Professional Machine Learning Engineer
Un Professional Machine Learning Engineer conçoit, évalue, met en production et optimise des modèles de ML en s'appuyant sur les technologies Google Cloud, et sur sa connaissance des techniques et modèles éprouvés. Il gère des ensembles de données volumineux et complexes, et crée du code reproductible et réutilisable. Il tient compte de l'IA responsable et de l'équité tout au long du processus de développement des modèles de ML. Il travaille en étroite collaboration avec d'autres équipes pour assurer la réussite à long terme des applications basées sur le ML. Le ML Engineer possède de solides compétences en programmation, et une expérience des plates-formes de données et des outils de traitement des données distribués. Le ML Engineer maîtrise les aspects de l'architecture des modèles, de la création de pipelines de données et de ML, ainsi que de l'interprétation des métriques. En outre, il doit être familier des principes de base du MLOps, du développement d'applications, de la gestion d'infrastructure, de l'ingénierie et de la gouvernance des données. Il rend le ML accessible et aide les équipes de l'entreprise à s'en servir. Le ML Engineer conçoit et crée des solutions évolutives et performantes en entraînant, en réentraînant, en déployant, en planifiant, en surveillant et en améliorant des modèles.
* Remarque : L'examen n'évalue pas directement vos compétences en codage, Si vous possédez des compétences minimales en Python et en Cloud SQL, vous devriez pouvoir interpréter toutes les questions à l'aide d'extraits de code.
L'examen Professional Machine Learning Engineer évalue les compétences suivantes :
- Concevez des solutions de ML nécessitant peu de code
- Collaborez au sein des équipes et entre les équipes pour gérer les données et les modèles
- Adaptez des prototypes à des modèles de ML
- Diffusez et faites évoluer des modèles
- Automatisez et orchestrez les pipelines de ML
- Surveillez les solutions de ML
La prochaine version de l'examen Professional Machine Learning Engineer, qui sera lancée le 1er octobre, couvrira les tâches liées à l'IA générative, y compris la création de solutions d'IA à l'aide de Model Garden et Vertex AI Agent Builder, et l'évaluation des solutions d'IA générative.
Pour en savoir plus sur les services d'IA générative de Google Cloud, accédez à Google Cloud Skills Boost pour découvrir le parcours de formation "Présentation de l'IA générative" (tous publics) ou le parcours de formation "Generative AI pour les développeurs" (public technique). Si vous êtes partenaire, consultez les parcours de formation partenaires sur l'IA générative : parcours de formation "Présentation de l'IA générative", IA générative pour les ingénieurs en ML et IA générative pour les développeurs. Pour en savoir plus, reportez-vous aux offres de formation spécifiques à l'IA générative, telles que Découvrir et évaluer des modèles avec Model Garden, le parcours Vertex AI Agent Builder (partenaires), Intégrer la recherche dans les applications à l'aide de Vertex AI Agent Builder et Application de chat générative avec Vertex AI Agent Builder et Dialogflow.
À propos de cet examen de certification
Durée : 2 heures
Frais d'inscription : 200 $ (hors taxes applicables)
Langue : anglais
Format de l'examen : 50 à 60 questions à choix et sélections multiples
Mode de présentation de l'examen :
a. Passez l'examen surveillé en ligne : consultez les exigences liées aux tests en ligne.
b. Passez l'examen surveillé sur site, dans un centre d'évaluation : trouvez un centre d'évaluation près de chez vous.
Conditions requises : aucune
Expérience recommandée: au moins trois ans d'expérience dans le secteur, dont au moins un an dans la conception et la gestion de solutions à l'aide de Google Cloud.
Renouvellement de la certification : les candidats doivent renouveler leur certification pour la conserver. Sauf indication contraire dans les descriptions détaillées des examens, toutes nos certifications Google Cloud sont valables deux ans à compter de la date d'obtention. Vous devez repasser l'examen pendant la période d'éligibilité au renouvellement de votre certification, puis obtenir une note d'admission. Vous pouvez tenter de renouveler votre certification au plus tôt 60 jours avant sa date d'expiration.
Présentation de l'examen
Étape 1 : Utilisez les produits en conditions réelles
Avant de passer l'examen de Machine Learning Engineer, il est recommandé d'avoir acquis une expérience pratique d'au moins trois ans avec les produits et solutions Google Cloud. Prêt à développer vos compétences ? Essayez la version gratuite de certains produits Google Cloud (dans la limite des plafonds mensuels).
Étape 2 : Familiarisez-vous avec le contenu de l'examen
Le guide de l'examen contient la liste complète des sujets pouvant être inclus dans l'examen. Consultez-le afin de déterminer si vous disposez des compétences adéquates.
Consulter le guide de l'examen actuel
Si vous prévoyez de passer l'examen à partir du 1er octobre, consultez le nouveau guide de l'examen.
Étape 3 : Consultez les exemples de questions
Familiarisez-vous avec le format des questions et des exemples de contenu qui peuvent être couverts par l'examen Machine Learning Engineer.
Étape 4 : Suivez des formations pour approfondir vos connaissances
Préparez-vous pour l'examen en suivant le parcours de formation Machine Learning Engineer. Découvrez la formation en ligne, les cours présentiels, les ateliers pratiques et d'autres ressources Google Cloud.
Préparez-vous pour l'examen avec des Googleurs et des experts certifiés. Bénéficiez de conseils et d'astuces utiles pour les examens, ainsi que d'insights de la part d'experts du secteur.
Parcourez la documentation Google Cloud pour consulter des discussions approfondies sur les concepts et les composants critiques de Google Cloud.
Découvrez comment concevoir, entraîner, créer, déployer et opérationnaliser des applications de ML sécurisées sur Google Cloud à l'aide du guide de préparation officiel Google Cloud Certified Professional Machine Learning Engineer. Ce guide s'appuie sur des scénarios concrets pour vous montrer comment utiliser la plate-forme Vertex AI et des technologies telles que TensorFlow, Kubeflow et AutoML. Il indique également les bonnes pratiques à suivre pour choisir un modèle personnalisé.
Étape 5 : Planifiez un examen
Inscrivez-vous et sélectionnez l'option pour passer l'examen à distance ou dans un centre d'évaluation à proximité.
Consultez les conditions d'utilisation et les règles de partage de données de l'examen.