Google Cloud Professional Machine Learning Engineer (PMLE) è la certificazione dedicata a chi costruisce, mette in produzione, monitora e ottimizza soluzioni di machine learning e di AI generativa su Google Cloud, con Vertex AI al centro. Valida l’intero ciclo di vita del modello: dalla scelta e prototipazione al training, dal serving all’orchestrazione MLOps, fino al monitoraggio e alla sicurezza. È un esame Professional a scenario che presuppone esperienza reale di ML e MLOps.

Cosa valida il Professional Machine Learning Engineer

Il PMLE valida la capacità di portare l’ML in produzione in modo affidabile e scalabile: architettare soluzioni low-code, gestire e preprocessare i dati, prototipare e tracciare esperimenti, scegliere il modello e l’hardware giusti, addestrare e fare fine-tuning, servire i modelli per l’inferenza batch e online, orchestrare pipeline ripetibili e monitorare le soluzioni contro drift e rischi. È un esame di trade-off: gli scenari chiedono quale servizio, modello o tecnica raggiunge accuratezza, costo, latenza e scalabilità richiesti.

I numeri d’esame sono pubblicati: 120 minuti, 50-60 domande, 200 USD. Tre note pratiche: il PMLE è disponibile solo in inglese e giapponese (non in italiano); come tutte le certificazioni Professional di Google è valido 2 anni (non 3 come foundational e associate); e non valuta direttamente il coding — basta una minima dimestichezza con Python e SQL per interpretare gli snippet.

Una nota sul nome: la guida d’esame di giugno 2026 usa il nuovo nome commerciale Gemini Enterprise Agent Platform per riferirsi a Vertex AI e ai suoi componenti. In questa guida e nella simulazione usiamo il nome consolidato Vertex AI: il prodotto e le sue capacità sono gli stessi.

A chi si rivolge

Il candidato tipico ha oltre 3 anni di esperienza e almeno 1 anno su Google Cloud: machine learning engineer, data scientist con vocazione alla produzione, MLOps engineer. Non servono prerequisiti formali, ma è un esame difficile senza esperienza pratica di ML end-to-end. È complementare al Professional Data Engineer (che guarda ai sistemi dati) e presuppone le basi coperte dall’Associate Data Practitioner.

I concetti trasversali

Alcuni concetti tornano in tutto l’esame:

  • Inferenza batch vs online: la batch elabora grandi volumi in modo asincrono; l’online serve predizioni a bassa latenza su endpoint con autoscaling.
  • Training-serving skew e drift: lo skew è la discrepanza tra i dati/preprocessing di training e di serving; il data drift è il cambiamento della distribuzione degli input, il concept drift il cambiamento della relazione input-output. Li rileva Vertex AI Model Monitoring.
  • Data vs model parallelism: nel data parallelism ogni device ha una copia del modello e una parte dei dati; nel model parallelism un modello troppo grande viene spezzato tra più device.
  • Fine-tuning vs RAG vs prompt: il fine-tuning adatta un modello con dati di dominio; la RAG aggiunge contesto recuperato; il prompt engineering guida senza riaddestrare.
  • A/B testing vs canary: entrambi confrontano versioni via traffic split; la canary instrada una piccola quota alla nuova versione per limitarne il rischio.

I sei domini d’esame

1. Architettare soluzioni AI low-code (circa 13%)

Costruire modelli con BigQuery ML e Vertex AI AutoML (classificazione, regressione, forecasting, clustering), selezionare il modello da Model Garden, usare le API AI verticali (Document AI, Vision, Translate) e tunare Gemini/Imagen/Veo, ottimizzando le applicazioni Gemini per costo, latenza e disponibilità.

2. Collaborare per gestire dati e modelli (circa 16%)

Esplorare e preprocessare i dati scegliendo lo strumento per scala e complessità (BigQuery SQL, Dataflow, Spark, Python in-memory), consolidare le feature nel Feature Store, gestire i dati sensibili (PII); prototipare nei notebook (Vertex AI Workbench, Colab Enterprise) e tracciare gli esperimenti (Vertex AI Experiments, ML Metadata, lineage), valutando anche le soluzioni gen AI (metriche, LLM-as-a-judge).

3. Scalare i prototipi in modelli ML (circa 21%)

Scegliere il tipo di modello (ARIMA, DNN, LLM) e il prodotto (AutoML, BigQuery ML, custom training) considerando costo, latenza, scalabilità e interpretabilità; addestrare (custom training, Kubeflow su GKE, Tabular Workflows), fare hyperparameter tuning e fine-tuning; scegliere l’hardware (CPU/GPU/TPU) e il training distribuito (data e model parallelism).

4. Servire e scalare i modelli (circa 20%)

Deploy per inferenza batch e online (Vertex AI Prediction, Model Garden, Cloud Run, GKE), packaging con container prebuilt e custom (PyTorch, XGBoost), versionamento nel Model Registry, strategie di rollout (A/B testing, canary); scalare il serving online con il Feature Store, endpoint pubblici/privati, hardware adeguato e autoscaling in base al throughput.

5. Automatizzare e orchestrare le pipeline ML (circa 18%)

Sviluppare pipeline end-to-end con validazione di dati e modelli (Vertex AI Pipelines, Managed Service for Apache Airflow/Cloud Composer, Ray su Vertex AI), garantire un preprocessing coerente tra training e serving, e automatizzare il retraining in pipeline CI/CD/CT con Cloud Build.

6. Monitorare le soluzioni AI (circa 13%)

Identificare i rischi (esfiltrazione dati, malicious prompting, condivisione di dati sensibili con gli LLM) con Model Armor, regex e safety filter; allinearsi alla responsible AI (monitoraggio dei bias) e all’explainability (Vertex Explainable AI); configurare Vertex AI Model Monitoring per training-serving skew, data drift, concept drift e feature attribution drift, e valutare le soluzioni gen AI.

Come prepararsi

Il PMLE premia chi ha portato davvero modelli in produzione. Un percorso efficace:

  1. Impadronisciti di Vertex AI end-to-end. È il centro dell’esame: sappi quando usare AutoML vs custom training, Pipelines, Feature Store, Model Registry, Prediction e Model Monitoring.
  2. Distingui i concetti MLOps. Batch vs online inference; training-serving skew vs data drift vs concept drift; data vs model parallelism; fine-tuning vs RAG; A/B vs canary: sono le distinzioni più testate.
  3. Ragiona per trade-off. Molte domande contrappongono soluzioni per costo, latenza, accuratezza e scalabilità: scegli in base ai requisiti dello scenario, non al “modello più potente”.
  4. Alterna teoria e simulazione. Nelle ultime settimane passa alle prove pratiche per individuare le aree deboli. La simulazione PMLE su CertUp usa domande a scenario in inglese come l’esame reale, con timer e spiegazione di ogni risposta.

Un ML engineer con esperienza reale su Google Cloud arriva pronto con alcune settimane di studio mirato; chi non ha mai messo un modello in produzione dovrebbe prima accumulare pratica.

In sintesi

Il Professional Machine Learning Engineer certifica che sai rendere l’ML produttivo, scalabile e affidabile su Google Cloud end-to-end: dalla scelta del modello al serving, dall’orchestrazione MLOps al monitoraggio. È una delle certificazioni più richieste per i profili ML e AI. Se stai pianificando il percorso Google Cloud, confronta la scheda con le altre certificazioni nella pagina Google Cloud di CertUp.