Google Cloud Professional Machine Learning Engineer
225 практических вопросов
Последняя проверка: April 2026
Личные заметки и ссылки на ресурсы для вашего учебного пути
Фильтр по сертификации
Сертификация Google Cloud Professional Machine Learning Engineer (PMLE) подтверждает способность проектировать, создавать и вводить в эксплуатацию модели машинного обучения (ML) в Google Cloud — охватывая Vertex AI от начала до конца, AutoML, пользовательское обучение, развертывание моделей, конвейеры MLOps и операционные особенности обслуживания ML в масштабе. Экзамен акцентирует внимание на Vertex AI Pipelines (Kubeflow), Vertex AI Model Registry, Feature Store, Endpoints (онлайн и пакетные), TensorFlow Extended (TFX), объяснимости с Vertex Explainable AI, мониторинге дрейфа и перекоса данных, а также интеграции с BigQuery ML и предложениями Generative AI (семейство Gemini, Model Garden). Вопросы сильно ориентированы на сценарии и поощряют кандидатов, которые думают о жизненном цикле ML в производстве (CI/CD/CT), а не только о моделировании.
AutoML для табличных данных / компьютерного зрения / обработки естественного языка, BigQuery ML, предварительно обученные API (Vision, Speech, Translation, Document AI) и выбор между low-code и пользовательскими путями. Самый маленький домен (12%), но с высокой плотностью.
Vertex AI Workbench, Feature Store (онлайн и оффлайн), разметка и аннотация данных, версионирование моделей и метаданные, отслеживание экспериментов с Vertex AI Experiments. 16%.
Пользовательское обучение (одноузловое, распределенное, GPU/TPU), настройка гиперпараметров с Vizier, обучение на основе контейнеров, Vertex AI Tuning, работа с предвзятостью наборов данных. 18%.
Vertex AI Endpoints (онлайн с автомасштабированием, разделением трафика), пакетное прогнозирование, TensorFlow Serving, компромиссы между задержкой / пропускной способностью / стоимостью, развертывание на периферии. 19%.
Самый большой домен (21%). Vertex AI Pipelines (SDK Kubeflow Pipelines и TFX), CI/CD/CT, триггеры переобучения, интеграция с Cloud Build. Сильный акцент на автоматизации жизненного цикла.
Мониторинг моделей Vertex AI (перекос обучения-обслуживания, дрейф, дрейф атрибуции), Vertex Explainable AI, мониторинг производительности и стоимости с помощью Cloud Operations. 14%.
Сервисы, с которыми вы столкнётесь на экзамене, и почему каждый из них важен.
Унифицированная ML-платформа, охватывающая обучение, тонкую настройку, прогнозирование, пайплайны, реестр моделей, хранилище признаков и мониторинг в рамках единого API.
Почему он на экзамене: Vertex AI является зонтичным сервисом для каждого домена PMLE — ожидайте вопросы о выборе между AutoML, кастомным обучением и готовыми контейнерами для заданного рабочего процесса.
Управляемая среда разработки на базе Jupyter со встроенными интеграциями BigQuery, Dataproc и Cloud Storage для прототипирования моделей.
Почему он на экзамене: Домен 3 (Scaling Prototypes) проверяет Workbench как каноническую среду для ноутбуков при переходе от эксперимента к обучению промышленного уровня.
Управляемые задания обучения с кастомными и готовыми контейнерами на CPU/GPU/TPU с распределённым обучением, подбором гиперпараметров и поддержкой reduction-сервера.
Почему он на экзамене: Масштабирование обучения на ускорителях и выбор между управляемыми и кастомными контейнерами — повторяющийся сценарий Домена 3.
Управляемое онлайн- и пакетное прогнозирование с автомасштабированием, разделением трафика между версиями моделей и поддержкой приватных эндпоинтов через PSC.
Почему он на экзамене: Домен 4 (Serving and Scaling Models) проверяет выбор размера эндпоинта, пороги автомасштабирования и канареечные развёртывания между версиями моделей.
Бессерверная оркестрация Kubeflow Pipelines и TFX DAGs с отслеживанием артефактов, кэшированием и интеграцией с Vertex ML Metadata.
