Google Cloud Professional Machine Learning Engineer
225 שאלות תרגול
נבדק לאחרונה: April 2026
הערות אישיות וקישורים למשאבים למסע הלמידה שלך
סנן לפי הסמכה
ההסמכה Google Cloud Professional Machine Learning Engineer (PMLE) מאמתת את היכולת לתכנן, לבנות ולהעביר מודלי ML לייצור ב-Google Cloud — תוך כיסוי Vertex AI מקצה לקצה, AutoML, אימון מותאם אישית, פריסת מודלים, צינורות MLOps, והמציאות התפעולית של שירות ML בקנה מידה. הבחינה מדגישה את Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (אונליין ואצווה), TensorFlow Extended (TFX), יכולת הסבר באמצעות Vertex Explainable AI, ניטור סחף והטיה, ושילוב עם BigQuery ML והצעות Generative AI (משפחת Gemini, Model Garden). סגנון השאלות מבוסס תרחישים במידה רבה ומתגמל מועמדים שחושבים על מחזור חיי ML בפרודקשן (CI/CD/CT), לא רק על מידול.
AutoML עבור נתונים טבלאיים / ראייה ממוחשבת / שפה, BigQuery ML, ממשקי API מאומנים מראש (Vision, Speech, Translation, Document AI), ובחירה בין נתיבי low-code לנתיבים מותאמים אישית. זהו התחום הקטן ביותר עם 12% אך בצפיפות גבוהה.
Vertex AI Workbench, Feature Store (מקוון ולא מקוון), תיוג נתונים ואנוטציה, ניהול גרסאות מודלים ומטא נתונים, מעקב אחר ניסויים עם Vertex AI Experiments. 16%.
אימון מותאם אישית (צומת יחיד, מבוזר, GPU/TPU), כוונון היפרפרמטרים עם Vizier, אימון מבוסס קונטיינרים, Vertex AI Tuning, טיפול בהטיית מערך נתונים. 18%.
Vertex AI Endpoints (מקוון עם קנה מידה אוטומטי, פיצול תעבורה), חיזוי אצווה, TensorFlow Serving, איזוני השהיה / תפוקה / עלות, פריסה בקצה הרשת. 19%.
התחום הגדול ביותר עם 21%. Vertex AI Pipelines (Kubeflow Pipelines SDK ו-TFX), CI/CD/CT, טריגרים לאימון מחדש, אינטגרציה עם Cloud Build. דגש חזק על אוטומציה של מחזור החיים.
Vertex AI Model Monitoring (הטיית אימון-שירות, סחף, סחף ייחוס), Vertex Explainable AI, ניטור ביצועים ועלויות עם Cloud Operations. 14%.
שירותים שתפגוש במבחן ומדוע כל אחד מהם חשוב.
פלטפורמת ML מאוחדת המכסה אימון, כוונון, חיזוי, צינורות, רישום מודלים, Feature Store וניטור תחת משטח API יחיד.
מדוע הוא במבחן: Vertex AI היא המטריה החוצה כל דומיין של PMLE — צפו לשאלות על בחירה בין AutoML, אימון מותאם אישית וקונטיינרים מוכנים מראש עבור זרימת עבודה נתונה.
סביבת פיתוח מנוהלת מבוססת Jupyter עם אינטגרציות מובנות ל-BigQuery, Dataproc ו-Cloud Storage לבניית אבות טיפוס של מודלים.
מדוע הוא במבחן: דומיין 3 (הרחבת אבות טיפוס) בוחן את Workbench כמשטח המחברת הקנוני למעבר מניסוי לאימון ברמת ייצור.
ג'ובים מנוהלים של אימון קונטיינרים מותאמים אישית ומוכנים מראש על CPU/GPU/TPU עם אימון מבוזר, כוונון היפר-פרמטרים ותמיכה ב-reduction-server.
