認定試験の出題内容は定期的に見直されるため、古い教材では太刀打ちできません。CertJukenのProfessional-Machine-Learning-Engineer問題集は412問を収録し、購入後365日間無料で更新され、2026年の最新傾向にも対応した内容を受け取れます。
Google Professional-Machine-Learning-Engineer 試験概要:
| 認定ベンダー: | Google Cloud |
|---|---|
| 試験名: | Google Cloud 認定 - Professional 機械学習エンジニア |
| 試験番号: | Professional-Machine-Learning-Engineer |
| 認定の有効期間: | 2年 |
| 受験料: | $200 USD |
| 試験形式: | 多肢選択式, 複数選択式 |
| 出題数: | 50-60 |
| 合格点: | 非公開（合否判定） |
| 試験時間: | 120 分 |
| 関連資格: | Google Cloud 認定 - Professional データエンジニア |
| 対応言語: | 日本語, 英語 |
| サンプル問題: |  |
| 受験方法: | オンライン（監督付き）または試験会場（Kryterion） |
| 前提条件: | ML モデルに関する業界経験が 3 年以上あり、Google Cloud の利用経験が 1 年以上あることが推奨されます。 |
| 公式シラバスのURL: | https://cloud.google.com/learn/certification/machine-learning-engineer |
Google Professional-Machine-Learning-Engineer 試験シラバストピック:
| セクション | 目標 |
|---|---|
| モデルの提供とスケーリング | - オンライン予測（Vertex AI Prediction） - バッチ予測 - モデル最適化（量子化、蒸留） - 提供時のハードウェアアクセラレータ（GPU/TPU） |
| ローコードの ML ソリューションの設計 | - 事前構築済みの ML モデルをサービスとして活用する（例: Vision AI、Speech-to-Text、Recommendations AI） - AutoML の機能と実装 - 基本モデルに BigQuery ML を実装する |
| ML パイプラインの自動化とオーケストレーション | - パイプラインのトリガーとスケジューリング - Vertex AI Pipelines（Kubeflow Pipelines） - ML システム向けの CI/CD |
| ML ソリューションの監視 | - パフォーマンス監視とドリフト検出 - モデル再学習戦略 - ログ記録とアラート（Cloud Monitoring） |
| チーム内およびチーム間でデータとモデルを管理するための連携 | - データ管理とガバナンス - バージョン管理と再現性（例: DVC、MLOps） - データサイエンティスト、データエンジニア、ML エンジニア間の連携 |
| プロトタイプを ML モデルへスケールさせる | - フレームワーク（TensorFlow、PyTorch、JAX、Scikit-learn） - 大規模トレーニング（分散トレーニング、TPU） - ハイパーパラメータ調整 |
Google Professional Machine Learning Engineerに関するよくある質問
Professional-Machine-Learning-Engineerは、Googleが実施する「Google Cloud Certified」を取得するための認定試験です。認定レベルはProfessionalで、実務に即した知識とスキルが問われます。Google Cloud 認定 - Professional データエンジニアなどの関連認定へのステップとしても位置づけられており、キャリアアップを目指す方に広く選ばれています。CertJukenの練習問題を活用すれば、試験の全体像を把握しながら計画的に対策を進められます。
Professional-Machine-Learning-Engineer試験の問題数は50-60、制限時間は120 分です。1問あたりに使える時間を意識すると、序盤で時間を使いすぎないペース配分が重要になります。見直しの時間を確保するためにも、CertJukenの模擬試験で時間を計りながら解く練習を重ね、本番と同じ時間感覚を身につけておくと安心です。
Professional-Machine-Learning-Engineer試験の合格基準点は非公開（合否判定）で、受験料は$200 USDです。万が一不合格になった場合、再受験には再度全額の受験料が必要になります。そのため、本番の前にCertJukenの練習問題で安定して合格点を超えられるかを確認してから受験することをおすすめします。
はい。CertJukenではProfessional-Machine-Learning-Engineer練習問題の無料サンプル（PDFデモ）を用意しており、内容や使い勝手を確かめてから購入を判断できます。購入後は365日間の無料更新が付き、更新期間の終了後は50%割引で継続更新を利用できます。
CertJukenでは「返金保証」を用意しています。購入後60日以内にProfessional-Machine-Learning-Engineer試験を受験して不合格だった場合、受験票の写しと公式のスコアレポート（Score Report）のPDFを試験後2日以内に提出すれば、7日以内に全額返金の手続きが完了します。なお、受験者名と購入時の支払者名が一致している必要があり、購入から3日以内の受験や、実際に受験しなかった場合は対象外です。返金の代わりに、同等の試験対策教材2つを無料で受け取り、購入済み製品の更新サービスを継続する選択も可能です。商品は購入後すぐにダウンロードでき、メールでも1分以内にお届けします。2時間経っても届かない場合はカスタマーサポートまでご連絡ください。インストールできるパソコンの台数に制限はありません。
Professional-Machine-Learning-Engineer試験の出題範囲は6の分野に分かれています。主な分野はML パイプラインの自動化とオーケストレーション、ローコードの ML ソリューションの設計、プロトタイプを ML モデルへスケールさせるです。各分野の詳細な出題項目は、このページ上部の出題範囲一覧で確認できます。
Google Professional Machine Learning Engineer 認定 Professional-Machine-Learning-Engineer 試験問題：
You have deployed a scikit-team model to a Vertex AI endpoint using a custom model server.
