Google Cloud Professional Machine Learning Engineer
225問の練習問題
最終確認：April 2026
学習のための個人ノートとリソースリンク
認定でフィルター
Google Cloud Professional Machine Learning Engineer (PMLE) は、Google Cloud 上でMLモデルを設計、構築し、本番環境に導入する能力を検証します。Vertex AIのE2E、AutoML、カスタムトレーニング、モデルデプロイ、MLOpsパイプライン、大規模なMLサービス提供における運用の現実を網羅しています。試験では、Vertex AI Pipelines (Kubeflow)、Vertex AI Model Registry、Feature Store、Endpoints (オンラインおよびバッチ)、TensorFlow Extended (TFX)、Vertex Explainable AIによる説明可能性、ドリフトとスキューの監視、BigQuery MLとGenerative AI提供 (Geminiファミリー、Model Garden) との統合が強調されます。問題形式はシナリオ重視であり、モデリングだけでなく、本番MLのライフサイクル (CI/CD/CT) を考慮する受験者を評価します。
タブラー/ビジョン/言語向けのAutoML、BigQuery ML、事前学習済みAPI (Vision、Speech、Translation、Document AI)、およびローコードとカスタムパスの選択。12%と最小のドメインですが、高密度です。
Vertex AI Workbench、Feature Store (オンラインおよびオフライン)、データラベリングとアノテーション、モデルバージョニングとメタデータ、Vertex AI Experimentsによる実験トラッキング。16%。
カスタムトレーニング (シングルノード、分散、GPU/TPU)、Vizierによるハイパーパラメータチューニング、コンテナベースのトレーニング、Vertex AI Tuning、データセットバイアスへの対処。18%。
Vertex AI Endpoints (オートスケーリング付きオンライン、トラフィックスプリット)、バッチ予測、TensorFlow Serving、レイテンシ/スループット/コストのトレードオフ、エッジデプロイメント。19%。
21%と最大のドメイン。Vertex AI Pipelines (Kubeflow Pipelines SDKとTFX)、CI/CD/CT、再トレーニングトリガー、Cloud Build統合。ライフサイクル自動化に重点が置かれています。
Vertex AI Model Monitoring (トレーニングと提供のスキュー、ドリフト、アトリビューションドリフト)、Vertex Explainable AI、Cloud Operationsによるパフォーマンスとコストの監視。14%。
試験で出会うサービスと、それぞれが重要な理由。
統一された API インターフェースの下で、トレーニング、チューニング、予測、パイプライン、モデルレジストリ、特徴量ストア、モニタリングをカバーする統合 ML プラットフォームです。
試験に出題される理由： Vertex AI は PMLE の全ドメインにわたる包括的なサービスであり、特定のワークフローに対して AutoML、カスタムトレーニング、事前構築済みコンテナのいずれかを選択する問題が出題されます。
モデルのプロトタイピング用に BigQuery、Dataproc、Cloud Storage との統合が組み込まれた、マネージドな Jupyter ベース開発環境です。
試験に出題される理由： ドメイン 3 (プロトタイプのスケール) では、実験から本番レベルのトレーニングへ移行するための標準的なノートブック環境として Workbench が問われます。
分散トレーニング、ハイパーパラメータチューニング、リダクションサーバーをサポートし、CPU/GPU/TPU 上でカスタムおよび事前構築済みコンテナによるマネージドトレーニングジョブを実行します。
試験に出題される理由： アクセラレータ全体でのトレーニングのスケールと、マネージドコンテナとカスタムコンテナの選択は、ドメイン 3 で繰り返し出題されるシナリオです。
モデルバージョン間の自動スケーリング、トラフィック分割、PSC を介したプライベートエンドポイントのサポートを備えた、マネージドなオンラインおよびバッチ予測サービスです。
試験に出題される理由： ドメイン 4 (モデルの提供とスケール) では、エンドポイントのサイジング、自動スケーリングのしきい値、モデルバージョン間のカナリアロールアウトが問われます。