מדוע הוא במבחן: הרחבת אימון על פני מאיצים ובחירה בין קונטיינרים מנוהלים לקונטיינרים מותאמים אישית הוא תרחיש חוזר בדומיין 3.
חיזוי מנוהל מקוון ובאצ' עם קנה מידה אוטומטי, פיצול תעבורה בין גרסאות מודלים ותמיכה בנקודות קצה פרטיות דרך PSC.
מדוע הוא במבחן: דומיין 4 (הגשה והרחבת מודלים) בוחן את גודל נקודת הקצה, ספי קנה מידה אוטומטי ופריסות קנריות בין גרסאות מודלים.
תזמור serverless של Kubeflow Pipelines ו-TFX DAGs עם מעקב אחר ארטיפקטים, שמירה במטמון ואינטגרציה עם Vertex ML Metadata.
מדוע הוא במבחן: דומיין 5 (אוטומציה ותזמור של צינורות ML) נוקב ב-Pipelines כמתזמר ה-MLOps המקומי של AWS לעומת Workflows או Composer גנריים.
קטלוג מרכזי לגרסאות מודלים מאומנים עם מעקב פריסה, מעקב לכל ג'ובי האימון ותהליכי אישור לפריסה בייצור.
מדוע הוא במבחן: דומיין 2 (שיתוף פעולה בניהול נתונים ודגמים) בוחן כיצד צוותים מגרסאים, מאשרים ומנהלים ארטיפקטים של מודלים על פני סביבות.
מאגר פיצ'רים מנוהל מקוון (השהיה נמוכה) ולא מקוון, עם נכונות נקודתית בזמן ואחסון לא מקוון המגובה ב-BigQuery.
מדוע הוא במבחן: Feature Store היא התשובה הקנונית בדומיין 2 למניעת הטיית אימון/הגשה ושיתוף פיצ'רים בין צוותים.
זיהוי drift ו-skew בנקודות קצה פרוסות עם ניטור ייחוס פיצ'רים, התראות באמצעות Cloud Monitoring וניתוח המגובה ב-BigQuery.
מדוע הוא במבחן: דומיין 6 (ניטור ואופטימיזציה) בוחן כיצד לזהות הטיית אימון/הגשה ו-drift בחיזוי בנקודות קצה חיות.
אימון ללא קוד של מודלים טבלאיים, תמונה, טקסט ווידאו עם הנדסת פיצ'רים מנוהלת וחיפוש היפר-פרמטרים.
מדוע הוא במבחן: דומיין 1 (פתרונות ML ב-Low-Code) נוקב ב-AutoML כבחירה הקנונית כאשר מומחי דומיין זקוקים למודל מבלי לכתוב קוד אימון.
עקוב אחר הרצות אימון, פרמטרים, מדדים ומעקב אחר ארטיפקטים; שאילתה ב-Vertex ML Metadata לשם שחזור וביקורת.
מדוע הוא במבחן: דומיין 2 בוחן מעקב ניסויים ושחזור — Experiments + Metadata הוא מאגר המעקב המקומי של AWS.
שירות אופטימיזציית היפר-פרמטרים "קופסה שחורה" הניתן לשימוש עצמאי או מוטמע בג'ובי אימון מותאמים אישית, עם אסטרטגיות חיפוש בייסיאניות ורשתיות.
מדוע הוא במבחן: שאלות בדומיין 3 על כוונון היפר-פרמטרים יעיל בקנה מידה נוקבות ב-Vizier כאלטרנטיבה המנוהלת ל-grid-search-on-Compute-Engine.
שירות Approximate-nearest-neighbor (לשעבר Matching Engine) לאחזור מבוסס-embeddings בקנה מידה של פחות מ-100 אלפיות השנייה.
מדוע הוא במבחן: תרחישי המלצות ואחזור בסגנון RAG תחת דומיין 4 נוקבים ב-Vector Search כשכבת ההגשה המנוהלת עבור embeddings.