Почему он на экзамене: Домен 5 (Automating and Orchestrating ML Pipelines) называет Pipelines в качестве MLOps-оркестратора, нативного для GCP, в отличие от общих Workflows или Composer.
Центральный каталог версий обученных моделей с отслеживанием развёртываний, прослеживаемостью до заданий обучения и рабочими процессами утверждения для продакшн-развёртывания.
Почему он на экзамене: Домен 2 (Collaborating to Manage Data and Models) проверяет, как команды версионируют, утверждают и управляют артефактами моделей в различных средах.
Управляемое хранилище признаков с онлайн- (низкая задержка) и офлайн-доступом, корректностью по времени и офлайн-хранилищем на базе BigQuery.
Почему он на экзамене: Feature Store является каноническим ответом Домена 2 для предотвращения смещения между обучением и обслуживанием (training/serving skew) и обмена признаками между командами.
Обнаружение дрейфа и смещения на развёрнутых эндпоинтах с мониторингом атрибуции признаков, оповещениями через Cloud Monitoring и анализом на базе BigQuery.
Почему он на экзамене: Домен 6 (Monitoring and Optimizing) проверяет, как обнаруживать смещение между обучением и обслуживанием (training/serving skew) и дрейф прогнозов на работающих эндпоинтах.
Обучение моделей для табличных данных, изображений, текста и видео без кода с управляемым feature engineering и поиском гиперпараметров.
Почему он на экзамене: Домен 1 (Low-Code ML Solutions) называет AutoML каноническим выбором, когда экспертам предметной области нужна модель без написания кода для обучения.
Отслеживайте обучающие запуски, параметры, метрики и происхождение артефактов; запрашивайте Vertex ML Metadata для воспроизводимости и аудита.
Почему он на экзамене: Домен 2 проверяет отслеживание экспериментов и воспроизводимость — Experiments + Metadata является хранилищем происхождения, нативным для GCP.
Сервис оптимизации гиперпараметров «чёрного ящика», используемый автономно или встроенный в кастомные задания обучения, с байесовскими стратегиями и стратегиями перебора по сетке.
Почему он на экзамене: Вопросы Домена 3 об эффективной настройке гиперпараметров в масштабе называют Vizier управляемой альтернативой перебору по сетке на Compute Engine.
Сервис поиска ближайших соседей (ранее Matching Engine) для извлечения на основе эмбеддингов со скоростью менее 100 мс.
Почему он на экзамене: Сценарии рекомендаций и извлечения в стиле RAG в Домене 4 называют Vector Search управляемым уровнем обслуживания для эмбеддингов.
Обучайте и обслуживайте модели регрессии, классификации, временных рядов и эмбеддингов с помощью SQL непосредственно на таблицах BigQuery — перемещение данных не требуется.
Почему он на экзамене: Домен 1 + Домен 3 ссылаются на BigQuery ML, когда данные уже находятся в BigQuery и аналитику нужны модели без ML-пайплайна.
Комплексный MLOps-фреймворк TensorFlow: ExampleGen, Transform, Trainer, Evaluator, Pusher — запускается нативно в Vertex AI Pipelines.
Почему он на экзамене: Домен 5 проверяет TFX как фреймворк пайплайнов с открытым исходным кодом, который компилируется в Vertex AI Pipelines для портативных MLOps.
Сервис на базе Apache Beam для пакетного и потокового инференса, feature engineering в масштабе и интеграции с Vertex AI через преобразования RunInference.
Почему он на экзамене: Домен 4 (Serving) проверяет Dataflow для потокового инференса и пайплайнов массовой предобработки, которые питают обучающие задания Vertex AI.
Управляемый TensorBoard для визуализации обучающих метрик, скаляров, эмбеддингов и трассировок профилировщика с общим доступом на уровне команды через IAM.
Почему он на экзамене: Домен 3 + Домен 6 ссылаются на TensorBoard для отладки проблем сходимости и профилирования загрузки GPU во время обучения.