アーティファクトの系統、キャッシング、Vertex ML Metadata との統合を備え、Kubeflow Pipelines および TFX DAG のサーバーレスなオーケストレーションを行います。
試験に出題される理由： ドメイン 5 (ML パイプラインの自動化とオーケストレーション) では、汎用的な Workflows や Composer とは異なり、GCP ネイティブな MLOps オーケストレーターとして Pipelines が挙げられます。
トレーニングジョブへの系統、デプロイメント追跡、本番ロールアウトのための承認ワークフローを備えた、トレーニング済みモデルバージョンの一元的なカタログです。
試験に出題される理由： ドメイン 2 (データとモデルの管理におけるコラボレーション) では、チームが環境間でモデルアーティファクトをどのようにバージョン管理し、承認し、統制するかが問われます。
Point-in-Time の正確性と BigQuery をバックエンドとするオフラインストレージを備えた、マネージドなオンライン (低レイテンシ) およびオフライン特徴量リポジトリです。
試験に出題される理由： 特徴量ストアは、トレーニング/サービングスキューを防止し、チーム間で特徴量を共有するためのドメイン 2 の標準的な解答です。
デプロイ済みエンドポイントにおけるドリフトおよびスキュー検出、特徴量寄与度のモニタリング、Cloud Monitoring を介したアラート、BigQuery をバックエンドとする分析を提供します。
試験に出題される理由： ドメイン 6 (モニタリングと最適化) では、稼働中のエンドポイントにおけるトレーニング/サービングスキューおよび予測ドリフトを検出する方法が問われます。
マネージドな特徴量エンジニアリングとハイパーパラメータ探索を備え、表形式、画像、テキスト、動画モデルのノーコードトレーニングを提供します。
試験に出題される理由： ドメイン 1 (ローコード ML ソリューション) では、ドメインエキスパートがトレーニングコードを記述せずにモデルを必要とする場合の標準的な選択肢として AutoML が挙げられます。
トレーニング実行、パラメータ、メトリクス、アーティファクトの系統を追跡し、Vertex ML Metadata をクエリして再現性と監査を実現します。
試験に出題される理由： ドメイン 2 では実験の追跡と再現性が問われ、Experiments + Metadata は GCP ネイティブな系統ストアです。
ベイズ最適化やグリッド探索戦略を備え、スタンドアロンでもカスタムトレーニングジョブに組み込んでも使用できるブラックボックスハイパーパラメータ最適化サービスです。
試験に出題される理由： 大規模な効率的なハイパーパラメータチューニングに関するドメイン 3 の設問では、Compute Engine 上でのグリッド探索に代わるマネージドな選択肢として Vizier が挙げられます。
サブ 100 ミリ秒スケールでの埋め込みベースの検索を可能にする、近似最近傍探索サービス (旧 Matching Engine) です。
試験に出題される理由： ドメイン 4 におけるレコメンデーションおよび RAG スタイルの検索シナリオでは、埋め込みのマネージドな提供層として Vector Search が挙げられます。
BigQuery テーブル上で直接 SQL を使用して、回帰、分類、時系列、埋め込みモデルをトレーニングおよび提供します。データ移動は不要です。
試験に出題される理由： ドメイン 1 およびドメイン 3 では、データがすでに BigQuery に存在し、アナリストが ML パイプラインなしでモデルを必要とする場合に BigQuery ML が挙げられます。
ExampleGen、Transform、Trainer、Evaluator、Pusher を含むエンドツーエンドの TensorFlow MLOps フレームワークであり、Vertex AI Pipelines 上でネイティブに実行されます。
試験に出題される理由： ドメイン 5 では、ポータブルな MLOps のために Vertex AI Pipelines にコンパイルされるオープンソースパイプラインフレームワークとして TFX が問われます。
Apache Beam ベースのサービスで、バッチおよびストリーミング推論、大規模な特徴量エンジニアリング、RunInference 変換を介した Vertex AI 統合を可能にします。
試験に出題される理由： ドメイン 4 (提供) では、ストリーミング推論および Vertex AI トレーニングジョブにデータを供給するバルク前処理パイプラインに Dataflow が問われます。
IAM を介したチームレベルの共有機能を備え、トレーニングメトリクス、スカラー、埋め込み、プロファイラトレースを視覚化するためのマネージド TensorBoard です。
