0521 968 7740Mo–Fr, 8–17 Uhr
Die Professional ML Engineer Prüfung bewertet deine Entscheidungen über den gesamten Lebenszyklus einer ML-Lösung. Das Training bereitet dich deshalb mit Architekturfragen und ausführbaren Labs auf zusammenhängende Anwendungsszenarien vor. Du analysierst zuerst, welche Daten verfügbar sind und wie Qualität, Leakage oder ungeeignete Datensplits das Training beeinflussen. BigQuery dient dir zur Untersuchung und Vorbereitung größerer Datensätze. Features verwaltest du so, dass Trainingsläufe wiederholbar bleiben und Online-Vorhersagen dieselben Definitionen verwenden. In Vertex AI vergleichst du AutoML mit Custom Training, führst Hyperparameter-Tuning durch und bewertest Modelle anhand fachlich passender Metriken. Für generative KI untersuchst du Foundation Models, RAG-Architekturen und Verfahren zur Bewertung erzeugter Antworten. Sicherheitsfilter und Explainable AI liefern konkrete Ansatzpunkte für Responsible AI. Danach überführst du einzelne Schritte in Vertex AI Pipelines. Du arbeitest mit Komponenten, Artefakten und Metadaten, damit Training und Freigabe nachvollzogen werden. Deployment-Übungen behandeln Batch Prediction, verwaltete Endpoints, Modellversionen und kontrollierte Rollbacks. Beim Monitoring erkennst du Drift und Training-Serving Skew anhand von Signalen aus dem Modellbetrieb. Szenariobasierte Prüfungsfragen fordern anschließend eine begründete Auswahl zwischen mehreren Google Cloud Diensten. Du entwickelst dafür eine feste Bearbeitungsroutine: Anforderungen markieren, Ausschlusskriterien prüfen und die verbleibenden Optionen nach technischer Eignung bewerten. Diese Routine verkürzt die Suche nach der entscheidenden Information und zeigt Wissenslücken frühzeitig.
