Google Cloud Professional Machine Learning Engineer
225 perguntas de prática
Última revisão: April 2026
Notas pessoais e links de recursos para sua jornada de estudo
Filtrar por Certificação
O Google Cloud Professional Machine Learning Engineer (PMLE) valida a capacidade de projetar, construir e colocar em produção modelos de ML no Google Cloud — cobrindo Vertex AI de ponta a ponta, AutoML, treinamento personalizado, implantação de modelos, pipelines de MLOps e as realidades operacionais de servir ML em escala. O exame enfatiza Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (online e batch), TensorFlow Extended (TFX), explicabilidade com Vertex Explainable AI, monitoramento de drift e skew, e integração com BigQuery ML e ofertas de Generative AI (família Gemini, Model Garden). O estilo das questões é focado em cenários e recompensa candidatos que pensam no ciclo de vida de ML em produção (CI/CD/CT), não apenas na modelagem.
AutoML para tabular / visão / linguagem, BigQuery ML, APIs pré-treinadas (Vision, Speech, Translation, Document AI) e escolha entre caminhos low-code e personalizados. O menor domínio, com 12%, mas de alta densidade.
Vertex AI Workbench, Feature Store (online e offline), rotulagem e anotação de dados, versionamento e metadados de modelos, rastreamento de experimentos com Vertex AI Experiments. 16%.
Treinamento personalizado (nó único, distribuído, GPU/TPU), ajuste de hiperparâmetros com Vizier, treinamento baseado em contêineres, Vertex AI Tuning, tratamento de viés em datasets. 18%.
Vertex AI Endpoints (online com autoescalonamento, divisão de tráfego), previsão em batch, TensorFlow Serving, trade-offs de latência / throughput / custo, implantação em edge. 19%.
O maior domínio, com 21%. Vertex AI Pipelines (Kubeflow Pipelines SDK e TFX), CI/CD/CT, gatilhos de retreinamento, integração com Cloud Build. Forte foco na automação do ciclo de vida.
Vertex AI Model Monitoring (skew de treinamento-serviço, drift, drift de atribuição), Vertex Explainable AI, monitoramento de desempenho e custo com Cloud Operations. 14%.
Serviços que você encontrará no exame e por que cada um importa.
Plataforma unificada de ML que abrange treinamento, ajuste, previsão, pipelines, registro de modelos, feature store e monitoramento sob uma única superfície de API.
Por que está no exame: O Vertex AI é o guarda-chuva que cobre todos os domínios do PMLE — espere perguntas sobre a escolha entre AutoML, treinamento personalizado e contêineres pré-construídos para um determinado fluxo de trabalho.
Ambiente de desenvolvimento gerenciado baseado em Jupyter com integrações nativas de BigQuery, Dataproc e Cloud Storage para prototipagem de modelos.
Por que está no exame: O Domínio 3 (Dimensionamento de Protótipos) testa o Workbench como a superfície canônica de notebook para passar do experimento ao treinamento em nível de produção.
Jobs de treinamento gerenciados com contêineres personalizados e pré-construídos em CPU/GPU/TPU, com treinamento distribuído, ajuste de hiperparâmetros e suporte a reduction-server.
Por que está no exame: Dimensionar o treinamento em aceleradores e escolher entre contêineres gerenciados e personalizados é um cenário recorrente do Domínio 3.
Previsão online e em lote gerenciada com autoscaling, divisão de tráfego entre versões de modelo e suporte a endpoint privado via PSC.
Por que está no exame: O Domínio 4 (Servir e Dimensionar Modelos) testa o dimensionamento de endpoints, limites de autoscaling e rollouts canário entre versões de modelo.
Orquestração serverless de Kubeflow Pipelines e DAGs TFX com linhagem de artefatos, cache e integração com Vertex ML Metadata.
Por que está no exame: O Domínio 5 (Automação e Orquestração de Pipelines de ML) nomeia o Pipelines como o orquestrador de MLOps nativo do GCP em comparação com Workflows genéricos ou Composer.