試験に出題される理由： ドメイン 3 およびドメイン 6 では、収束の問題のデバッグやトレーニング中の GPU 使用率のプロファイリングに TensorBoard が参照されます。
アカウント全体のアクセス制御に加えて、GKE/Vertex AI サービスアカウントを短期間の認証情報にバインドするための Workload Identity Federation を提供します。
試験に出題される理由： ドメイン 2 およびドメイン 5 では、トレーニングジョブ、パイプラインコンポーネント、クロスプロジェクトのモデル提供における最小権限サービスアカウントが問われます。
Vertex AI トレーニングデータ、モデルアーティファクト、BigQuery データセット、Cloud Storage バケットに対する CMEK サポートを備えたマネージドな暗号鍵サービスです。
試験に出題される理由： トレーニングコーパスおよびモデルアーティファクトに対する CMEK は、モデルの IP およびコンプライアンス要件のあるデータを保護するためのドメイン 2 の標準的な解答です。
Vertex AI トレーニングジョブ、エンドポイント呼び出し、パイプラインステップの実行時間、カスタムモデルメトリクス全体にわたる統合されたログ、メトリクス、アラートを提供します。
試験に出題される理由： ドメイン 6 では、エンドポイントのレイテンシ/エラー SLO には Cloud Monitoring が、トレーニングジョブのトラブルシューティングには Cloud Logging が期待されます。
BigQuery データセット、Cloud Storage オブジェクト、ML 特徴量アーティファクトのカタログ化、分類、系統追跡のための統合データファブリックです。
試験に出題される理由： ドメイン 2 (データとモデルの管理におけるコラボレーション) では、ML データ系統と特徴量ガバナンスのための GCP ネイティブな解答として Dataplex が問われます。
$145k–$210k–$320k USD 年収
この範囲は、Vertex AIが主要プラットフォームである米国を拠点とするシニアMLエンジニアを反映しています。FAANGのL5 MLエンジニアの総報酬 (TC) は40万ドルを超え、スタッフおよびプリンシパルレベルはさらに高くなります。MLエンジニアリングは、基本給においてクラウドエンジニアリング専門職の中で最も高給であり、AWS/マルチクラウドと比較してGCPに特化した候補者層は小さいため、採用時にPMLE保有者に有利に働きます。
出典: levels.fyi 2025–2026 (Google L4–L6 MLエンジニア、FAANGおよびAIスタートアップのシニアML)、米国労働統計局 OEWS 2024年5月 (15-2099 数学科学職 / データサイエンティスト、15-1252 ソフトウェア開発者)。数値は概算であり、実際の報酬は職務、地域、経験によって異なります。
GenAIの採用が優秀なMLエンジニアを全面的に引き寄せたため、PMLEの需要は2024年〜2026年にかけて急増しました。MLプラクティスを持つGoogle Cloudパートナー、Vertex AI上で構築するAIファーストのスタートアップ、そして顧客エンジニアリングMLスペシャリスト向けのGoogle自体で高い需要があります。この認定は、マルチクラウドMLプラットフォームチームでも価値があります。PMLEは、エンドツーエンドの「データ＋ML」シニアプロファイルのためにProfessional Data Engineer (PDE) と自然に組み合わせられ、戦略的かつ技術的な組み合わせとしてGenerative AI Leader (GAIL) とも組み合わせられます。取得者は一貫してリクルーターからの強い反応を報告しており、GenAIの誇大宣伝のピークが正常化しつつある中でも、MLエンジニアリングの候補者プールは引き続き逼迫しています。
正式な前提条件はありません。Googleは、業界経験3年以上、Google Cloud上でMLソリューションを設計・運用した経験1年以上を推奨しています。実際には、PMLEが最初のGCP認定となることは信頼性が低く、最初のML認定となることも稀です — 合格者は、少なくとも1つの本番MLモデルを出荷し、TensorFlowまたはPyTorchの実用的な知識を持っている必要があります。
強力なPythonの流暢さ、scikit-learn / TensorFlow / Keras / PyTorchの実用的な知識、そしてKubeflowまたは他のMLパイプラインフレームワークの概念的な理解は実質的に必須です。多くのシナリオでBigQuery MLが登場するため、BigQuery SQLに習熟していると役立ちます。Google Cloud Skills Boostの公式ML Engineer Learning Path (約50〜80時間) は良い基準となりますが、ほとんどの合格者は、実用的なVertex AI Pipelinesプロジェクトをエンドツーエンドで構築しています。
