Google Cloud Professional Machine Learning Engineer
PMLE
A certificação Google Cloud Professional Machine Learning Engineer valida a capacidade de projetar, construir, colocar em produção e manter soluções de ML e IA generativa no Google Cloud. O guia de exame de junho de 2026 cobre seis áreas: arquitetar soluções de IA low-code com BigQuery ML, AutoML e APIs pré-treinadas; colaborar entre equipes para explorar dados, prototipar em notebooks e acompanhar experimentos; escalar protótipos até modelos, incluindo a escolha entre CPU, GPU ou TPU; servir e escalar modelos para inferência em lote e online; automatizar e orquestrar pipelines de ML com treinamento contínuo; e monitorar soluções de IA quanto a drift, viés e risco de injeção de prompt. Pressupõe-se que você saiba ler Python e SQL, mas habilidades de programação não são avaliadas e não há estudos de caso: cada questão é independente.
50–60
120 min
70/ 100
Referência nossa — o fornecedor não divulga uma
242+
Público-alvo
Engenheiros de ML, cientistas de dados e profissionais de MLOps que já colocam modelos em produção e precisam comprovar julgamento de produção no Google Cloud. O Google recomenda três ou mais anos de experiência profissional, incluindo pelo menos um ano projetando e gerenciando soluções no Google Cloud. Também é indicada para engenheiros de dados ou de plataforma que assumem a responsabilidade por ML e para equipes que adicionam IA generativa a um produto existente.
Pré-requisitos
Não há certificação prévia obrigatória, mas este é um exame de nível Profissional e pressupõe experiência real em ML. Você deve dominar o ciclo de vida completo do modelo (preparação de dados, treinamento, avaliação, implantação e monitoramento) e saber ler Python e SQL, embora programação não seja avaliada. Familiaridade com BigQuery, Gemini Enterprise Agent Platform (antes Vertex AI), pipelines e serving em contêineres importa mais do que profundidade em um framework. Saiba quando fazer fine-tuning, quando usar RAG e quando uma API pré-treinada já basta.
Tipos de questões
Idioma e escopo de reconhecimento
Idiomas oficiais do exame
Idiomas no PasslyExam
Escopo de reconhecimento
Reconhecida globalmente e aplicável em diversos países.
Domínios do exame
Arquitetar soluções de IA de baixo código
Colaborar dentro e entre equipes para gerenciar dados e modelos
Escalar prototípos até modelos de ML
Servir e escalar modelos
Automatizar e orquestrar pipelines de ML
Monitorar soluções de IA
Plano de estudo recomendado
- Semana 1: Memorize as seis seções e seus pesos conforme o guia oficial de 1 de junho de 2026: IA low-code 13%, colaboração e gestão de dados/modelos 16%, escalar protótipos 21%, servir e escalar modelos 20%, automatizar pipelines 18% e monitorar soluções de IA 13%. As seções 3 e 4 somam 41%. Programação não é avaliada e não há estudos de caso.
- Semana 2: Monte uma tabela com os eixos de decisão: a escada API pré-treinada → BigQuery ML → Agent Platform AutoML → treinamento personalizado; fine-tuning (comportamento, estilo, formato) versus RAG (conhecimento novo ou interno); inferência em lote versus online; CPU/GPU/TPU; e paralelismo de dados versus paralelismo de modelo. Resolva 20–25 questões por dia.
- Semana 3: Repita cenários de operação: Agent Platform Pipelines versus Managed Service for Apache Airflow, o laço CI/CD com treinamento contínuo, o Feature Store como cura do desvio treino-serviço, e a distinção entre training-serving skew, data drift, concept drift e feature attribution drift.
- Últimos 5–7 dias: Simulados cronometrados para fixar a divisão das 2 horas. Após o rebranding de 22 de abril de 2026, todos os nomes do Vertex AI viraram Gemini Enterprise Agent Platform: confira se você não carrega nomes antigos de material desatualizado.
Processo de validação de questões
Experimente o conjunto de práticas diretamente e avalie você mesmo a semelhança com o exame real.
Perguntas frequentes (FAQ)
Q. O que o exame PMLE valida?
A. Valida a capacidade de projetar, construir, colocar em produção e manter soluções de ML e IA generativa no Google Cloud, em nível Profissional. São 2 horas, 50–60 questões de múltipla escolha e seleção múltipla, ao custo de 200 USD. O guia oficial afirma que habilidades de programação não são avaliadas e não há estudos de caso.
Q. Quanta experiência é recomendada?
A. O Google recomenda três ou mais anos de experiência profissional, incluindo pelo menos um ano projetando e gerenciando soluções no Google Cloud. Não há certificação prévia obrigatória, mas se você nunca colocou um modelo em produção vale firmar antes os fundamentos do Google Cloud com o ACE.
Q. Onde se perde mais ponto?
A. Em quatro pontos: tentar resolver um problema de conhecimento novo ou interno com fine-tuning (a resposta é RAG/grounding); escolher inferência em lote diante de um requisito de latência em milissegundos; escolher paralelismo de modelo quando o modelo cabe em um único acelerador; e confundir os quatro tipos de drift.
Q. As mudanças de nome de produto importam?
A. Muito neste exame. Desde 22 de abril de 2026, o Vertex AI é Gemini Enterprise Agent Platform, e AutoML, Workbench, Pipelines, Feature Store, Model Registry e Inference levam nomes de Agent Platform. Já BigQuery, Model Garden, Gemini, Gemma, Ray e Model Armor não mudaram — renomeá-los também é erro.
Q. Qual nota indica estabilidade?
A. 75–80%+ nos últimos 3 simulados, sem desabar nas seções 3 e 4 (41% somadas). O Google não publica nota de corte oficial, então não trate nenhum número como o limiar oficial de aprovação.
Q. Qual a diferença entre questões de prática e o simulado cronometrado?
A. As questões de prática são resolvidas por tema com explicações de erros para reforçar pontos fracos; o simulado cronometrado é feito como a prova real. Ambos usam questões originais com explicações do tutor de IA.
Q. Isto é semelhante aos dumps de exame?
A. A PasslyExam não fornece dumps vazados. Nosso conteúdo é criado a partir de guias oficiais e objetivos públicos do exame, e depois ajustado para refletir padrões de questões realistas e distribuição de dificuldade. O foco é a preparação prática com aprendizado baseado em explicações, não a memorização de itens vazados.
Ver guia alternativo aos dumps