Catálogo central para versões de modelos treinados com rastreamento de implantação, linhagem para jobs de treinamento e fluxos de trabalho de aprovação para rollout em produção.
Por que está no exame: O Domínio 2 (Colaboração para Gerenciar Dados e Modelos) testa como as equipes versionam, aprovam e governam artefatos de modelo em diferentes ambientes.
Repositório de features gerenciado online (baixa latência) e offline com correção point-in-time e armazenamento offline baseado em BigQuery.
Por que está no exame: O Feature Store é a resposta canônica do Domínio 2 para prevenir o skew entre treinamento e serving e para compartilhar features entre equipes.
Detecção de drift e skew em endpoints implantados com monitoramento de atribuição de features, alertas via Cloud Monitoring e análise baseada em BigQuery.
Por que está no exame: O Domínio 6 (Monitoramento e Otimização) testa como detectar skew entre treinamento e serving e drift de previsão em endpoints ativos.
Treinamento no-code de modelos tabulares, de imagem, texto e vídeo com engenharia de features e busca de hiperparâmetros gerenciadas.
Por que está no exame: O Domínio 1 (Soluções de ML Low-Code) nomeia o AutoML como a escolha canônica quando especialistas de domínio precisam de um modelo sem escrever código de treinamento.
Rastreia execuções de treinamento, parâmetros, métricas e linhagem de artefatos; consulta Vertex ML Metadata para reprodutibilidade e auditoria.
Por que está no exame: O Domínio 2 testa o rastreamento de experimentos e a reprodutibilidade — Experiments + Metadata é o armazenamento de linhagem nativo do GCP.
Serviço de otimização de hiperparâmetros black-box utilizável de forma autônoma ou incorporado em jobs de treinamento personalizados, com estratégias de busca Bayesiana e em grade.
Por que está no exame: Questões do Domínio 3 sobre ajuste eficiente de hiperparâmetros em escala nomeiam o Vizier como a alternativa gerenciada à busca em grade no Compute Engine.
Serviço de vizinho mais próximo aproximado (anteriormente Matching Engine) para recuperação baseada em embeddings em escala de sub-100ms.
Por que está no exame: Cenários de recomendação e recuperação estilo RAG sob o Domínio 4 nomeiam o Vector Search como a camada de serving gerenciada para embeddings.
Treina e serve modelos de regressão, classificação, séries temporais e embeddings com SQL diretamente em tabelas BigQuery — sem necessidade de movimentação de dados.
Por que está no exame: O Domínio 1 + Domínio 3 citam o BigQuery ML quando os dados já residem no BigQuery e um analista precisa de modelos sem um pipeline de ML.
Framework MLOps de ponta a ponta do TensorFlow: ExampleGen, Transform, Trainer, Evaluator, Pusher — executa nativamente no Vertex AI Pipelines.
Por que está no exame: O Domínio 5 testa o TFX como o framework de pipeline open-source que compila para Vertex AI Pipelines para MLOps portátil.
Serviço baseado em Apache Beam para inferência em lote e streaming, engenharia de features em escala e integração com Vertex AI via transformações RunInference.
Por que está no exame: O Domínio 4 (Serving) testa o Dataflow para inferência em streaming e pipelines de pré-processamento em massa que alimentam os jobs de treinamento do Vertex AI.
TensorBoard gerenciado para visualização de métricas de treinamento, escalares, embeddings e rastreamentos de profiler com compartilhamento em nível de equipe via IAM.
Por que está no exame: O Domínio 3 + Domínio 6 referenciam o TensorBoard para depurar problemas de convergência e perfilar a utilização da GPU durante o treinamento.
Controle de acesso em toda a conta mais Workload Identity Federation para vincular contas de serviço GKE/Vertex AI a credenciais de curta duração.
