4–L6, ML senior FAANG et startups IA), U.S. BLS OEWS May 2024 (15-2099 professions en sciences mathématiques / data scientists, 15-1252 développeurs de logiciels). Les chiffres sont approximatifs ; la rémunération réelle dépend du rôle, de la région et de l'expérience.
La demande de PMLE a fortement augmenté entre 2024 et 2026, alors que le recrutement en GenAI a attiré des ingénieurs ML qualifiés dans tous les secteurs. La demande est forte chez les partenaires Google Cloud ayant des pratiques ML, les startups "AI-first" basées sur Vertex AI, et chez Google même pour des spécialistes ML en ingénierie client. La certification est également précieuse pour les équipes de plateforme ML multi-cloud. Le PMLE s'associe naturellement à la certification Professional Data Engineer (PDE) pour un profil senior "données + ML" de bout en bout et à la certification Generative AI Leader (GAIL) pour une paire stratégique et technique. Les titulaires rapportent constamment une forte réponse des recruteurs — les bassins de candidats en ingénierie ML restent restreints même si le pic d'engouement pour la GenAI se normalise.
Il n'y a pas de prérequis formels. Google recommande trois ans ou plus d'expérience industrielle et un an ou plus dans l'architecture et l'opérationnalisation de solutions ML sur Google Cloud. En pratique, le PMLE n'est pas une première certification GCP crédible et est rarement une première certification ML crédible — les candidats ayant réussi ont mis en production au moins un modèle ML et possèdent une connaissance pratique de TensorFlow ou PyTorch.
Une forte maîtrise de Python, une connaissance pratique de scikit-learn / TensorFlow / Keras / PyTorch, et au moins une familiarité conceptuelle avec Kubeflow ou un autre framework de pipeline ML sont effectivement requises. Être à l'aise avec BigQuery SQL est utile car BigQuery ML apparaît dans de nombreux scénarios. Le parcours d'apprentissage officiel d'ingénieur ML sur Google Cloud Skills Boost (environ 50 à 80 heures) est une bonne base ; la plupart des candidats qui réussissent construisent également un projet Vertex AI Pipelines non trivial de bout en bout.
Le PMLE est classé professionnel et est constamment difficile pour les candidats sans expérience ML en production. Prévoyez 100 à 150 heures d'étude sur 10 à 14 semaines si le PMLE est votre première certification en ingénierie ML, ou 50 à 80 heures sur 5 à 8 semaines si vous détenez déjà une certification ML AWS ou Azure et avez mis des modèles en production sur l'une ou l'autre plateforme. L'examen comprend 50 à 60 questions à choix multiples / à sélection multiple en 120 minutes, administré via Pearson VUE (Google a migré de Kryterion / Webassessor début 2026).
La pierre d'achoppement la plus courante est le cycle de vie MLOps — quand réentraîner, comment détecter la dérive par rapport à l'asymétrie, comment intégrer Vertex AI Pipelines dans Cloud Build pour le CI/CD/CT. La deuxième pierre d'achoppement est le choix entre AutoML, BigQuery ML, l'entraînement personnalisé sur Vertex AI, et les API pré-entraînées pour un scénario donné, où la réponse "préférée" de Google dépend souvent des compétences de l'équipe et du temps de valeur plutôt que de l'adéquation purement technique. Google ne publie pas de scores numériques — seulement réussi/échoué. La certification est valide pendant deux ans et la recertification exige de repasser l'examen actuel.
Le guide d'examen actuel a été mis à jour fin 2024 pour ajouter des scénarios d'intégration d'IA générative (Gemini, Model Garden), une couverture étendue de Vertex AI Agent Builder et un contenu Feature Store actualisé.
Mise à jour majeure consolidant l'utilisation de Vertex AI comme plateforme ML unifiée, retirant la couverture des anciennes plateformes AI Platform / AutoML Tables.
Disponibilité générale originale, remplaçant le chemin précédent "Data Engineer avec focus ML".
PMLE (Google Cloud Professional Machine Learning Engineer) est un examen de niveau Professional un examen exigeant, riche en scénarios, qui requiert une expérience pratique approfondie et la capacité de prendre des décisions d'arbitrage architectural. La plupart des candidats ont besoin de 150 à 300 heures d'étude réparties sur 3 à 6 mois pour les examens de niveau professionnel et expert. Ces examens exigent généralement une compétence préalable de niveau associé. La plupart des candidats qui obtiennent des scores constamment supérieurs au seuil de réussite lors des examens pratiques réussissent dès leur première tentative.
La plupart des candidats ont besoin de 150 à 300 heures d'étude réparties sur 3 à 6 mois pour les examens de niveau professionnel et expert. Ces examens exigent généralement une compétence préalable de niveau associé. Le temps nécessaire pour réussir varie considérablement en fonction de l'expérience antérieure. Les ingénieurs ayant une expérience pratique en production avec la technologie sous-jacente en ont généralement besoin de moins ; les candidats novices sur la plateforme devraient viser la limite supérieure de cette fourchette.
PMLE est une certification reconnue dans l'écosystème GCP et signale des connaissances validées aux employeurs, recruteurs et clients. Sa valeur en termes de temps et de coût dépend de votre rôle et de vos objectifs — elle est la plus avantageuse pour les ingénieurs cloud, architectes et consultants qui travaillent quotidiennement avec GCP ou souhaitent évoluer vers des rôles similaires.
Le score de réussite pour le PMLE est de Non publié. L'examen contient 50 questions et dure 2 h.
Les frais d'examen PMLE sont de $200 USD. Les frais sont fixés par GCP et peuvent varier selon la région ; confirmez toujours le prix actuel sur la page de certification officielle de GCP avant de réserver.
Les certifications Google Cloud Professional sont valides pendant 2 ans. Recertifiez-vous en repassant la version actuelle de l'examen.
Oui. Vous pouvez passer l'examen en ligne (supervisé via le navigateur sécurisé du fournisseur, disponible 24h/24 et 7j/7 dans la plupart des régions) ou dans un centre de test Pearson VUE en personne pendant les heures ouvrables. Les deux formats utilisent les mêmes questions, la même limite de temps et le même score de réussite.
CertLabPro propose 15 modes d'étude à travers la banque de questions pratiques pour le PMLE. Le mode de simulation d'examen reproduit l'examen réel : 50 questions en 2 h, avec le même seuil de réussite de Non publié. Le mode navigation vous permet de lire chaque Q&A de manière statique.