MLA-C02 自 2026 年 9 月 29 日起取代英文版的 MLA-C01。四章權重 28 / 24 / 24 / 24，章節名稱都加上了 AI 或 FM：官方對照表列出 45 條新增技能，內容是向量資料庫、embedding、RAG、基礎模型的選擇與微調、agent 的部署與監控，另刪掉 7 條。目前是英文 beta（考試代碼 ME1-C02、170 分鐘、85 題、$75）；正式版依考試指南是 65 題、及格 720、效期 3 年，日文、韓文、簡中要等正式上線，沒有繁體中文。
AI-300（Machine Learning Operations Engineer Associate）接替 2026 年 6 月 1 日退場的 DP-100。五塊權重 15–20 / 25–30 / 20–25 / 10–15 / 10–15：前兩塊是 Azure Machine Learning 上的傳統 MLOps，合計 40–50%；後三塊是 Microsoft Foundry 上的 GenAIOps，合計 40–55%。官方點名 MLflow、Bicep、Azure CLI、GitHub Actions。官方規格：美國 $165、台灣 $83、120 分鐘、及格 700、效期一年，考試只有英文。
Vertex AI 不是只有 Gemini API，而是把 200+ 個模型的取用、訓練、評估、部署與治理放進同一個 Google Cloud 控制面；2026 年 4 月後，它的產品與後續藍圖已併入 Gemini Enterprise Agent Platform，但 Vertex AI API、文件路徑與既有資源名稱仍大量存在。
ML System Design 面試的核心不是選模型，而是怎麼把一個商業目標變成一個可上線、可監控、可迭代的 ML 系統。面試官想看你能不能：把業務目標翻成 ML 目標、設計 data pipeline 和 feature store、選擇合理的 serving 策略、規劃 monitoring 和 A/B testing。
MLOps 面試考的是你有沒有把模型推上生產的經驗。高頻考點：ML pipeline 的 CI/CD（跟軟體 CI/CD 有什麼不同）、model registry 與版本管理、A/B testing 的設計與陷阱、inference 的 scaling 策略（水平擴展、模型壓縮、caching），以及生產環境的 monitoring 與 alerting 設計。
Google Professional ML Engineer 的考綱在 2026 年被重寫，Vertex AI 全面改名為 Gemini Enterprise Agent Platform，舊教材的產品名對不上題目。這篇以官方 exam guide 的六章權重為骨架，逐章列出考什麼、配哪些官方材料、練什麼，並換算成一份看得懂依據的時程。官方規格：$200、兩小時、50–60 題單選加複選、效期兩年、建議 3 年以上業界經驗含 1 年以上 Google Cloud。
Andrew Ng 用人臉辨識開門系統走完整個專案生命週期，而全講只有一個核心論點：速度。他給團隊的期限是兩天，理由是「花在準備資料的時間，應該和訓練一次模型的時間相稱」。最後收在一句話：我的工作是做出一個真的能用的東西，那和做出一個在測試集上能用的東西不一樣。