Professional Machine Learning Engineer · Preguntas de ejemplo
10 preguntas reales del banco de Professional Machine Learning Engineer de CertifyDeck, repartidas por los dominios del temario oficial de Google Cloud Certified Professional Machine Learning Engineer, con la respuesta correcta y la explicación completa de por qué las demás opciones no lo son. Son preguntas originales redactadas a partir del temario público, no dumps, y tienen el mismo estilo que encontrarás en los tests de práctica y en el simulador.
Respuesta correcta: A. Llamar a ML.TRANSFORM con el modelo y una consulta que seleccione las columnas de entrada sin transformar de esos clientes.
ML.TRANSFORM aplica las transformaciones recogidas en la cláusula TRANSFORM de un modelo, con las estadísticas calculadas en el entrenamiento, y devuelve los datos preprocesados, que son exactamente lo que ve el modelo al servir. Copiar las expresiones en una consulta nueva recalcularía las estadísticas analíticas sobre las filas seleccionadas en lugar de reutilizar las del entrenamiento. ML.EXPLAIN_PREDICT y ML.FEATURE_IMPORTANCE devuelven atribuciones o puntuaciones de importancia, no los valores transformados.
Respuesta correcta: A. Layout Parser, para extraer texto, tablas y listas y devolver fragmentos con contexto para la recuperación.
Respuesta correcta: C. Alargar el intervalo de la programación según lo despacio que cambian los datos y mantener las alertas de Model Monitoring ante cambios.
Respuesta correcta: C. Crear la ejecución como canalización de entrenamiento con la clase CustomTrainingJob del SDK y definir model_serving_container_image_uri.
Respuesta correcta: B. Usar Agent Platform SDK for Python para crear un CustomJob a partir del script local con la URI del contenedor prediseñado de scikit-learn.
Respuesta correcta: A. Llamar a aiplatform.init con el nombre del experimento y después a aiplatform.autolog() antes de entrenar.
Respuesta correcta: C. Retirar el modelo del extremo y después eliminar el extremo, conservando el modelo en Model Registry.
Respuesta correcta: D. Guarda el booster con save_model como model.bst en Cloud Storage e impórtalo con el contenedor prediseñado de XGBoost de esa versión.
Respuesta correcta: A. Una métrica basada en cálculo como ROUGE que compare cada respuesta con el resumen de referencia de los abogados.
Responde cada pregunta antes de abrir la explicación y anota por qué descartas las demás opciones. En Professional Machine Learning Engineer, la mayoría de los fallos vienen de elegir una opción técnicamente posible que no cumple todos los requisitos del escenario.
Estas 10 preguntas sirven para conocer el formato, no como diagnóstico. Para saber en qué dominios fallas, practica por dominio gratis y haz un examen de prueba cronometrado con la ponderación y la duración oficiales.
Empieza gratis, sin registro ni tarjeta. Todas las preguntas llevan una explicación como las de arriba y el simulador reproduce el formato oficial de Professional Machine Learning Engineer.
Layout Parser extrae elementos del documento como texto, tablas y listas y crea fragmentos con contexto pensados para la recuperación de información en aplicaciones de IA generativa, que es justo el problema de fragmentación descrito. Enterprise Document OCR devuelve texto y diseño pero deja la fragmentación en tus manos, así que la división en bloques fijos seguiría cortando tablas. Form Parser se centra en pares clave-valor y tablas de formularios estructurados, y Custom Splitter separa un archivo en documentos en lugar de producir fragmentos para recuperación.
Según las directrices de Google, la frecuencia de reentrenamiento depende de lo a menudo que cambian los patrones de los datos y de lo caro que sea volver a entrenar, y hay que tener en cuenta cuánto cambian los datos al elegir la cadencia; las alertas de supervisión cubren el caso de que los datos sí cambien. Dejar de reentrenar para siempre renuncia a adaptarse. Entrenar con un solo día de datos o con máquinas mayores mantiene las ejecuciones diarias que no aportan valor.
Una canalización de entrenamiento (CustomTrainingJob) ejecuta el trabajo personalizado y puede importar los artefactos exportados en Agent Platform como recurso Model, con el contenedor de inferencia que indiques. La documentación indica que el código de entrenamiento no puede exportar artefactos de forma que cree directamente un recurso Model, así que un CustomJob normal no registra nada, y un trabajo de ajuste de hiperparámetros solo sube un modelo cuando también se envuelve en una canalización de entrenamiento.
Un único archivo de Python ejecutado con el SDK como CustomJob se empaqueta y se instala en un contenedor prediseñado, opción que la visión general del entrenamiento sin servidores describe como adecuada para prototipos y de poco esfuerzo. Un contenedor personalizado tiene un esfuerzo de configuración alto, GKE con Kubeflow Trainer añade la operación de un clúster, y AutoML descartaría el código que ya escribió la científica de datos.
El registro automático del SDK guarda automáticamente en Experiments los parámetros y las métricas de cada entrenamiento y admite frameworks como scikit-learn y XGBoost, creando las ejecuciones del experimento si no les das nombre. Escribir registros de TensorBoard o entradas personalizadas de ML Metadata exige más código en cada ejecución. Un servidor de MLflow autogestionado añade infraestructura que mantener, mientras que el registro automático ya usa internamente el autologging de MLflow dentro del servicio gestionado.
Con los modelos abiertos de Model Garden se cobra por los recursos de computación usados para desplegar el modelo en un extremo, así que hay que retirar el modelo del extremo y después eliminar el extremo; el extremo solo se puede eliminar cuando no queda ningún modelo desplegado. No se puede eliminar primero el extremo mientras haya un modelo desplegado, y eliminar el modelo de Model Registry hace perder el modelo que el equipo quiere conservar. La plantilla de entorno de ejecución afecta a los entornos de los notebooks, no al extremo.
La inferencia por lotes es una solicitud asíncrona (un BatchPredictionJob) que se envía directamente a un Model que no está desplegado en un extremo, pensada para datos acumulados cuando no necesitas respuesta inmediata, y lee y escribe en BigQuery o Cloud Storage. Desplegar en un extremo asocia recursos de cómputo al modelo durante todo el día, justo lo que quieres evitar. Un extremo local está pensado para desarrollo y pruebas, y un servicio de Cloud Run llamado fila a fila añade trabajo de empaquetado y orquestación para algo que la inferencia por lotes ya resuelve.
Los contenedores prediseñados ofrecen servidores HTTP de inferencia que funcionan con la mínima configuración; para XGBoost el artefacto debe ser model.bst guardado con Booster.save_model (o model.joblib), y creas el Model con el contenedor prediseñado que coincide con la versión de entrenamiento. Un contenedor personalizado funcionaría, pero obliga a crear y mantener una imagen, algo que el enunciado descarta. El archivo .mar es el formato del contenedor prediseñado de PyTorch, y el SavedModel es el de TensorFlow.
Las métricas basadas en cálculo evalúan las respuestas con algoritmos deterministas como ROUGE o BLEU y están pensadas para cuando existe una verdad fundamental, como los resúmenes de referencia de este caso. Las métricas basadas en rúbricas y las comparaciones por pares dependen de un modelo juez, que puede mostrar aleatoriedad; el multimuestreo mejora la coherencia pero no hace determinista la puntuación, así que no cumple el requisito de cumplimiento.