Por que está no exame: O Domínio 2 + Domínio 5 testam contas de serviço com privilégio mínimo para jobs de treinamento, componentes de pipeline e serving de modelo entre projetos.
Chaves criptográficas gerenciadas com suporte a CMEK para dados de treinamento do Vertex AI, artefatos de modelo, datasets BigQuery e buckets do Cloud Storage.
Por que está no exame: CMEK em corpos de treinamento e artefatos de modelo é a resposta canônica do Domínio 2 para proteger a IP do modelo e dados vinculados à conformidade.
Logs, métricas e alertas unificados em jobs de treinamento do Vertex AI, invocações de endpoint, durações de etapas de pipeline e métricas de modelo personalizadas.
Por que está no exame: O Domínio 6 espera o Cloud Monitoring para SLOs de latência/erro de endpoint e o Cloud Logging para solução de problemas de jobs de treinamento.
Malha de dados unificada para catalogação, classificação e rastreamento da linhagem de datasets BigQuery, objetos do Cloud Storage e artefatos de features de ML.
Por que está no exame: O Domínio 2 (Colaboração para Gerenciar Dados e Modelos) testa o Dataplex como a resposta nativa do GCP para linhagem de dados de ML e governança de features.
$145k–$210k–$320k USD anual
A faixa reflete engenheiros de ML sênior baseados nos EUA onde Vertex AI é a plataforma primária. Engenheiros de ML FAANG L5 TC ultrapassam $400k; níveis staff e principal vão mais alto. Engenharia de ML é a especialidade de engenharia de nuvem com maior remuneração base, e o pool de candidatos específicos para GCP é pequeno em relação a AWS / multi-cloud, o que ajuda os detentores do PMLE no momento da contratação.
Fonte: levels.fyi 2025–2026 (engenheiros de ML Google L4–L6, ML sênior FAANG e startups de IA), U.S. BLS OEWS May 2024 (15-2099 ocupações de ciências matemáticas / cientistas de dados, 15-1252 desenvolvedores de software). Os valores são aproximados; a compensação real depende da função, região e experiência.
A demanda por PMLE aumentou em 2024–2026, à medida que a contratação de GenAI atraiu engenheiros de ML qualificados em todos os setores. Grande demanda em parceiros Google Cloud com práticas de ML, startups focadas em IA construindo no Vertex AI e no próprio Google para especialistas em ML de engenharia de clientes. A certificação também é valiosa em equipes de plataforma de ML multi-cloud. O PMLE combina naturalmente com o Professional Data Engineer (PDE) para um perfil sênior "dados + ML" de ponta a ponta e com o Generative AI Leader (GAIL) para um par estratégico-técnico. Os detentores relatam consistentemente uma forte resposta de recrutadores — os pools de candidatos a engenheiros de ML permanecem restritos mesmo com a normalização do pico de hype de GenAI.
Não há pré-requisitos formais. O Google recomenda três ou mais anos de experiência na indústria e um ou mais anos arquitetando e operacionalizando soluções de ML no Google Cloud. Na prática, o PMLE não é uma primeira certificação GCP crível e raramente é uma primeira certificação ML crível — candidatos bem-sucedidos já colocaram em produção pelo menos um modelo de ML e possuem conhecimento prático de TensorFlow ou PyTorch.
Fluência forte em Python, conhecimento prático de scikit-learn / TensorFlow / Keras / PyTorch, e pelo menos familiaridade conceitual com Kubeflow ou outro framework de pipeline de ML são efetivamente necessários. Familiaridade com BigQuery SQL é útil, pois BigQuery ML aparece em muitos cenários. O Path de Aprendizagem oficial de ML Engineer no Google Cloud Skills Boost (cerca de 50–80 horas) é uma boa base; a maioria dos candidatos bem-sucedidos também constrói um projeto não trivial de Vertex AI Pipelines de ponta a ponta.
