Google Cloud Professional Machine Learning Engineer
PMLE
La certificación Google Cloud Professional Machine Learning Engineer valida la capacidad de diseñar, construir, llevar a producción y mantener soluciones de ML e IA generativa en Google Cloud. La guía de examen de junio de 2026 abarca seis áreas: diseñar soluciones de IA de bajo código con BigQuery ML, AutoML y APIs preentrenadas; colaborar entre equipos para explorar datos, prototipar en notebooks y hacer seguimiento de experimentos; escalar prototipos a modelos, incluida la elección entre CPU, GPU o TPU; servir y escalar modelos para inferencia por lotes y en línea; automatizar y orquestar pipelines de ML con entrenamiento continuo; y monitorizar soluciones de IA frente a deriva, sesgo y riesgo de inyección de prompts. Se asume que sabes leer Python y SQL, pero no se evalúan habilidades de programación y no hay casos de estudio: cada pregunta es independiente.
50–60
120 min
70/ 100
Referencia propia — el proveedor no publica una
242+
Público objetivo
Ingenieros de ML, científicos de datos y profesionales de MLOps que ya despliegan modelos y necesitan demostrar criterio de producción en Google Cloud. Google recomienda tres o más años de experiencia profesional, incluido al menos un año diseñando y gestionando soluciones en Google Cloud. También es adecuada para ingenieros de datos o de plataforma que asumen responsabilidad sobre ML y para equipos que añaden IA generativa a un producto existente.
Requisitos previos
No hay certificación previa obligatoria, pero es un examen de nivel Profesional y presupone experiencia real en ML. Debes manejar el ciclo de vida completo del modelo (preparación de datos, entrenamiento, evaluación, despliegue y monitorización) y saber leer Python y SQL, aunque no se evalúa la programación. Importa más la familiaridad con BigQuery, Gemini Enterprise Agent Platform (antes Vertex AI), pipelines y servicio en contenedores que el dominio profundo de un framework. Distingue cuándo conviene el ajuste fino, cuándo RAG y cuándo basta una API preentrenada.
Tipos de preguntas
Idioma y alcance de certificación
Idiomas oficiales del examen
Idiomas en PasslyExam
Alcance de reconocimiento
Reconocida globalmente y aplicable en diversos países.
Dominios del examen
Arquitectura de soluciones de IA de bajo código
Colaboración dentro y entre equipos para gestionar datos y modelos
Escalar prototipos hacia modelos de ML
Servir y escalar modelos
Automatizar y orquestar pipelines de ML
Monitoreo de soluciones de IA
Plan de estudio recomendado
- Semana 1: Memoriza las seis secciones y sus pesos según la guía oficial del 1 de junio de 2026: IA de bajo código 13%, colaboración y gestión de datos/modelos 16%, escalar prototipos 21%, servir y escalar modelos 20%, automatizar pipelines 18% y monitorizar soluciones de IA 13%. Las secciones 3 y 4 suman el 41%. No se evalúa programación y no hay casos de estudio.
- Semana 2: Construye una tabla con los ejes de decisión: la escalera API preentrenada → BigQuery ML → Agent Platform AutoML → entrenamiento personalizado; fine-tuning (comportamiento, estilo, formato) frente a RAG (conocimiento fresco o interno); inferencia por lotes frente a en línea; CPU/GPU/TPU; y paralelismo de datos frente a paralelismo de modelo. Resuelve 20–25 preguntas diarias.
- Semana 3: Repite escenarios de operación: Agent Platform Pipelines frente a Managed Service for Apache Airflow, el bucle CI/CD con entrenamiento continuo, Feature Store como cura del sesgo entrenamiento-servicio, y la distinción entre training-serving skew, data drift, concept drift y feature attribution drift.
- Últimos 5–7 días: Simulacros cronometrados para fijar el reparto de las 2 horas. Tras el cambio de marca del 22 de abril de 2026, todos los nombres de Vertex AI pasaron a Gemini Enterprise Agent Platform: revisa que no arrastres nombres antiguos de material desactualizado.
Proceso de validación de preguntas
Prueba el conjunto de práctica directamente y juzga tú mismo la similitud con el examen real.
Preguntas frecuentes (FAQ)
Q. ¿Qué valida el examen PMLE?
A. Valida la capacidad de diseñar, construir, llevar a producción y mantener soluciones de ML e IA generativa en Google Cloud, a nivel Profesional. Son 2 horas, 50–60 preguntas de opción múltiple y selección múltiple, con un costo de 200 USD. La guía oficial indica que no se evalúan habilidades de programación y no hay casos de estudio.
Q. ¿Cuánta experiencia se recomienda?
A. Google recomienda tres o más años de experiencia profesional, incluido al menos un año diseñando y gestionando soluciones en Google Cloud. No hay certificación previa obligatoria, pero si nunca llevaste un modelo a producción conviene afianzar primero los fundamentos de Google Cloud con ACE.
Q. ¿Dónde se pierden más puntos?
A. En cuatro lugares: intentar resolver un problema de conocimiento nuevo o interno con fine-tuning (la respuesta es RAG/grounding); elegir inferencia por lotes ante un requisito de latencia de milisegundos; elegir paralelismo de modelo cuando el modelo cabe en un solo acelerador; y confundir los cuatro tipos de deriva.
Q. ¿Importan los cambios de nombre de producto?
A. Mucho en este examen. Desde el 22 de abril de 2026, Vertex AI es Gemini Enterprise Agent Platform, y AutoML, Workbench, Pipelines, Feature Store, Model Registry e Inference llevan nombres de Agent Platform. En cambio BigQuery, Model Garden, Gemini, Gemma, Ray y Model Armor no cambiaron: renombrarlos también es un error.
Q. ¿Qué puntaje indica estabilidad?
A. 75–80%+ en los últimos 3 simulacros, sin desplomarte en las secciones 3 y 4 (41% combinado). Google no publica una nota de corte oficial, así que no trates ninguna cifra como el umbral oficial de aprobación.
Q. ¿En qué se diferencian las preguntas de práctica y el simulacro cronometrado?
A. Las preguntas de práctica se resuelven por tema con explicaciones de errores para reforzar puntos débiles; el simulacro cronometrado se resuelve como el examen real. Ambos usan preguntas originales con explicaciones del tutor de IA.
Q. ¿Es esto similar a los dumps de examen?
A. PasslyExam no proporciona dumps filtrados. Nuestro contenido se basa en guías oficiales y objetivos públicos del examen, y luego se ajusta para reflejar patrones de preguntas realistas y una distribución de dificultad adecuada. El enfoque está en la preparación práctica con aprendizaje basado en explicaciones, no en la memorización de material filtrado.
Ver guía alternativa a los dumps