Управление доступом на уровне аккаунта плюс Workload Identity Federation для привязки сервисных аккаунтов GKE/Vertex AI к краткосрочным учётным данным.
Почему он на экзамене: Домен 2 + Домен 5 проверяют сервисные аккаунты с наименьшими привилегиями для заданий обучения, компонентов пайплайна и обслуживания моделей между проектами.
Управляемые криптографические ключи с поддержкой CMEK для обучающих данных Vertex AI, артефактов моделей, наборов данных BigQuery и бакетов Cloud Storage.
Почему он на экзамене: CMEK на обучающих корпусах и артефактах моделей — канонический ответ Домена 2 для защиты интеллектуальной собственности модели и данных, подлежащих комплаенсу.
Единые логи, метрики и оповещения для заданий обучения Vertex AI, вызовов эндпоинтов, длительности шагов пайплайна и кастомных метрик моделей.
Почему он на экзамене: Домен 6 ожидает Cloud Monitoring для SLO по задержке/ошибкам эндпоинтов и Cloud Logging для устранения неполадок в заданиях обучения.
Унифицированная фабрика данных для каталогизации, классификации и отслеживания происхождения наборов данных BigQuery, объектов Cloud Storage и артефактов ML-признаков.
Почему он на экзамене: Домен 2 (Collaborating to Manage Data and Models) проверяет Dataplex как нативный для GCP ответ для происхождения ML-данных и управления признаками.
$145k–$210k–$320k USD годовая
Диапазон отражает зарплаты старших ML-инженеров в США, где Vertex AI является основной платформой. Общий доход инженера ML FAANG уровня L5 превышает 400 тыс. долларов; на ведущих и главных уровнях зарплаты выше. Инженерия ML является самой высокооплачиваемой специализацией в области облачной инженерии по базовой ставке, а пул кандидатов, специализирующихся на GCP, относительно невелик по сравнению с AWS / мультиоблачными платформами, что помогает обладателям PMLE при найме.
Источник: levels.fyi 2025–2026 (инженеры ML Google L4–L6, старшие ML-инженеры FAANG и AI-стартапов), U.S. BLS OEWS May 2024 (15-2099 математические профессии / специалисты по данным, 15-1252 разработчики программного обеспечения). Цифры приблизительны; фактическая компенсация зависит от роли, региона и опыта.
Спрос на PMLE резко возрос в 2024–2026 годах, поскольку найм в области GenAI привлек квалифицированных ML-инженеров по всем направлениям. Высокий спрос у партнеров Google Cloud с практиками ML, AI-стартапов, использующих Vertex AI, и самой Google для специалистов по ML в клиентском инжиниринге. Сертификация также ценна для мультиоблачных команд ML-платформ. PMLE естественным образом сочетается с Professional Data Engineer (PDE) для формирования сквозного профиля старшего специалиста "данные + ML" и с Generative AI Leader (GAIL) для стратегически-технической пары. Обладатели сертификата постоянно сообщают о высоком интересе со стороны рекрутеров — пулы кандидатов в ML-инженерии остаются ограниченными, даже когда пик шумихи вокруг GenAI нормализуется.
Формальных требований нет. Google рекомендует иметь три и более лет опыта работы в отрасли и один или более лет опыта проектирования и эксплуатации ML-решений в Google Cloud. На практике PMLE не является надежной первой сертификацией GCP и редко является надежной первой ML-сертификацией — успешные кандидаты внедрили по крайней мере одну производственную ML-модель и имеют рабочие знания TensorFlow или PyTorch.
Эффективно требуются глубокое знание Python, рабочие знания scikit-learn / TensorFlow / Keras / PyTorch и хотя бы концептуальное знакомство с Kubeflow или другой средой ML-конвейеров. Уверенная работа с BigQuery SQL полезна, поскольку BigQuery ML появляется во многих сценариях. Официальный учебный курс ML Engineer Learning Path на Google Cloud Skills Boost (около 50–80 часов) является хорошей отправной точкой; большинство успешных кандидатов также создают нетривиальный проект Vertex AI Pipelines от начала до конца.