אמן והגש מודלי רגרסיה, סיווג, סדרות זמן ו-embedding עם SQL ישירות על טבלאות BigQuery — ללא צורך בהזזת נתונים.
מדוע הוא במבחן: דומיין 1 + דומיין 3 מצטטים את BigQuery ML כאשר הנתונים כבר נמצאים ב-BigQuery ואנליסט זקוק למודלים ללא צינור ML.
פריימוורק MLOps מקצה-לקצה של TensorFlow: ExampleGen, Transform, Trainer, Evaluator, Pusher — פועל באופן מובנה על Vertex AI Pipelines.
מדוע הוא במבחן: דומיין 5 בוחן את TFX כפריימוורק ה-pipeline בקוד פתוח שמתקמפל ל-Vertex AI Pipelines עבור MLOps נייד.
שירות מבוסס Apache Beam ל-inference באצ' ו-streaming, הנדסת פיצ'רים בקנה מידה, ואינטגרציה עם Vertex AI באמצעות טרנספורמציות RunInference.
מדוע הוא במבחן: דומיין 4 (הגשה) בוחן את Dataflow עבור inference ב-streaming וצינורות preprocessing בכמות גדולה המזינים ג'ובי אימון של Vertex AI.
TensorBoard מנוהל להדמיית מדדי אימון, סקלרים, embeddings ועקבות פרופילר עם שיתוף ברמת צוות באמצעות IAM.
מדוע הוא במבחן: דומיין 3 + דומיין 6 מתייחסים ל-TensorBoard לניפוי באגים בבעיות התכנסות ופרופיל ניצול GPU במהלך האימון.
בקרת גישה רוחבית לחשבון בתוספת Workload Identity Federation לקישור חשבונות שירות של GKE/Vertex AI לאישורים קצרי-חיים.
מדוע הוא במבחן: דומיין 2 + דומיין 5 בוחנים חשבונות שירות עם הרשאה מינימלית עבור ג'ובי אימון, רכיבי pipeline והגשת מודלים בין פרויקטים.
מפתחות קריפטוגרפיים מנוהלים עם תמיכת CMEK עבור נתוני אימון של Vertex AI, ארטיפקטים של מודלים, מערכי נתונים של BigQuery ו-Cloud Storage buckets.
מדוע הוא במבחן: CMEK על קורפוסי אימון וארטיפקטים של מודלים היא התשובה הקנונית בדומיין 2 להגנה על קניין רוחני של מודלים ונתונים מחויבי-ציות.
לוגים, מדדים והתראות מאוחדים על פני ג'ובי אימון של Vertex AI, קריאות נקודות קצה, משכי צעדי pipeline ומדדי מודלים מותאמים אישית.
מדוע הוא במבחן: דומיין 6 מצפה ל-Cloud Monitoring עבור SLOs של השהיה/שגיאות בנקודות קצה ול-Cloud Logging לפתרון בעיות בג'ובי אימון.
בד נתונים מאוחד לקיטלוג, סיווג ומעקב אחר מעקב של מערכי נתונים של BigQuery, אובייקטים של Cloud Storage וארטיפקטים של פיצ'רי ML.
מדוע הוא במבחן: דומיין 2 (שיתוף פעולה בניהול נתונים ודגמים) בוחן את Dataplex כתשובה המקומית של GCP למעקב אחר נתוני ML וניהול פיצ'רים.
$145k–$210k–$320k USD שנתי
הטווח משקף מהנדסי ML בכירים בארה"ב שבהם Vertex AI היא הפלטפורמה העיקרית. סך הפיצוי (TC) של מהנדס ML בדרגת L5 ב-FAANG עולה על 400 אלף דולר; רמות Staff ו-Principal גבוהות יותר. הנדסת ML היא ההתמחות בענן המשלמת ביותר בשכר בסיס, ומאגר המועמדים הספציפי ל-GCP קטן יחסית ל-AWS / ריבוי עננים, מה שמסייע למחזיקי PMLE בעת הגיוס.
