Un Professional Machine Learning Engineer gestiona grandes volúmenes de datos, desarrolla código reutilizable, diseña pipelines de ML, implementa prácticas de MLOps y optimiza el rendimiento de modelos en entornos empresariales. Además, aplica principios de IA responsable, gobernanza de datos, monitorización continua y mejora del ciclo de vida de los modelos, utilizando las capacidades más recientes de Google Cloud como Gemini, Model Garden, Agent Platform y servicios avanzados de IA.
Profesionales con experiencia en machine learning, IA generativa y aplicaciones cloud que busquen validar oficialmente sus conocimientos.
Dominio 1. Arquitectura de soluciones de IA low-code
Desarrollo de modelos de machine learning mediante BigQuery ML o AutoML en Gemini Enterprise Agent Platform
Construcción de modelos en BigQuery ML o Agent Platform AutoML (como clasificación, regresión, predicción y clustering) en función del problema de negocio.
Aplicación de técnicas de ingeniería y selección de características (feature engineering) mediante BigQuery ML.
Generación de predicciones utilizando BigQuery ML.
Entrenamiento de modelos con Agent Platform AutoML.
Ajuste fino (fine-tuning) de modelos Gemini utilizando BigQuery.
Desarrollo de soluciones de IA mediante las APIs de IA de Google Cloud o modelos fundacionales
Evaluación y selección del modelo más adecuado para cada caso de uso mediante Gemini Enterprise Agent Platform Model Garden.
Desarrollo de aplicaciones utilizando APIs específicas del sector, como Document AI API, Vision API o Translate API.
Desarrollo de soluciones y ajuste de modelos para casos de uso específicos utilizando Gemini, Imagen, Veo y los modelos disponibles como servicio en Model Garden.
Optimización de aplicaciones basadas en Gemini en términos de coste, latencia y disponibilidad.
Dominio 2. Colaboración entre equipos para la gestión de datos y modelos
Exploración y preprocesamiento de datos para machine learning
Organización y exploración de distintos tipos de datos (tabulares, texto e imágenes) para facilitar la experimentación, el entrenamiento y la inferencia.
Selección de la herramienta de preprocesamiento más adecuada según la escala y complejidad del proyecto (BigQuery SQL, Dataflow, Apache Spark o frameworks Python en memoria).
Creación y consolidación de características mediante Gemini Enterprise Agent Platform Feature Store.
Protección de la privacidad de los datos y tratamiento de información sensible o identificable (PII).
Creación de prototipos de modelos mediante notebooks
Aplicación de buenas prácticas de colaboración y seguridad en entornos de notebooks.
Desarrollo de modelos mediante Gemini Enterprise Agent Platform Workbench o Colab Enterprise utilizando frameworks como PyTorch, scikit-learn o JAX.
Utilización de modelos fundacionales y modelos open source de Model Garden para crear prototipos.
Seguimiento y ejecución de experimentos de machine learning
Selección del entorno de Google Cloud más adecuado para desarrollo y experimentación (Experiments on Gemini Enterprise Agent Platform, Agent Platform Pipelines y Kubeflow Pipelines).
Evaluación de soluciones predictivas y de IA generativa mediante métricas de evaluación y técnicas como LLM-as-a-Judge.
Seguimiento y comparación de artefactos, versiones y trazabilidad de modelos mediante Experiments y ML Metadata.
Dominio 3. Escalado de prototipos hacia modelos de machine learning
Construcción de modelos considerando coste, complejidad, latencia y escalabilidad
Selección del tipo de modelo más adecuado (ARIMA, DNN, LLM, entre otros).
Selección del servicio o producto apropiado (Agent Platform AutoML, BigQuery ML o Agent Platform Pipelines).
Selección de la estrategia de despliegue.
Aplicación de técnicas de modelado teniendo en cuenta los requisitos de interpretabilidad.