O PMLE é classificado como profissional e é consistentemente difícil para candidatos sem experiência em ML de produção. Planeje 100–150 horas de estudo ao longo de 10–14 semanas se o PMLE for sua primeira certificação de engenharia de ML, ou 50–80 horas ao longo de 5–8 semanas se você já possui uma certificação ML da AWS ou Azure e já colocou modelos em produção em qualquer uma das plataformas. O exame possui 50–60 questões de múltipla escolha / múltipla seleção em 120 minutos, administradas via Pearson VUE (o Google migrou de Kryterion / Webassessor no início de 2026).
O obstáculo mais comum é o ciclo de vida de MLOps — quando retreinar, como detectar drift versus skew, como integrar Vertex AI Pipelines ao Cloud Build para CI/CD/CT. O segundo obstáculo é escolher entre AutoML, BigQuery ML, treinamento personalizado no Vertex AI e APIs pré-treinadas para um determinado cenário, onde a resposta "preferida" do Google muitas vezes depende da habilidade da equipe e do tempo de valor, e não apenas do ajuste técnico puro. O Google não publica pontuações numéricas — apenas aprovação/reprovação. A credencial é válida por dois anos e a recertificação exige passar novamente no exame atual.
Guia de exame atualizado no final de 2024 para adicionar cenários de integração de Generative AI (Gemini, Model Garden), cobertura expandida de Vertex AI Agent Builder e conteúdo atualizado do Feature Store.
Grande atualização consolidando em torno do Vertex AI como plataforma unificada de ML, aposentando a cobertura mais antiga de AI Platform / AutoML Tables.
Disponibilidade geral original, substituindo o caminho anterior "Engenheiro de Dados com foco em ML".
PMLE (Google Cloud Professional Machine Learning Engineer) é um exame de nível Professional um exame desafiador, com muitos cenários, que exige profunda experiência prática e a capacidade de tomar decisões de trade-off arquitetônicas. A maioria dos candidatos precisa de 150 a 300 horas de estudo distribuídas em 3 a 6 meses para exames de nível profissional e especialista. Esses exames geralmente esperam proficiência anterior em nível associado. A maioria dos candidatos que pontuam consistentemente acima do limite de aprovação em exames práticos é aprovada na primeira tentativa.
A maioria dos candidatos precisa de 150 a 300 horas de estudo distribuídas em 3 a 6 meses para exames de nível profissional e especialista. Esses exames geralmente esperam proficiência anterior em nível associado. O tempo para aprovação varia amplamente de acordo com a experiência prévia. Engenheiros com experiência prática de produção na tecnologia subjacente geralmente precisam de menos tempo; candidatos novos na plataforma devem planejar-se para o limite superior dessa faixa.
PMLE é uma credencial reconhecida no ecossistema GCP e sinaliza conhecimento validado para empregadores, recrutadores e clientes. Se vale a pena o tempo e a taxa para você, depende do seu papel e objetivos — geralmente compensa mais para engenheiros de nuvem, arquitetos e consultores que trabalham com GCP diariamente ou desejam mudar para funções que o fazem.
A pontuação de aprovação para PMLE é Não publicado. O exame contém 50 questões e dura 2 h.
A taxa do exame PMLE é $200 USD. As taxas são definidas por GCP e podem variar por região; sempre confirme o preço atual na página oficial de certificação GCP antes de agendar.
As certificações Google Cloud Professional são válidas por 2 anos. Recertifique-se passando novamente na versão atual do exame.
Sim. Você pode fazer o exame online (supervisionado através do navegador seguro do provedor, disponível 24 horas por dia, 7 dias por semana na maioria das regiões) ou em um centro de testes Pearson VUE presencial durante o horário comercial. Ambos os formatos usam as mesmas perguntas, limite de tempo e pontuação de aprovação.
A CertLabPro oferece 15 modos de estudo no banco de questões práticas para PMLE. O modo de simulação de exame espelha o exame real: 50 questões em 2 h, com o mesmo limite de aprovação de Não publicado. O modo de navegação permite que você leia todas as perguntas e respostas estaticamente.