Google Cloud のAI/ML エンジニア向け最高峰のProfessional 認定。Vertex AI を中心に、データ準備から ML モデル設計・学習・デプロイ・MLOps 自動化までライフサイクル全体を問います。生成 AI 時代の到来で求人が爆発的に増加しており、ML エンジニア・データサイエンティストの間で最も注目される資格の一つ。500 問の問題集で 6 ドメイン全領域を完全網羅し、Vertex AI Pipelines・AutoML・カスタム学習・Model Monitoring まで実戦的に習得できます。
B. Vertex AI Model Monitoring で feature skew/drift を有効化し、自動アラート
C. ユーザからのクレーム件数を監視する
D. 月次で再学習し、新モデルにそのまま入れ替える
B. PR-AUC（Precision-Recall AUC）
C. RMSE
D. Mean Squared Error
B. Kubeflow Pipelines SDK (KFP) で Component を定義し Vertex AI Pipelines にコンパイル
C. Cloud Composer (Airflow) で全 ML 処理を BashOperator 化
D. Compute Engine 上の cron で全工程をシェル スクリプト化
PMLE の出題範囲に沿って、6 つのドメインから集中的に学習できます。MLOps とライフサイクル全体を理解する総合演習が合格への近道です。
Google Cloud Professional Machine Learning Engineer（PMLE）は、Google Cloud が提供するプロフェッショナルレベルの ML エンジニア向け認定資格です。Vertex AI / AutoML / BigQuery ML / TensorFlow / Vertex AI Pipelines などの ML プラットフォームを駆使し、データ準備・モデル設計・学習・評価・本番デプロイ・MLOps 自動化まで ML ライフサイクル全体を実装できる高度なエンジニアであることを評価します。
生成 AI ブーム以降、Google Cloud Vertex AI は Gemini API、Model Garden、Vertex AI Studio などを次々と投入し、AI/ML プラットフォームとしての地位を急速に確立しています。AI/ML エンジニアの求人需要は世界的に爆発的に増加しており、PMLE は AI/ML 領域での Google Cloud スキルを公的に証明する最高峰の Professional 資格として、年収・キャリアの選択肢を大きく広げます。AWS MLA-C01 / MLS-C01 や Azure AI-102 と並ぶマルチクラウド AI エンジニアの差別化要素として、転職市場での価値が確立しています。
- ML エンジニア：Vertex AI で本番 ML システムを構築する責任者
- MLOps エンジニア：Pipeline 自動化・モデル運用を担当
- データ サイエンティスト：実験から本番化までを担当
- AI ソリューション アーキテクト：Generative AI/ML 戦略の提案担当
- リサーチ エンジニア：研究成果を本番運用化する立場
| 項目 | 内容 |
|---|---|
| 試験コード | Professional Machine Learning Engineer（PMLE） |
| 正式名称 | Google Cloud Professional Machine Learning Engineer |
| レベル | PROFESSIONAL（プロフェッショナル） |
| 受験料 | $200 USD（税抜） |
| 試験時間 | 120分 |
| 問題数 | 50〜60問（多肢選択 + 複数選択） |
| 合格スコア | 推定70%（公式非公開、Professional 標準値） |
| 受験言語 | 日本語、英語 |
| 受験方法 | オンライン監督試験 / テストセンター |
| 認定有効期間 | 2年間 |
| 推奨経験 | 業界 3 年以上 + Google Cloud で 1 年以上の ML 設計運用経験 |
| 前提資格 | なし |
PMLE は 6 ドメインから出題され、サービング (20%)、モデル アーキテクチャ・学習 (各 18%) が最大配点。Vertex AI Pipelines と Model Monitoring の理解が合格への近道です。
- BigQuery ML、AutoML Tables/Vision/NLP/Translation/Video
- Vertex AI Model Garden、Gemini API
- Generative AI Studio、プロンプト エンジニアリング
- Document AI、Vision AI、Speech-to-Text、Translation API
- Recommendations AI、Retail AI、Discovery AI
- Embeddings API、Vector Search
- BigQuery / Cloud Storage / Pub/Sub / Datastream 統合
- Dataflow / Dataproc / Composer による前処理
- 特徴量エンジニアリング (スケーリング、エンコーディング)
- Vertex AI Feature Store (Online / Offline serving)
- TFX、TensorFlow Data Validation (TFDV)
- Vertex AI Experiments、Notebook 共有 (Workbench / Colab Enterprise)
- 教師あり / 教師なし / 強化学習、CNN / RNN / Transformer
- Transfer learning、Fine-tuning、Few-shot learning
- ハイパーパラメータ (learning rate, batch size, epochs)
