AIAI Agent Dev Labaiagentdev-lab.com
登录以保存学习记录登录
菜单

STEP 1 · 学习

PMLE 学习Professional Machine Learning Engineer（专业机器学习工程师）

按考试领域阅读要点，然后点击各领域末尾的“练习该领域”，只练习该领域的题目。比例越大的领域在正式考试中出题越多。

01

第 1 部分：设计低代码 AI 解决方案

セクション1：ローコードの AI ソリューションの設計

約13%

学习目标

  • 能根据业务课题区分使用 BigQuery ML 与 AutoML
  • 能从预训练 API・基础模型・Model Garden 中以最少工作量满足需求
  • 能优化 Gemini 应用的成本・延迟・可用性

要点

  • BigQuery ML 用 SQL（CREATE MODEL、ML.PREDICT、ML.EVALUATE）在不移动数据的情况下建模：ARIMA_PLUS（时间序列）、K-means（聚类）、逻辑回归・提升树、远程模型（Gemini）等。
  • TRANSFORM 子句可让预处理在训练和预测中一致地应用。用 ML.FEATURE_IMPORTANCE 等确认特征。
  • AutoML 无需代码，即可用表格・图像・文本・视频的有标签数据构建高质量模型。
  • 先研究预训练 API（Vision、Document AI、Translation、Speech）或基础模型是否足够，不够再用 AutoML，最后才是自定义训练。
  • Gemini 成本・延迟的优化：选择轻量模型（如 Flash）、上下文缓存、批量推理、限制输出词元、预配吞吐量。

工作中的应用场景

  • 财务发票用 Document AI 提取项目，需求预测用 BigQuery ML 的 ARIMA_PLUS 只靠 SQL 完成。

考试评估项目（来自考试指南）

  • BigQuery ML・Agent Platform AutoML でのモデルの作成（分類・回帰・予測・クラスタリング）、BigQuery ML での特徴量エンジニアリングと予測、BigQuery での Gemini のファインチューニング
  • Model Garden からのモデルの評価と選択、業界別の API（Document AI・Vision・Translation）、Gemini・Imagen・Veo・MaaS のチューニング、Gemini のアプリのコスト・レイテンシ・可用性の最適化

学习资源

详细学习（2 个主题，附小测验）→练习该领域（36 题）→下一个领域 ↓
02

第 2 部分：在团队内外协作管理数据与模型

セクション2：チームでのデータとモデルの管理

約16%

学习目标

  • 能选择适合数据规模和复杂度的预处理工具
  • 能选择并配置安全且便于协作的笔记本环境
  • 能追踪并比较实验・评估・谱系

要点

  • 小数据用内存中的 pandas，大规模 SQL 转换用 BigQuery，大规模流式・批量转换用 Dataflow（Apache Beam），已有的 Spark 资产用 Dataproc（Serverless for Apache Spark）。
  • Feature Store 统一管理特征，在训练和服务中使用相同的值，并以低延迟在线提供。
  • 用 Sensitive Data Protection（原 Cloud DLP）检测・遮盖・令牌化 PII。
  • Workbench 是基于 Jupyter 的托管笔记本，Colab Enterprise 是便于协作的托管 Colab。用服务账号、VPC Service Controls、CMEK 等加以保护。
  • Experiments 记录并比较参数和指标，ML Metadata 追踪制品的谱系（哪些数据和代码生成了哪个模型）。
  • 生成式 AI 的评估：自动指标（BLEU・ROUGE）、LLM-as-a-judge（由另一个 LLM 按标准打分）、人工评估。使用 Gen AI evaluation service。

工作中的应用场景

  • 数据分析分析团队在 Colab Enterprise 中试制，用 Experiments 比较实验，把好的设置迁移到流水线。

考试评估项目（来自考试指南）

  • データの探索と前処理（表・テキスト・画像、BigQuery・Dataflow・Spark・メモリ内の Python の使い分け、Feature Store、PII の保護）
  • ノートブックでのプロトタイピング（Agent Platform Workbench、Colab Enterprise、セキュリティと共同作業、PyTorch・scikit-learn・JAX、Model Garden のモデル）
  • 実験の追跡（Experiments、Pipelines、Kubeflow Pipelines、予測と生成 AI の評価・LLM-as-a-judge、ML Metadata による系統の追跡）

学习资源

详细学习（3 个主题，附小测验）→练习该领域（47 题）→下一个领域 ↓
03

第 3 部分：把原型扩展为 ML 模型

セクション3：プロトタイプから ML モデルへの拡張

約21%

学习目标

  • 能选择符合需求的模型种类和产品
  • 能选择训练方法并区分失败原因
  • 能选择硬件和分布式训练策略

要点

  • 时间序列用 ARIMA_PLUS 等，复杂的非线性模式用 DNN，语言和生成任务用 LLM。
  • 必须具备可解释性时，使用线性模型或决策树，或使用 Explainable AI（特征归因）。
  • 自定义训练可在容器（预构建或自定义）中使用任意框架。用 Vizier 进行超参数调优。
  • 过拟合的对策：正则化、Dropout、早停、追加数据。训练损失不下降时检查学习率和数据。
  • TPU 擅长大规模矩阵运算（大批量的 DNN・LLM）。GPU 灵活。CPU 适合小模型和预处理。
  • 数据并行是各工作节点用同一模型处理不同数据，模型并行是把放不进单个设备的大模型拆分。
  • 当提示或 RAG 不够（格式・文风・专业任务）时考虑调优基础模型：监督微调、LoRA 等参数高效的方法。

