目錄
本文是從官方資料建出來的備考路徑，不是應考實錄 —— 作者沒有報考這張考試。所有「考什麼」都指回 官方 exam guide，所有「怎麼準備」都指回官方學習路徑或 Google Cloud 文件，不含考古題。查證日期：2026-08-18。
Google 的 AI 認證只有兩張，工程師能證明能力的只有 Professional Machine Learning Engineer（PMLE）這一張 —— 另一張 Generative AI Leader 官方自己說「for anyone in any job role, with or without hands-on technical experience」，對寫程式的人鑑別度太低。
而 PMLE 現在有個特殊狀況：名字沒變、價格沒變、官網長得一樣，但考綱被重寫過。認證頁頂端掛著一行警語：
This exam was updated to reflect the transition from Vertex AI to Gemini Enterprise Agent Platform, updates to Google Cloud's data and analytics stack, and prioritizes Google Cloud native solutions.
拿 2026 年中以前的教材去考，你會在題目上看到一堆沒學過的產品名。這篇就是照重寫後的考綱，把六章逐一拆成「考什麼、讀什麼、練什麼」。
各家證照的價格、效期與門檻對照，見站內的2026 年工程師 AI 證照有哪些，本文不重複。
這張適合誰
適合：公司主力在 Google Cloud，而且你的工作橫跨訓練與上線 —— 不只是把 notebook 跑出結果，還要處理 pipeline、部署、監控。官方建議的經驗值是 3 年以上業界經驗，其中 1 年以上在 Google Cloud 上設計與管理方案，這個門檻是認真的：六章裡有 59% 的比重（第 3、4、5 章）落在「把原型變成上線系統」。
不適合：想用一張證照證明自己會 GenAI 的人。PMLE 確實把 agentic 與 GenAI 考點塞進來了，但它的骨架仍是傳統 ML 工程 —— 特徵工程、分散式訓練、model registry、training-serving skew 這些都要會。只想學 LLM 應用開發的話，這張的投報率不高。
也不適合：公司不在 GCP 的人。這是廠商證照，跨生態系幾乎不加分。
官方規格速覽
| 項目 | 內容 |
|---|---|
| 費用 | $200（另計稅） |
| 時間 | 兩小時 |
| 題數與題型 | 50–60 題，單選與複選混合 |
| 語言 | 英文、日文（沒有中文） |
| 形式 | 線上監考或 Pearson 考場 |
| 先修條件 | 無 |
| 建議經驗 | 3 年以上業界經驗，含 1 年以上 Google Cloud |
| 效期 | 2 年 |
沒有中文版這件事值得先算進去：六章的 considerations 清單全是英文專有名詞，讀官方 guide 本身就是備考的一部分。
六章權重就是你的讀書計畫
| 章節 | 比重 |
|---|---|
| 1. Architecting low-code AI solutions | ~13% |
| 2. Collaborating within and across teams to manage data and models | ~16% |
| 3. Scaling prototypes into ML models | ~21% |
| 4. Serving and scaling models | ~20% |
| 5. Automating and orchestrating ML pipelines | ~18% |
| 6. Monitoring AI solutions | ~13% |
這張表要當成讀書計畫用，不是背下來就好。第 3、4、5 章合計 59% —— 訓練、服務、pipeline 自動化，也就是 MLOps 那一塊。很多人把時間花在第 1 章的 BigQuery ML 與 AutoML（只有 13%），因為那部分最容易上手，結果考試時在佔比最高的三章失血。
以下逐章拆。每章的「官方考什麼」直接取自 exam guide 的 considerations 清單。
第 1 章：低程式碼 AI 方案（~13%）
官方考什麼：用 BigQuery ML 或 Agent Platform AutoML 做分類、迴歸、預測、分群；用 BigQuery ML 做特徵工程與預測；用 BigQuery fine-tune Gemini 模型；從 Model Garden 選模型；用 Document AI、Vision、Translate 這類產業 API 建方案；針對成本、延遲、可用性最佳化 Gemini 應用。
讀什麼：BigQuery ML 的官方文件（CREATE MODEL 語法與支援的模型類型）、Model Garden 的模型選擇說明。
練什麼：在 BigQuery 裡用 SQL 建一個分類模型並產生預測 —— 這章的題目常在「這個情境該用 BigQuery ML 還是 AutoML」上打轉，動手做過一次就分得出來。另外把一個 Gemini 應用的成本與延遲實際量一次，那是新增考點，光讀不會有感覺。
第 2 章：跨團隊管理資料與模型（~16%）
官方考什麼：不同資料型態（表格、文字、影像）的組織與探索；依規模與複雜度選前處理工具（BigQuery SQL、Dataflow、Apache Spark、記憶體內的 Python 框架）；在 Agent Platform Feature Store 建立與整併特徵；PII 處理；用 Workbench 或 Colab Enterprise 做原型；用 LLM-as-a-judge 評估 GenAI 方案；用 Experiments 與 ML Metadata 追蹤模型版本與 lineage。
讀什麼：Dataflow 與 BigQuery 的選型指南、Feature Store 文件、Experiments 的 lineage 追蹤。