מקור: levels.fyi 2025–2026 (מהנדסי ML ב-Google L4–L6, מהנדסי ML בכירים ב-FAANG ובסטארט-אפים בתחום ה-AI), U.S. BLS OEWS May 2024 (15-2099 מקצועות מדעי המתמטיקה / מדעני נתונים, 15-1252 מפתחי תוכנה). הנתונים משוערים; התגמול בפועל תלוי בתפקיד, באזור ובניסיון.
הביקוש ל-PMLE זינק במהלך 2024–2026 כאשר גיוסי GenAI משכו מהנדסי ML מוסמכים מכל התחומים. קיים ביקוש גבוה אצל שותפי Google Cloud עם פרקטיקות ML, סטארט-אפים הממוקדים ב-AI הבונים על Vertex AI, ו-Google עצמה עבור מומחי ML בהנדסת לקוחות. ההסמכה חשובה גם בצוותי פלטפורמות ML מרובות עננים. PMLE משתלב באופן טבעי עם Professional Data Engineer (PDE) עבור פרופיל בכיר של "נתונים + ML" מקצה לקצה ועם Generative AI Leader (GAIL) עבור שילוב אסטרטגי-טכני. מחזיקי ההסמכה מדווחים באופן עקבי על תגובה חזקה מצד מגייסים — מאגרי המועמדים להנדסת ML נשארים מצומצמים גם כשהשיא ההייפ של GenAI מתייצב.
אין דרישות קדם פורמליות. גוגל ממליצה על שלוש שנות ניסיון בתעשייה ומעלה ושנה אחת לפחות בתכנון ותפעול פתרונות ML ב-Google Cloud. בפועל, PMLE אינה הסמכת GCP ראשונה אמינה ולעתים רחוקות היא הסמכת ML ראשונה אמינה — מועמדים מצליחים העבירו לפחות מודל ML אחד לייצור ויש להם ידע מעשי ב-TensorFlow או PyTorch.
שליטה חזקה בפייתון, ידע מעשי ב-scikit-learn / TensorFlow / Keras / PyTorch, והיכרות מושגית לפחות עם Kubeflow או מסגרת עבודה אחרת של צינורות ML נדרשים בפועל. נוחות עם BigQuery SQL מועילה מכיוון ש-BigQuery ML מופיע בתרחישים רבים. נתיב הלמידה הרשמי של מהנדס ML ב-Google Cloud Skills Boost (כ-50–80 שעות) מהווה נקודת התחלה טובה; רוב המועמדים המצליחים גם בונים פרויקט Vertex AI Pipelines לא טריוויאלי מקצה לקצה.
PMLE מדורג כמקצועי וקשה באופן עקבי למועמדים ללא ניסיון ב-ML בפרודקשן. יש לתכנן 100–150 שעות לימוד על פני 10–14 שבועות אם PMLE היא הסמכת הנדסת ML הראשונה שלך, או 50–80 שעות על פני 5–8 שבועות אם כבר יש לך הסמכת ML של AWS או Azure והעברת מודלים לייצור באחת מהפלטפורמות. הבחינה כוללת 50–60 שאלות רב-ברירה / בחירה מרובה ב-120 דקות, מועברת באמצעות Pearson VUE (גוגל עברה מ-Kryterion / Webassessor בתחילת 2026).
המכשול הנפוץ ביותר הוא מחזור חיי MLOps — מתי לאמן מחדש, איך לזהות סחף מול הטיה, איך לחבר את Vertex AI Pipelines ל-Cloud Build עבור CI/CD/CT. המכשול השני הוא הבחירה בין AutoML, BigQuery ML, אימון מותאם אישית ב-Vertex AI וממשקי API מאומנים מראש עבור תרחיש נתון, כאשר התשובה ה"מועדפת" של גוגל תלויה לעיתים קרובות במיומנות הצוות ובזמן להשגת ערך, ולא בהתאמה טכנית בלבד. גוגל אינה מפרסמת ציונים מספריים — רק עובר/נכשל. ההסמכה תקפה לשנתיים וחידוש דורש מעבר חוזר של הבחינה הנוכחית.
