Visão Geral

O curso Google Cloud Certified Professional Machine Learning Engineer foi desenvolvido para profissionais que desejam desenvolver competências avançadas para projetar, desenvolver, operacionalizar, monitorar e otimizar soluções de Machine Learning e Inteligência Artificial utilizando o Google Cloud.

A formação combina fundamentos avançados de Machine Learning, arquitetura de soluções de IA, preparação e gerenciamento de dados, desenvolvimento e treinamento de modelos, implantação e escalabilidade, MLOps, automação de pipelines, monitoramento, governança e práticas de Responsible AI.

O programa é estruturado em torno dos principais domínios avaliados na certificação Google Cloud Professional Machine Learning Engineer, incluindo a arquitetura de soluções de IA de baixo código, gerenciamento de dados e modelos, transformação de protótipos em modelos de produção, serving e escalabilidade, automação e orquestração de pipelines e monitoramento de soluções de IA.

Durante o treinamento, os participantes trabalham com cenários próximos aos encontrados em ambientes corporativos, analisando requisitos de negócio e escolhendo arquiteturas, serviços e estratégias adequadas para cada solução.

O curso também aborda tecnologias e serviços do ecossistema Google Cloud relacionados a Machine Learning, incluindo Vertex AI, BigQuery ML, BigQuery, Cloud Storage, Dataflow, Dataproc, TensorFlow, notebooks, pipelines, model serving, monitoramento e recursos de IA generativa, sempre considerando o ciclo de vida completo de uma solução de ML.

A formação possui forte componente prático, com laboratórios orientados e exercícios de arquitetura, desenvolvimento, treinamento, implantação, automação e monitoramento de modelos.

O programa também contempla uma etapa específica de Exam Preparation, com revisão dos domínios da certificação, análise de cenários, interpretação de requisitos técnicos e questões de preparação.

Objetivo

Após realizar este curso Google Cloud Certified Professional Machine Learning Engineer, você será capaz de:

• Estruturar problemas de negócio adequados para soluções de Machine Learning e Inteligência Artificial
• Avaliar quando utilizar Machine Learning, IA generativa, modelos pré-treinados, modelos customizados ou soluções de baixo código
• Projetar arquiteturas de Machine Learning utilizando serviços do Google Cloud
• Trabalhar com BigQuery ML para desenvolvimento de modelos e prototipação
• Preparar, transformar e explorar dados para projetos de Machine Learning
• Utilizar serviços de processamento distribuído para workloads de dados e ML
• Desenvolver e treinar modelos utilizando frameworks e serviços apropriados
• Avaliar modelos e selecionar métricas adequadas para diferentes problemas
• Aplicar técnicas de otimização e ajuste de hiperparâmetros
• Selecionar recursos computacionais adequados para treinamento
• Transformar protótipos de Machine Learning em soluções escaláveis
• Implantar modelos para inferência online e batch
• Projetar estratégias de serving e escalabilidade de modelos
• Trabalhar com versionamento, endpoints e gerenciamento do ciclo de vida dos modelos
• Criar e automatizar pipelines de Machine Learning
• Implementar práticas de MLOps para desenvolvimento, implantação e operação de modelos
• Automatizar processos de treinamento, validação, implantação e retreinamento
• Monitorar modelos e soluções de IA em produção
• Identificar problemas relacionados a drift, skew, qualidade de dados e degradação de modelos
• Aplicar práticas de segurança, governança e Responsible AI
• Analisar cenários semelhantes aos apresentados no exame Professional Machine Learning Engineer
• Desenvolver uma estratégia estruturada de preparação para a certificação

Publico Alvo

Pre-Requisitos

• Conhecimentos de Machine Learning e conceitos de Inteligência Artificial
• Conhecimentos de Python recomendados
• Conhecimentos básicos de SQL recomendados
• Experiência com manipulação, preparação e análise de dados
• Conhecimentos de conceitos de Cloud Computing
• Conhecimentos básicos ou experiência prática com Google Cloud
• Familiaridade com conceitos de treinamento, avaliação e implantação de modelos
• Experiência prévia com ferramentas de Data Science e Machine Learning é recomendada

O Google Cloud não estabelece pré-requisitos formais para realizar o exame, porém recomenda experiência profissional de 3 anos ou mais, incluindo pelo menos 1 ano projetando e gerenciando soluções utilizando Google Cloud.