練什麼：這章最該練的是「選型判斷」而不是操作。官方 considerations 明寫「choosing the right tool for data preprocessing based on scale and complexity」，題目就是給你一個規模與複雜度的情境要你選 —— 自己整理一張表，把四種前處理工具在資料量、延遲要求、是否需要串流上的分界寫清楚。
LLM-as-a-judge 是新考點，站內的 RAG 評估框架 有評估方法的細節，可以補這塊的直覺。
第 3 章：把原型變成 ML 模型（~21%，最重）
官方考什麼：依成本、複雜度、延遲、擴展性選模型型態（ARIMA、DNN、LLM）與產品；依可解釋性需求選建模技術；訓練資料的組織與擷取；用不同 SDK 訓練（Agent Platform 自訂訓練、GKE 上的 Kubeflow、AutoML、Tabular Workflows）；排除訓練失敗；超參數調校；fine-tune 基礎模型以及什麼時候該調校；評估 CPU / GPU / TPU；用資料平行與模型平行做分散式訓練。
讀什麼：Agent Platform 自訂訓練文件、分散式訓練策略（data parallelism vs model parallelism 的差別與適用時機）、TPU 與 GPU 的選擇指南。
練什麼：這章是唯一需要真的訓練東西的部分。找一個自己的資料集走完「notebook 原型 → 自訂訓練 job → 超參數調校 → 註冊進 Model Registry」。特別練「訓練失敗怎麼查」 —— 官方把 troubleshooting 單獨列成一條 consideration，代表題目會給你錯誤情境要你判斷原因。
第 4 章：服務與擴展（~20%）
官方考什麼：批次與線上推論的部署（Agent Platform、Model Garden、Cloud Run、GKE）；用預建與自訂容器打包 PyTorch、XGBoost 模型；在 Model Registry 組織與版控模型；A/B 測試與 canary 部署；推論前後處理；用 Feature Store 服務特徵；公開與私有 endpoint；依吞吐量擴展服務後端；正式環境的模型調校。
讀什麼：Agent Platform Inference 的部署與擴展文件、自訂容器的規格要求。
練什麼：把第 3 章訓練出來的模型部署成 endpoint，然後做一次版本切換（canary 或 A/B）。四個部署選項的分界是這章的核心 —— Agent Platform、Cloud Run、GKE、批次推論各自的適用情境，自己寫成一張決策表。
第 5 章：pipeline 自動化與編排（~18%）
官方考什麼：資料與模型驗證；用受管或非受管服務建 pipeline（Agent Platform Pipelines、Managed Service for Apache Airflow、Agent Platform 上的 Ray）；確保訓練與服務的前處理一致；決定重訓練策略；把模型放進 CI/CD/CT pipeline（例如 Cloud Build）。
讀什麼：Agent Platform Pipelines 文件、Cloud Build 與 CT（continuous training）的整合。
練什麼：把前兩章的東西串成一條 pipeline，並刻意製造一次「訓練與服務前處理不一致」再抓出來 —— 這是 MLOps 的經典錯誤，官方把它列進 considerations，而且第 6 章的 training-serving skew 監控與它是同一件事的兩面。
第 6 章：監控 AI 方案（~13%）
官方考什麼：AI 系統的安全（防資料外流、惡意 prompt、把敏感資料送進 LLM，用 Regex、safety filter、Model Armor）；負責任 AI 實踐（偏誤監控）；模型可解釋性；用 Model Monitoring 建立持續評估指標；監控 training-serving skew、data drift、concept drift、feature attribution drift；GenAI 方案的監控、測試與評估。
讀什麼：Model Monitoring 文件、Model Armor（這是改版後才進考綱的產品，舊教材不會有）。
練什麼：四種 drift 的差別要能一句話講清楚，這是考點密度最高的地方。搭配站內的 Agent 安全的 harness 層 可以補 prompt 攻擊那一塊的實務理解。
建議時程與它的依據
換算方式：以權重直接對應時間配比，再對「需要動手」的章節加權。第 3、4 章要實際訓練與部署，操作時間本身就長，所以各多給半週；第 1、6 章偏概念與選型，讀完文件加練習題即可。
以每週投入 8–10 小時、總共 8 週估算：
| 週次 | 內容 | 依據 |
|---|---|---|
| 第 1 週 | 通讀官方 exam guide 全文，做官方 sample questions | 先知道題目長怎樣，避免整個方向讀偏 |
| 第 2 週 | 第 1 章（13%）+ 第 2 章前半 | 低程式碼與資料前處理選型，入門段 |
| 第 3 週 | 第 2 章後半（16%）：Feature Store、Experiments、LLM-as-a-judge | 新考點集中在這裡 |
| 第 4–5 週 | 第 3 章（21%） | 唯一要動手訓練的章節，兩週 |
| 第 6 週 | 第 4 章（20%） | 部署與擴展，含一次版本切換實作 |
| 第 7 週 | 第 5 章（18%） | 把前面串成 pipeline |
| 第 8 週 | 第 6 章（13%）+ 全書複習 + 再做一次 sample questions | 監控與安全，收尾 |
時程寧寬勿緊，因為 PMLE 的失敗成本特別高。 官方重考政策寫，Associate 與 Professional 級兩年內最多四次，而且間隔遞增：第一次沒過等 14 天，第二次等 60 天，第三次沒過要等 365 天才能考第四次。換考試語言或改成考場應試都算同一個額度。