Entrenamiento de modelos
Organización de datos de entrenamiento (tabulares, texto, voz, imágenes y vídeo) utilizando Cloud Storage y BigQuery.
Ingesta de datos estructurados y no estructurados en pipelines de entrenamiento.
Entrenamiento de modelos mediante diferentes SDK y herramientas, como Agent Platform Custom Training, Kubeflow sobre GKE, Agent Platform AutoML o Tabular Workflows.
Resolución de incidencias durante el entrenamiento de modelos.
Optimización mediante ajuste de hiperparámetros.
Ajuste fino (fine-tuning) de modelos fundacionales de Agent Platform y Model Garden, identificando cuándo resulta recomendable aplicarlo.
Selección del hardware adecuado para el entrenamiento
Evaluación de las distintas opciones de cómputo y aceleración (CPU, GPU y TPU).
Comprensión de las estrategias de entrenamiento distribuido sobre GPU y TPU mediante paralelismo de datos y de modelos.
Dominio 4. Publicación y escalado de modelos
Publicación de modelos
Despliegue de modelos para inferencia batch y online utilizando servicios como Agent Platform, Model Garden, Cloud Run o GKE.
Empaquetado y publicación de modelos desarrollados con distintos frameworks mediante contenedores predefinidos o personalizados.
Organización y versionado de modelos mediante Gemini Enterprise Agent Platform Model Registry.
Implementación de estrategias de despliegue como pruebas A/B y despliegues Canary para comparar versiones de modelos.
Desarrollo de soluciones para el preprocesamiento y postprocesamiento durante la inferencia.
Escalado del servicio de inferencia online
Gestión y publicación de características mediante Agent Platform Feature Store.
Despliegue de modelos en endpoints públicos y privados.
Selección del hardware más adecuado (CPU, GPU, TPU y dispositivos Edge).
Escalado del backend de inferencia según el volumen de peticiones utilizando Agent Platform Inference y servicios basados en contenedores.
Optimización de modelos para entrenamiento e inferencia en producción.
Dominio 5. Automatización y orquestación de pipelines de machine learning
Desarrollo de pipelines completos de machine learning
Validación de datos y modelos.
Construcción y orquestación de pipelines utilizando servicios gestionados o no gestionados, así como plantillas o soluciones personalizadas (Agent Platform Pipelines, Managed Service for Apache Airflow y Ray sobre Gemini Enterprise Agent Platform).
Garantizar la coherencia del preprocesamiento de datos entre las fases de entrenamiento e inferencia.
Automatización del reentrenamiento de modelos
Definición de políticas adecuadas de reentrenamiento.
Despliegue de modelos mediante pipelines de integración continua, entrega continua y entrenamiento continuo (CI/CD/CT), utilizando herramientas como Cloud Build.
Dominio 6. Monitorización de soluciones de inteligencia artificial
Identificación de riesgos en soluciones de inteligencia artificial
Desarrollo de sistemas de IA seguros mediante protección frente a fugas de datos, explotación no autorizada, malicious prompting y exposición de información sensible, utilizando herramientas como expresiones regulares, filtros de seguridad y Model Armor.
Aplicación de principios de IA responsable, incluyendo la monitorización de sesgos.
Interpretabilidad de modelos mediante las capacidades de Agent Platform.
Monitorización, pruebas y resolución de incidencias en soluciones de IA
Configuración y utilización de Model Monitoring en Gemini Enterprise Agent Platform para establecer métricas continuas de evaluación en producción.
Supervisión de problemas habituales como training-serving skew, data drift, concept drift y feature attribution drift.
Monitorización, pruebas y evaluación de soluciones de inteligencia artificial generativa.
Certificación oficial Professional Machine Learning Engineer de Google Cloud, que valida tu capacidad para diseñar, desarrollar, desplegar y optimizar soluciones de inteligencia artificial y machine learning.
No existen requisitos previos para tomar este examen de certificación.
Otros cursos