You enabled autoscaling: however, the deployed model fails to scale beyond one replica, which led to dropped requests. You notice that CPU utilization remains low even during periods of high load. What should you do?
- A. Increase the number of workers in your model server
- B. Schedule scaling of the nodes to match expected demand
- C. Attach a GPU to the prediction nodes
- D. Increase the minReplicaCount in your DeployedModel configuration
正解：A 🗳️
You are creating a model training pipeline to predict sentiment scores from text-based product reviews. You want to have control over how the model parameters are tuned, and you will deploy the model to an endpoint after it has been trained. You will use Vertex AI Pipelines to run the pipeline. You need to decide which Google Cloud pipeline components to use. What components should you choose?
- A. TabularDatasetCreateOp, CustomTrainingJobOp, and EndpointCreateOp
- B. TabularDatasetCreateOp. AutoMLTextTrainingOp, and ModelDeployOp
- C. TextDatasetCreateOp, AutoMLTextTrainingOp, and EndpointCreateOp
- D. TextDatasetCreateOp, CustomTrainingJobOp, and ModelDeployOp
正解：D 🗳️
You have deployed a custom classification model to an Agent Platform endpoint to predict the likelihood of customer churn in real-time. You need to collect the data to calculate the model's exact precision and recall by comparing production predictions with ground truth data in BigQuery. You want to minimize development effort. What should you do?
- A. Schedule a daily Agent Platform batch prediction job that uses the same model resource as the deployed endpoint and stores predictions in BigQuery.
- B. Update the model deployment parameters to enable request-response logging to BigQuery. Set the sampling rate to 1.0.
- C. Modify the prediction container to asynchronously write the prediction result to BigQuery after every request.
- D. Create a model evaluation job by providing the model resource and the BigQuery ground truth table to calculate precision and recall.
正解：B 🗳️
解説: (CertJuken メンバーにのみ表示されます)
You are an AI engineer with an apparel retail company. The sales team has observed seasonal sales patterns over the past 5-6 years. The sales team analyzes and visualizes the weekly sales data stored in CSV files. You have been asked to estimate weekly sales for future seasons to optimize inventory and personnel workloads. You want to use the most efficient approach. What should you do?
- A. Upload the files into Cloud Storage. Use Python to preprocess and load the tabular data into BigQuery. Use time series forecasting models to predict weekly sales.
- B. Create a custom conversational application using Vertex AI Agent Builder. Include code that enables file upload functionality, and upload the files. Use few-shot prompting and retrieval- augmented generation (RAG) to predict future sales trends by using the Gemini large language model (LLM).
- C. Upload the files into Cloud Storage. Use Python to preprocess and load the tabular data into BigQuery. Train a logistic regression model by using BigQuery ML to predict each product's weekly sales as one of three categories: high, medium, or low.
- D. Load the files into BigQuery. Preprocess data by using BigQuery SQL. Connect BigQuery to Looker. Create a Looker dashboard that shows weekly sales trends in real time and can slice and dice the data based on relevant filters.
正解：A 🗳️
解説: (CertJuken メンバーにのみ表示されます)
You work for a public transportation company and need to build a model to estimate delay times for multiple transportation routes. Predictions are served directly to users in an app in real time.
Because different seasons and population increases impact the data relevance, you will retrain the model every month. You want to follow Google-recommended best practices. How should you configure the end-to-end architecture of the predictive model?
- A. Use Cloud Composer to programmatically schedule a Dataflow job that executes the workflow from training to deploying your model.
- B. Write a Cloud Functions script that launches a training and deploying job on AI Platform that is triggered by Cloud Scheduler.
- C. Configure Kubeflow Pipelines to schedule your multi-step workflow from training to deploying your model.
- D. Use a model trained and deployed on BigQuery ML, and trigger retraining with the scheduled query feature in BigQuery.
正解：C 🗳️
解説: (CertJuken メンバーにのみ表示されます)
杏さ**
Aizawa
土*舞
Ikehata