這條規則直接改變備考策略：PMLE 沒有「先去考一次試水溫」這個選項。對比之下 AWS 的政策是無限次重考、間隔 14 天（代價是每次全額付費），Claude 是 12 個月內 4 次、間隔 14 / 30 / 90 天。三家裡 Google 對「考不過」的懲罰最重，所以上面那張八週表如果你覺得吃力，正確反應是拉長到十週，不是照表硬考。
這個時程的前提是你已經有官方建議的經驗值。 沒有 1 年以上 Google Cloud 實務的話，第 3 到 5 章會卡住 —— 那不是多讀兩週能補的，先在專案裡實際跑過一輪比較快。
官方材料的優先序：Machine Learning Engineer 學習路徑（Google Skills 上的官方路徑，含實作 lab）→ 官方 sample questions → Google Cloud 產品文件。第三方題庫的風險在下一節。
三個會讓你白花 $200 的坑
第一，舊教材的產品名全部對不上。 這是這張考試現在最大的風險。考綱裡 Vertex AI 這個詞幾乎消失了：
| 舊名（多數教材仍在用） | 現行考綱用詞 |
|---|---|
| Vertex AI | Gemini Enterprise Agent Platform |
| Vertex AI AutoML | Agent Platform AutoML |
| Vertex AI Workbench | Agent Platform Workbench |
| Vertex AI Feature Store | Agent Platform Feature Store |
| Vertex AI Model Registry | Agent Platform Model Registry |
| Vertex AI Pipelines | Agent Platform Pipelines |
| Vertex AI Prediction | Agent Platform Inference |
| Model Garden | Model Garden（唯一沒改的） |
注意官方連自己的推薦教材都還沒跟上 —— 認證頁「Additional resources」列的 Wiley 官方 study guide，描述裡仍寫著「how to use the Vertex AI platform」。官方推薦不等於內容是新的，這條要自己把關。
第二，把「不直接考程式」誤解成「不用會寫」。 exam guide 的註腳寫「The exam does not directly assess coding skill. If you have a minimum proficiency in Python and SQL, you should be able to interpret any questions with code snippets.」—— 意思是題目裡會出現程式片段要你讀，不是不用會 Python 和 SQL。
第三，權重反著讀。 第 1 章最好準備但只有 13%，第 3、4、5 章合計 59% 卻最花時間。時間分配照權重走，不要照舒適度走。
考完之後：兩年效期與五折碼
PMLE 是 Professional 級，效期兩年，可在到期前 60 天開始續期。
續期方式在 2026 年動過，有兩件事會影響你的成本：
繼續教育續期目前輪不到 PMLE。 官方續期說明頁寫，用 Google Skills 的繼續教育可以加一年效期，表格上 Foundational、Associate、Professional 三級都列了 —— 但同頁但書明確限定只有 CDL、ACE、PCA、PDE 四張有這個選項，PMLE 不在內。官方說「We plan to add the Google Skills renewal option to the other certifications at a later date」，所以現在仍然只能重考，但這個限制看得出是暫時的。
續期有五折碼。 同一頁寫，初次取得認證時會發一組續期五折折扣碼，登入 CM Connect profile 查得到。$200 的續期實際上可以砍半 —— 前提是別讓證照過期超過 30 天，超過就得付全額重考。
以 Google 改產品名的頻率，兩年後大概率又是一輪新名詞。把「每兩年 $100（用折扣碼）加一次重新熟悉考綱」算進總成本，再決定這張值不值得。
會過期的東西（下次複查看這裡）
| 項目 | 現況（2026-08-18 查證） | 什麼時候要重查 |
|---|---|---|
| 考綱版本 | 已反映 Gemini Enterprise Agent Platform 改名 | Google Cloud Next 之後 |
| 六章權重 | 13 / 16 / 21 / 20 / 18 / 13 | 每次考綱更新 |
| 費用與題數 | $200、50–60 題、兩小時 | 每季 |
| 繼續教育續期 | 只開放 CDL / ACE / PCA / PDE | 官方說之後會擴大，值得追 |
| 重考政策 | 兩年 4 次、間隔 14 / 60 / 365 天 | 政策頁標示「recently updated」，會再變 |
| 考試語言 | 英文、日文 | 若加開中文會影響備考難度評估 |
參考資料
- Professional ML Engineer 官方考試指南（六章權重與 considerations 全文）
- Professional ML Engineer 認證頁（費用、題型、建議經驗）
- 官方 sample questions
- Machine Learning Engineer 官方學習路徑（Google Skills）
- Google Cloud Certification Renewal（續期方式、五折碼、繼續教育適用範圍）
- Introducing Gemini Enterprise Agent Platform
- Google Cloud Exam Terms & Conditions
站內相關
Loading...