Kursbeschreibung
Das Google Cloud Machine Learning Engineer Training bereitet dich darauf vor, szenariobasierte Prüfungsaufgaben in Anforderungen, Einschränkungen und Betriebsziele zu zerlegen. Du vergleichst Google-Cloud-Dienste anhand technischer Kriterien und begründest, warum eine Lösung besser zum beschriebenen Problem passt als die übrigen Antwortoptionen. Der aktuelle offizielle Prüfungsleitfaden berücksichtigt klassische ML-Verfahren, generative KI, MLOps und den Übergang von Vertex AI zur Gemini Enterprise Agent Platform.
Bei der Datenaufbereitung entscheidest du zwischen BigQuery, SQL-basierten Transformationen und Feature-Management. Du vergleichst im Training BigQuery ML, AutoML und Custom Training anhand des Problemtyps, der Datenmenge und der Anforderungen an Skalierung oder Interpretierbarkeit. Metriken wählst du so, dass sie die fachlichen Fehlerkosten des Szenarios abbilden. Generative KI behandelst du über Foundation Models, Prompt- und Context-Engineering, RAG sowie die Evaluation erzeugter Ergebnisse.
Der Betrieb von ML-Lösungen umfasst wiederverwendbare Pipelines, Artefakt-Lineage, CI/CD/CT, Modellversionen und kontrollierte Rollouts. Du unterscheidest Batch- und Online-Inference, erkennst Data-Drift oder Training-Serving-Skew und leitest ab, ob ein erneutes Training, eine Datenprüfung oder eine Anpassung der Infrastruktur nötig ist. Diese Entscheidungslogik verhindert, dass du in der Prüfung eine technisch mögliche, aber unnötig aufwendige oder riskante Lösung auswählst.
Hands-on-Labs verbinden die Prüfungsfragen mit konkreten Google-Cloud-Workflows. In kleinen Gruppen mit zwei bis acht Personen bleibt Zeit, Begründungen zu prüfen und Wissenslücken nach Prüfungsdomänen zu priorisieren. Weitere Trainings findest du in der Kategorie Google Cloud KI-Schulungen. Wähle zum Abschluss einen verfügbaren Termin für deine viertägige Prüfungsvorbereitung.
Die wichtigsten Themen im Überblick
- Prüfungsfälle systematisch analysieren
- BigQuery ML und AutoML auswählen
- ML-Pipelines automatisieren
- Modelle kontrolliert bereitstellen
- Drift und Serving-Probleme erkennen
- Persönlichen Lernplan erstellen
Zielgruppe
- ML-Engineers mit praktischer Google-Cloud-Erfahrung
- Data Scientists mit Verantwortung für Produktionsmodelle
- Cloud Architects für ML- und GenAI-Lösungen
- Fachkräfte mit ersten Google-Cloud-ML-Projekten und Zertifizierungsziel
Voraussetzung für die Schulung
- Praktische Erfahrung mit Google-Cloud-Diensten und -Ressourcen
- Machine-Learning-Grundlagen, etwa aus dem Python Machine Learning Grundkurs
- Grundkenntnisse in Python und SQL
- Erste Erfahrungen mit Modellen, Trainingsdaten und Metriken
Kursinhalte
Prüfungsrahmen und Entscheidungsmuster
- Prüfungsdomänen im offiziellen Leitfaden
- Szenariofragen in Anforderungen zerlegen
- Antwortoptionen anhand technischer Kriterien vergleichen
- Zeitbudget pro Prüfungsaufgabe planen
Daten- und Feature-Vorbereitung
- Datenquellen nach Umfang auswählen
- BigQuery-Datensätze mit SQL analysieren
- Trainingsdaten für ML aufbereiten
- Trainingssplits ohne Data-Leakage erstellen
- Features im Feature Store verwalten
- Sensible Daten angemessen schützen
Modellwahl und Training
- BigQuery ML für Baselines einsetzen
- AutoML nach Problemtyp auswählen
- Custom Training für eigene Modelle konfigurieren
- Hyperparameter-Tuning für Trainingsläufe durchführen
- CPU, GPU und TPU vergleichen
- Metriken nach Fehlerkosten auswählen
Generative KI und Responsible AI
- Foundation Models im Model Garden vergleichen
- Gemini-Modelle auf Aufgaben abstimmen
- RAG-Architekturen für Kontextzugriff entwerfen
- Prompt- und Context-Engineering anwenden
- Generative Modellausgaben systematisch evaluieren
- Bias und Modellrisiken bewerten
- Safety-Filter und Model Armor auswählen
- Zugriffsrechte mit IAM begrenzen
Automatisierte ML-Pipelines
- Pipeline-Komponenten wiederverwendbar entwickeln
- Daten und Modelle automatisiert validieren
- Artefakte und Lineage nachverfolgen
- Trainingsläufe ereignisbasiert auslösen
- CI/CD/CT für ML umsetzen
- Retraining-Richtlinien nach Signalen festlegen
Bereitstellung und Skalierung
- Batch- und Online-Inference vergleichen
- Modelle in der Model Registry versionieren
- Öffentliche und private Endpunkte auswählen
- Traffic-Splits für Modellversionen konfigurieren
- Canary-Deployments und A/B-Tests planen
- Rollback auf freigegebene Versionen durchführen
- Serving-Ressourcen nach Durchsatz auswählen
Monitoring und Fehleranalyse
- Model Monitoring für Produktionsmodelle konfigurieren
- Training-Serving-Skew bei Features erkennen
- Daten-, Konzept- und Vorhersagedrift unterscheiden
- Cloud Logging für Fehleranalysen nutzen
- Cloud Monitoring für Betriebsmetriken nutzen
- Schwellenwerte für erneutes Training bestimmen
Prüfungstraining und Lernplan
- Szenariofragen unter Zeitvorgabe bearbeiten
- Unnötige Betriebsarbeit in Lösungen erkennen
- Antworten mit Szenarioangaben begründen
- Wissenslücken nach Prüfungsdomänen priorisieren
- Lernplan bis zum Prüfungstermin erstellen