מדריך הבחינה הנוכחי עודכן בסוף 2024 כדי להוסיף תרחישי אינטגרציה של Generative AI (משפחת Gemini, Model Garden), כיסוי מורחב של Vertex AI Agent Builder, ותוכן Feature Store מעודכן.
עדכון משמעותי המרכז את Vertex AI כפלטפורמת ה-ML המאוחדת, ופורש את הכיסוי הישן של AI Platform / AutoML Tables.
זמינות כללית מקורית, ומחליף את הנתיב הקודם "מהנדס נתונים עם התמקדות ב-ML".
PMLE (Google Cloud Professional Machine Learning Engineer) הוא מבחן ברמת Professional מבחן מאתגר ועשיר בתרחישים הדורש ניסיון מעמיק ויכולת לקבל החלטות על פשרות אדריכליות. רוב המועמדים זקוקים ל-150–300 שעות לימוד הפרוסות על פני 3–6 חודשים עבור מבחני רמת מקצועי ומומחה. מבחנים אלו מצפים בדרך כלל למיומנות קודמת ברמת Associate. רוב המועמדים שמקבלים ציונים באופן עקבי מעל סף המעבר במבחני תרגול עוברים בניסיון הראשון.
רוב המועמדים זקוקים ל-150–300 שעות לימוד הפרוסות על פני 3–6 חודשים עבור מבחני רמת מקצועי ומומחה. מבחנים אלו מצפים בדרך כלל למיומנות קודמת ברמת Associate. משך הזמן למעבר משתנה מאוד בהתאם לניסיון קודם. מהנדסים בעלי ניסיון מעשי בסביבת ייצור בטכנולוגיה הבסיסית זקוקים בדרך כלל לפחות זמן; מועמדים חדשים לפלטפורמה צריכים לתכנן את לימודיהם לכיוון הקצה העליון של טווח זה.
PMLE הוא אישור מוכר במערכת האקולוגית של GCP ומסמן ידע מאומת למעסיקים, מגייסים ולקוחות. האם זה שווה את הזמן והעמלה עבורך תלוי בתפקיד ובמטרות שלך – זה נוטה להשתלם ביותר עבור מהנדסי ענן, אדריכלים ויועצים שעובדים עם GCP על בסיס יומיומי או רוצים לעבור לתפקידים כאלה.
ציון המעבר עבור PMLE הוא לא פורסם. המבחן מכיל 50 שאלות ונמשך 2 שע'.
עמלת מבחן ה-PMLE היא $200 USD. העמלות נקבעות על ידי GCP ועשויות להשתנות לפי אזור; תמיד אשרו את המחיר הנוכחי בדף ההסמכה הרשמי של GCP לפני ההזמנה.
הסמכות Google Cloud Professional תקפות למשך שנתיים. ניתן לחדש הסמכה על ידי מעבר חוזר של הגרסה הנוכחית של המבחן.
כן. ניתן לגשת למבחן באופן מקוון (בפיקוח דרך הדפדפן המאובטח של הספק, זמין 24/7 ברוב האזורים) או במרכז בחינה פיזי של Pearson VUE בשעות הפעילות. שני הפורמטים משתמשים באותן שאלות, מגבלת זמן וציון מעבר.
CertLabPro מספק 15 מצבי לימוד על פני בנק השאלות לתרגול עבור PMLE. מצב סימולציית המבחן משקף את המבחן האמיתי: 50 שאלות ב-2 שע', עם אותו סף מעבר של לא פורסם. מצב עיון מאפשר לך לקרוא כל שאלה ותשובה באופן סטטי.