Examen de Ingeniero Profesional de Aprendizaje Automático
50-60 preguntas de opción múltiple y selección múltiple.
- Tipo
- Escrito
- Modalidad
- Ambos
- Duración
- 120 min
Secciones del examen
Diseñando soluciones de IA de bajo código
Diseñe y construya soluciones de IA/ML utilizando servicios gestionados por Google con un código personalizado mínimo. Las tareas clave incluyen el desarrollo de modelos con BigQuery ML, la implementación de soluciones de IA con API de ML o modelos de base, y la formación de modelos AutoML para varios tipos de datos como tabulares, texto y vídeo.
Consejos de preparación
Concéntrese en los servicios administrados por Google como BigQuery ML y AutoML; comprenda cuándo usar API de ML en lugar de modelos personalizados para diferentes formatos de datos.
Colaborar dentro y entre equipos para gestionar datos y modelos
Se centra en el descubrimiento de datos, la ingestión y el preprocesamiento entre equipos. Incluye creación de prototipos de modelos con Vertex AI Workbench o Colab Enterprise, gestión de conjuntos de datos, creación y consolidación de características en Feature Store y seguimiento de experimentos de ML utilizando Vertex AI Experiments o TensorBoard.
Consejos de preparación
Revise la ingestión de datos de varias fuentes (Cloud Storage, BigQuery) y experimente el seguimiento con Vertex AI Experiments para administrar datos multifuncionales.
Escalado de prototipos a modelos ML
Transforme el trabajo de prototipos en modelos ML listos para la producción. Esto incluye la elección de marcos de ML y arquitecturas de modelos, la selección de hardware (CPU, GPU, TPU) para el entrenamiento, la implementación de entrenamiento distribuido y el ajuste fino de modelos de base o modelos personalizados de entrenamiento a través de Vertex AI.
Consejos de preparación
Prepárate para seleccionar hardware (CPU/GPU/TPU) y manejar flujos de trabajo de entrenamiento personalizados en Vertex AI, incluyendo entrenamiento distribuido y ajuste de hiperparámetros.
Modelos de servicio y escalado
Implemente modelos entrenados para la inferencia por lotes y en línea mientras escala la infraestructura para satisfacer las demandas. Incluye la gestión de un registro de modelos, la realización de pruebas A/B de versiones de modelos y ajuste de modelos para el rendimiento de producción, la latencia, el uso de memoria y la optimización del rendimiento.
Consejos de preparación
Estudie las estrategias de servicio de modelos para la inferencia en línea y por lotes utilizando Vertex AI y Dataflow, incluidas las pruebas A/B y el escalado con Feature Store.
Automatización y orquestación de canalizaciones de ML
Crear y mantener canalizaciones de ML de extremo a extremo, incluida la reentrenación continua y la gestión de metadatos. Se centra en la orquestación con Vertex AI Pipelines o Cloud Composer, la implementación de CI/CD con Cloud Build y el seguimiento del linaje y los metadatos del modelo a través de Vertex ML Metadata.
Consejos de preparación
Familiarícese con la orquestación de tuberías utilizando Vertex AI Pipelines o Kubeflow y el seguimiento de metadatos para el linaje y la auditoría.
Monitorización de soluciones de IA
Asegúrese de que los sistemas de IA sigan siendo confiables, seguros y responsables a través de la identificación de riesgos y el monitorización continuo. Implica la identificación del sesgo, la implementación de las prácticas de Google Responsible AI y el monitorización de la sesgo que sirve al entrenamiento, la deriva del rendimiento y los errores comunes.
Consejos de preparación
Aprenda a monitorear el sesgo de servicio de entrenamiento y aplicar prácticas de IA responsable como la detección de sesgos y la explicabilidad del modelo a través de Vertex AI.