- Vertex AI Vizier (HPO)、Bayesian / Grid / Random search
- アンサンブル (Bagging, Boosting, Stacking)、XGBoost / LightGBM
- 過学習対策 (正則化、Dropout、Early Stopping、Cross-validation)
- Vertex AI Workbench Notebooks、Colab Enterprise
- Vertex AI Custom Training (Pre-built / Custom container)
- TensorFlow / PyTorch / JAX / scikit-learn
- 分散学習 (TF Distribution Strategy: Mirrored / MultiWorker / TPU)
- TPU vs GPU vs CPU、Mixed precision、Spot VM
- モデル評価 (Accuracy / Precision / Recall / F1 / AUC / RMSE)
- Vertex Explainable AI、Fairness、SHAP / LIME
- Vertex AI Online / Batch Prediction、Endpoint デプロイ
- AutoScaling、Traffic split (Canary / A/B / Shadow)
- BigQuery ML 推論、TensorFlow Lite for Edge
- モデル最適化 (Quantization、Pruning、Distillation)
- Vertex AI Model Monitoring (skew / drift)、再学習トリガー
- セキュリティ (Private Endpoints、CMEK)、コスト最適化 (Spot、CUD)
- Vertex AI Pipelines (Kubeflow Pipelines SDK / KFP)
- TFX Component、Pipeline スケジューリング
- Vertex AI Pipelines vs Cloud Composer (Airflow)
- Continuous Training (CT) パイプライン設計
- ML Metadata、Lineage tracking、Model Registry
- CI/CD for ML (Cloud Build、Cloud Deploy、Artifact Registry)
- MLOps 成熟度 Level 0/1/2、Pipeline 監視
| あなたの状況 | 想定勉強時間 | 勉強期間の目安 |
|---|---|---|
| ML 実務未経験 | 200〜300時間 | 5〜7ヶ月 |
| Python + ML ライブラリ経験あり (scikit-learn 等) | 150〜200時間 | 4〜5ヶ月 |
| Vertex AI 業務経験 6 ヶ月以上 | 80〜130時間 | 2〜3ヶ月 |
| ML エンジニア業務 1 年以上 | 60〜100時間 | 1.5〜2.5ヶ月 |
| AWS MLA-C01 / MLS-C01 取得済み | 100〜150時間 | 2.5〜3.5ヶ月 |
Google Cloud 公式の PMLE 試験ガイド を精読。6 ドメインで何が問われるか、対象サービス (Vertex AI / AutoML / BigQuery ML 等) は何か、試験意図が明記されています。
Google Cloud Skills Boost の ML Engineer Learning Path を完了し、Qwiklabs ハンズオンで Vertex AI Pipelines / AutoML / Custom Training / Model Monitoring を実機で体験。Vertex AI Workbench Notebook の使いこなしが合否を左右します。
PMLE は「ML プロジェクトの設計・実装判断」を問うシナリオ問題が中心。CloudCamp の PMLE 問題集（500 問収録）は、本試験と同レベルの実践シナリオを 6 ドメイン全領域で完全網羅し、Vertex AI Pipelines / Model Monitoring / AutoML / カスタム学習 / Generative AI まで踏み込んで演習できます。
- 1周目：全 500 問を解いて解説を熟読
- 2周目：間違えた問題を再演習
- 3周目：正答率 85% 以上を目指して総仕上げ
本試験は 120 分で 50〜60 問。CloudCamp の模擬試験で Professional レベルのシナリオ問題に慣れ、ML 用語・統計用語の判断スピードを磨きましょう。
PDE はデータ基盤、PMLE は ML 実装の Professional 試験。データ × ML 統合人材を目指すなら両方取得が最強。両方取得すれば「Google Cloud データ × AI/ML」エキスパートとして転職市場で高く評価されます。
GAIL は経営層・ビジネスリーダー向け生成 AI 入門、PMLE は ML エンジニア向け。GAIL → PMLE のキャリアパスで、ビジネス理解と実装力を両立できます。
MLA-C01 はアソシエイトで PMLE より易しく、MLS-C01 は専門 (廃止予定) で PMLE と同等難易度。マルチクラウド AI/ML エンジニアを目指すなら PMLE + MLA-C01 の組合せが鉄板です。
Azure AI-102 はアソシエイト レベルで、PMLE のほうが上位。両方取得すれば 3 大クラウドの AI/ML 領域を網羅でき、AI ソリューション アーキテクトとして強力な差別化が可能です。
- Google Cloud AI/ML キャリア：GAIL → ADP → PDE → PMLE
- マルチクラウド AI エンジニア：PMLE → AWS MLA-C01 → Azure AI-102
- データ × ML 統合人材：PDE → PMLE