Google Cloud Professional Machine Learning Engineer（PMLE）备考指南：AI 与 MLOps
GCP-PMLE 最新版备考指南：覆盖低代码 AI、数据与模型协作、训练部署、流水线自动化和 AI 监控。
Professional Machine Learning Engineer（PMLE）考查如何在 Google Cloud 构建、评估、部署和运营传统机器学习与生成式 AI 方案。考试覆盖从数据准备、模型选择和训练，到推理、MLOps、治理与监控的完整流程。
GCP-PMLE 是本站简称，官方名称为 Professional Machine Learning Engineer。本文按 Google Cloud 当前认证页面及2026 年 6 月 1 日版考试指南编写。新指南使用 Gemini Enterprise Agent Platform 等更新后的产品名称，备考时请使用适用于考试日期的版本。
考试领域与权重
| 官方领域 | 主要关注 | 权重 |
|---|---|---|
| Architecting low-code AI solutions | BigQuery ML、AutoML、模型/API 选型 | 约 13% |
| Collaborating within and across teams to manage data and models | 数据准备、Notebook、实验和评估 | 约 16% |
| Scaling prototypes into ML models | 建模、训练、调参与硬件 | 约 21% |
| Serving and scaling models | 批量/在线推理、版本与扩缩 | 约 20% |
| Automating and orchestrating ML pipelines | 流水线、重训练与持续交付 | 约 18% |
| Monitoring AI solutions | 安全、责任 AI、漂移和生产监控 | 约 13% |
六个领域怎么学
低代码 AI 与模型选择
按业务问题比较 BigQuery ML、Agent Platform AutoML、行业 API、基础模型和自定义模型。生成式 AI 要复习 Model Garden、Gemini、Imagen、Veo、Agent Builder/RAG 场景，以及成本、延迟和可用性的取舍。
数据、实验与模型训练
掌握 BigQuery、Dataflow、Spark 等数据准备工具的适用范围，理解特征管理、Notebook 安全、实验跟踪和模型评估。训练部分覆盖框架、定制训练、超参数调优、微调，以及 CPU/GPU/TPU 和分布式训练选择。
推理、流水线与监控
比较批量和在线推理，练习模型注册、金丝雀或 A/B 发布、私有端点和扩缩。用托管流水线或 Airflow 等编排训练与重训练，保持训练和推理预处理一致。生产监控需关注数据漂移、概念漂移、训练/服务偏差、模型质量及生成式 AI 的安全风险。
容易混淆： 选择基础模型不代表应用已经完成。还需考虑检索/上下文、评估、安全过滤、版本发布和持续监控。训练数据与线上特征处理不一致也会造成训练/服务偏差。
备考顺序与自查
先复习传统 ML 和数据基础，再依次覆盖模型选择、训练、推理、流水线和监控。做实验时记录模型为何适用、如何评估、如何发布，以及上线后怎样发现质量退化。
- 能比较 BigQuery ML、AutoML、基础模型和自定义训练。
- 能设计数据准备、特征、训练和模型评估流程。
- 能按吞吐、延迟与成本选择推理方式及硬件。
- 能自动重训练并监控漂移、安全和负责任 AI 风险。
继续练习
用端到端 AI 场景题检查自己能否从业务目标推导数据、模型、部署和监控方案。开始 GCP-PMLE 练习。