PMLE относится к профессиональному уровню и постоянно вызывает трудности у кандидатов без опыта работы с ML в продакшене. Запланируйте 100–150 часов обучения в течение 10–14 недель, если PMLE — ваша первая сертификация в области ML-инженерии, или 50–80 часов в течение 5–8 недель, если у вас уже есть сертификация AWS или Azure ML и вы внедрили модели на любой из этих платформ. Экзамен состоит из 50–60 вопросов с множественным выбором / множественным ответом, длится 120 минут и проводится через Pearson VUE (Google перешел с Kryterion / Webassessor в начале 2026 года).
Наиболее распространенным препятствием является жизненный цикл MLOps — когда переобучать, как обнаруживать дрейф данных против перекоса, как интегрировать Vertex AI Pipelines в Cloud Build для CI/CD/CT. Второе препятствие — выбор между AutoML, BigQuery ML, пользовательским обучением на Vertex AI и предварительно обученными API для данного сценария, где "предпочтительный" ответ Google часто зависит от навыков команды и времени до получения ценности, а не от чисто технического соответствия. Google не публикует числовые баллы — только зачет/незачет. Сертификация действительна в течение двух лет, и для повторной сертификации требуется повторная сдача текущего экзамена.
Текущее руководство по экзамену было обновлено в конце 2024 года, чтобы добавить сценарии интеграции Generative AI (Gemini, Model Garden), расширенное покрытие Vertex AI Agent Builder и обновленное содержимое Feature Store.
Крупное обновление, объединяющее все вокруг Vertex AI как единой ML-платформы, и отказ от устаревшего покрытия AI Platform / AutoML Tables.
Первоначальная общая доступность, заменившая предыдущий путь "Инженер по данным с фокусом на ML".
PMLE (Google Cloud Professional Machine Learning Engineer) — это Professional-уровневый экзамен, сложный, насыщенный сценариями экзамен, требующий глубокого практического опыта и способности принимать решения по архитектурным компромиссам. Большинству кандидатов требуется 150–300 часов обучения, распределенных на 3–6 месяцев, для экзаменов профессионального и экспертного уровня. Эти экзамены обычно предполагают предварительную подготовку на уровне Associate. Большинство кандидатов, которые стабильно набирают баллы выше проходного порога на пробных экзаменах, сдают его с первой попытки.
Большинству кандидатов требуется 150–300 часов обучения, распределенных на 3–6 месяцев, для экзаменов профессионального и экспертного уровня. Эти экзамены обычно предполагают предварительную подготовку на уровне Associate. Время, необходимое для сдачи, сильно варьируется в зависимости от предыдущего опыта. Инженерам с практическим опытом работы с базовой технологией обычно требуется меньше времени; кандидатам, новым для платформы, следует ориентироваться на верхнюю границу этого диапазона.
PMLE — это признанная квалификация в экосистеме GCP, которая подтверждает знания для работодателей, рекрутеров и клиентов. Стоит ли это затраченного времени и платы, зависит от вашей роли и целей — это чаще всего окупается для облачных инженеров, архитекторов и консультантов, которые ежедневно работают с GCP или хотят перейти на такие должности.
Проходной балл для PMLE составляет Не опубликовано. Экзамен содержит 50 вопросов и длится 2 ч.
Стоимость экзамена PMLE составляет $200 USD. Сборы устанавливаются GCP и могут варьироваться в зависимости от региона; всегда уточняйте текущую цену на официальной странице сертификации GCP перед бронированием.
Сертификации Google Cloud Professional действительны в течение 2 лет. Пройдите повторную сертификацию, пересдав текущую версию экзамена.
Да. Вы можете сдать экзамен онлайн (с прокторингом через безопасный браузер провайдера, доступный 24/7 в большинстве регионов) или в очном центре тестирования Pearson VUE в рабочее время. Оба формата используют одни и те же вопросы, ограничение по времени и проходной балл.
CertLabPro предлагает 15 режимов обучения по банку практических вопросов для PMLE. Режим симуляции экзамена имитирует реальный экзамен: 50 вопросов за 2 ч, с тем же проходным порогом Не опубликовано. Режим просмотра позволяет статически читать каждый вопрос и ответ.