工作中的应用场景

  • 制造用 AutoML 试制图像不良检测，因准确度不足而改用 GPU 自定义训练，并用 Vizier 调整学习率。

考试评估项目（来自考试指南）

  • コスト・複雑さ・レイテンシ・スケーラビリティを考えたモデルの構築（ARIMA・DNN・LLM、AutoML・BigQuery ML・Pipelines、デプロイの戦略、解釈可能性の要件）
  • モデルの学習（Cloud Storage・BigQuery のデータの整理、取り込み、カスタム学習・GKE の Kubeflow・AutoML・Tabular Workflows、学習の失敗の対処、ハイパーパラメータのチューニング、基盤モデルのファインチューニング）
  • 学習のハードウェア（CPU・GPU・TPU、データ並列・モデル並列の分散学習）

学习资源

详细学习（3 个主题，附小测验）→练习该领域（65 题）→下一个领域 ↓
04

第 4 部分：模型的服务与扩展

セクション4：モデルの配信とスケーリング

約20%

学习目标

  • 能选择符合需求的推理方式和服务平台
  • 能设计模型版本管理与安全的发布
  • 能根据吞吐量和延迟扩展服务

要点

  • 批量推理集中处理大量数据（无延迟要求・便宜），在线推理实时且低延迟。
  • 预构建容器支持 TensorFlow・PyTorch・XGBoost・scikit-learn，其他框架或自有处理用自定义容器。
  • 用 Model Registry 管理模型的版本和别名。
  • 用流量拆分进行 A/B 测试或金丝雀发布（先把少量流量导向新版本）。
  • 私有端点（Private Service Connect 等）只允许从 VPC 内部以低延迟调用。
  • 自动扩缩（最小・最大副本数）、GPU 机器类型，用量化或蒸馏让模型变轻。边缘是指在终端上推理（离线・低延迟）。

工作中的应用场景

  • 电商用在线端点提供商品推荐，从 Feature Store 获取最新浏览特征，新模型以 10% 的流量进行金丝雀发布。

考试评估项目（来自考试指南）

  • バッチ推論とオンライン推論（Agent Platform・Model Garden・Cloud Run・GKE）、事前構築済み・カスタムのコンテナ、Model Registry、A/B テスト・カナリア、推論の前処理・後処理
  • オンライン配信のスケーリング（Feature Store、パブリック・プライベートのエンドポイント、CPU・GPU・TPU・エッジ、スループットに応じたスケーリング、本番向けのチューニング）

学习资源

详细学习（2 个主题，附小测验）→练习该领域（58 题）→下一个领域 ↓
05

第 5 部分：ML 流水线的自动化与编排

セクション5：ML パイプラインの自動化とオーケストレーション

約18%

学习目标

  • 能选择流水线的编排方法
  • 能进行防止训练与服务偏差的设计
  • 能设计重新训练策略和 CI/CD/CT

要点

  • Agent Platform Pipelines（原 Vertex AI Pipelines）以无服务器方式运行 Kubeflow Pipelines・TFX 的定义，并记录制品和谱系。
  • Managed Service for Apache Airflow（原 Cloud Composer）编排包括非 ML 在内的广泛工作流。Ray 用于分布式 Python 处理。
  • 把数据验证（确认模式・分布）和模型验证（是否达到基准指标）纳入流水线。
  • 训练和服务使用相同的预处理代码（TRANSFORM 子句、tf.Transform、Feature Store），防止偏差。
  • 重新训练策略：以定期（计划）、新数据量、检测到性能下降或漂移为触发条件。
  • CI 是代码测试，CD 是模型部署，CT 是持续重新训练。用 Cloud Build 自动化构建和测试。

工作中的应用场景

  • 金融以每周计划和漂移检测为触发条件重新训练欺诈检测模型，只有达到评估标准时才自动部署。

考试评估项目（来自考试指南）

  • エンドツーエンドのパイプライン（データとモデルの検証、Agent Platform Pipelines・Managed Service for Apache Airflow・Ray、学習と配信の前処理の一貫性）
  • 再学習の自動化（再学習のポリシー、CI/CD/CT、Cloud Build）

学习资源

详细学习（2 个主题，附小测验）→练习该领域（54 题）→下一个领域 ↓
06

第 6 部分：监控 AI 解决方案

セクション6：AI ソリューションの監視

約13%

学习目标

  • 能选择针对 AI 特有安全风险的对策工具
  • 能用 Model Monitoring 检测偏差和漂移
  • 能持续评估生成式 AI 应用

要点

  • Model Armor 检查提示和响应，检测并拦截提示注入、越狱、敏感数据和有害内容。
  • Regex 用于检测固定格式（如卡号），安全过滤器拦截有害类别。
  • 训练与服务偏差：训练时与生产中的输入分布不同。数据漂移：生产输入的分布随时间变化。概念漂移：输入与正确答案的关系发生变化。
  • 特征归因漂移：各特征对预测的贡献发生变化。
  • Model Monitoring 在超过阈值时发出警报，可作为重新训练的触发条件。
  • Explainable AI 用特征归因（Sampled Shapley、Integrated Gradients 等）展示预测的理由。

工作中的应用场景

  • 人事对招聘辅助模型定期确认不同属性间的预测差异，并根据 Model Monitoring 的警报考虑重新训练。

考试评估项目（来自考试指南）

  • AI のリスク（データの流出、悪意のあるプロンプト、LLM への機密情報の共有、Regex・セーフティフィルタ・Model Armor）、責任ある AI（バイアスの監視）、Explainable AI
  • Model Monitoring による継続的な評価、学習と配信のスキュー・データドリフト・コンセプトドリフト・特徴量アトリビューションのドリフト、生成 AI の監視・テスト・評価

学习资源

详细学习（2 个主题，附小测验）→练习该领域（39 题）→挑战模拟考试 →

读完之后

练习全部领域（299 题）模拟考试（60 题 · 120 分钟）PMLE 首页
使用须知（非官方、原创题目、不保证合格）