PMLEはプロフェッショナルレベルと評価されており、本番ML経験のない受験者にとっては一貫して難しいです。PMLEが最初のMLエンジニアリング認定である場合、10～14週間で100～150時間の学習時間を予定し、すでにAWSまたはAzure ML認定を保持しており、いずれかのプラットフォームでモデルを出荷した経験がある場合は、5～8週間で50～80時間の学習時間を予定してください。試験は120分間で50～60問の多肢選択式/複数選択式問題で構成され、Pearson VUEを通じて実施されます (Googleは2026年初頭にKryterion / Webassessorから移行しました)。
最も一般的な課題はMLOpsライフサイクルです — いつ再トレーニングを行うか、ドリフトとスキューをどのように検出するか、Vertex AI PipelinesをCloud Buildに接続してCI/CD/CTを実現する方法です。第二の課題は、与えられたシナリオに対してAutoML、BigQuery ML、Vertex AIでのカスタムトレーニング、事前学習済みAPIのどれを選択するかです。ここでは、Googleの「推奨する」回答は、純粋な技術的適合性よりもチームのスキルと時間あたりの価値に依存することがよくあります。Googleは数値スコアを公開しておらず、合否のみです。認定は2年間有効で、再認定には現行試験の再受験が必要です。
2024年後半に現在の試験ガイドが更新され、Generative AI統合シナリオ (Gemini、Model Garden)、Vertex AI Agent Builderの対象範囲の拡大、Feature Storeコンテンツの更新が追加されました。
統一MLプラットフォームとしてVertex AIを中心に再編し、以前のAI Platform / AutoML Tablesの対象範囲を廃止する大規模な更新。
以前の「MLフォーカス付きデータエンジニア」パスを置き換える、最初の一般提供。
PMLE (Google Cloud Professional Machine Learning Engineer) は、深い実践経験とアーキテクチャ上のトレードオフ決定を行う能力を必要とする、挑戦的でシナリオ中心の試験 Professionalレベルの試験です。ほとんどの受験者は、プロフェッショナルおよびエキスパートレベルの試験に3〜6か月かけて150〜300時間の学習を必要とします。これらの試験は通常、事前の準専門家レベルの習熟度を想定しています。 練習試験で合格基準を安定して上回るスコアを獲得している受験者のほとんどは、初回で合格しています。
ほとんどの受験者は、プロフェッショナルおよびエキスパートレベルの試験に3〜6か月かけて150〜300時間の学習を必要とします。これらの試験は通常、事前の準専門家レベルの習熟度を想定しています。 合格までの時間は、これまでの経験によって大きく異なります。基礎となるテクノロジーでの実践的な本番経験を持つエンジニアは通常、より少ない時間で済みますが、プラットフォームに初めて触れる受験者は、この範囲の上限を目安に計画を立てる必要があります。
PMLEは、GCPエコシステムで認められた資格であり、雇用主、リクルーター、クライアントに検証済みの知識を示します。あなたにとって時間と費用をかける価値があるかどうかは、あなたの役割と目標によります。通常、GCPを日常的に扱っている、またはそのような役割に就きたいと考えているクラウドエンジニア、アーキテクト、コンサルタントにとって最も報われる傾向があります。
PMLEの合格点は未公開です。試験には50問の問題が含まれており、所要時間は2 時間です。
PMLE試験の受験料は$200 USDです。受験料はGCPによって設定されており、地域によって異なる場合があります。予約する前に、常にGCPの公式認定ページで現在の価格を確認してください。
Google Cloudプロフェッショナル認定は2年間有効です。試験の現在のバージョンを再受験することで再認定されます。
はい。試験はオンライン（プロバイダーのセキュアブラウザを介して監督され、ほとんどの地域で24時間年中無休で利用可能）または営業時間内のピアソンVUE試験センターで対面で受験できます。どちらの形式も同じ問題、時間制限、合格点を使用します。
CertLabProでは、PMLEの練習問題バンクで15の学習モードを提供しています。試験シミュレーションモードは、実際の試験を反映しており、2 時間で50問、合格基準は未公開と同じです。ブラウズモードでは、すべてのQ&Aを静的に読むことができます。