Conteúdo Programatico

Module 1: Machine Learning Engineering on Google Cloud

1. Papel e responsabilidades do Professional Machine Learning Engineer
2. Ciclo de vida de uma solução de Machine Learning
3. Framing de problemas de negócio para Machine Learning
4. Identificação de casos de uso apropriados para ML e AI
5. Arquitetura de soluções de Machine Learning
6. Serviços e componentes do ecossistema Google Cloud para ML
7. Estratégias managed, low-code e custom
8. Critérios de escalabilidade, desempenho, custo e governança
9. Introdução a MLOps
10. Responsible AI e considerações de segurança

Module 2: Architecting Low-Code AI Solutions

1. Introdução ao desenvolvimento de soluções de IA com baixo código
2. BigQuery ML
3. Desenvolvimento de modelos diretamente sobre dados analíticos
4. Seleção de algoritmos e técnicas de Machine Learning
5. Treinamento e avaliação de modelos com BigQuery ML
6. Utilização de modelos pré-treinados e APIs de IA
7. AutoML e desenvolvimento simplificado de modelos
8. Escolha entre BigQuery ML, AutoML e treinamento customizado
9. Aplicação de modelos de IA a problemas corporativos
10. IA generativa e modelos fundacionais no Google Cloud
11. Seleção de soluções de IA generativa conforme o caso de uso
12. Considerações de custo, segurança, governança e desempenho

Module 3: Collaborating to Manage Data and Models

1. Arquitetura de dados para Machine Learning
2. Ingestão e armazenamento de dados
3. Cloud Storage
4. BigQuery
5. Cloud SQL e outras fontes de dados
6. Pub/Sub para ingestão de eventos
7. Preparação e transformação de dados
8. Dataflow e processamento de dados
9. Dataproc e processamento distribuído
10. Feature engineering
11. Data quality e validação de dados
12. Notebooks e ambientes de desenvolvimento
13. Experiment tracking
14. Gerenciamento de datasets e modelos
15. Feature management
16. Colaboração entre Data Engineering, Data Science e ML Engineering

Module 4: Scaling Prototypes into ML Models

1. Transformação de protótipos em soluções de produção
2. Seleção de algoritmos e arquiteturas de modelos
3. Model training
4. Custom training
5. Treinamento utilizando recursos gerenciados do Google Cloud
6. TensorFlow e frameworks de Machine Learning
7. Distribuição do treinamento
8. Seleção de CPU, GPU e outros aceleradores
9. Hyperparameter tuning
10. Model evaluation
11. Métricas de classificação, regressão e outros problemas
12. Overfitting e underfitting
13. Generalização de modelos
14. Reprodutibilidade
15. Model versioning
16. Experimentação e comparação de modelos
17. Otimização de desempenho e custo

Module 5: Serving and Scaling ML Models

1. Estratégias de deployment de modelos
2. Batch prediction
3. Online prediction
4. Model serving
5. Endpoints
6. Escalabilidade de inferência
7. Latência e throughput
8. Versionamento de modelos
9. Rollout e atualização de modelos
10. Estratégias de deployment
11. Integração de modelos com aplicações
12. APIs e serviços de inferência
13. Containerização de workloads de Machine Learning
14. Escalabilidade horizontal
15. Alta disponibilidade
16. Segurança de endpoints e modelos
17. Controle de custos de inferência

Module 6: Automating and Orchestrating ML Pipelines

1. Conceitos de ML Pipelines
2. Pipeline de ponta a ponta
3. Data ingestion
4. Data preprocessing
5. Feature engineering
6. Model training
7. Model evaluation
8. Model deployment
9. Vertex AI Pipelines
10. Orquestração de workflows
11. Automação de treinamento
12. Automação de retreinamento
13. Continuous Integration e Continuous Delivery para ML
14. MLOps
15. Metadata e lineage
16. Model Registry
17. Experiment tracking
18. Auditoria e rastreabilidade
19. CI/CD/CT para Machine Learning
20. Automação de workflows de produção

Module 7: Monitoring AI Solutions

1. Monitoramento de soluções de Machine Learning
2. Monitoramento de infraestrutura e serviços
3. Monitoramento de modelos em produção
4. Model performance
5. Data drift
6. Concept drift
7. Training-serving skew
8. Qualidade e distribuição dos dados
9. Detecção de degradação do modelo
10. Alertas e troubleshooting
11. Monitoramento de pipelines
12. Métricas e observabilidade
13. Estratégias de retraining
14. Análise de custos e utilização de recursos
15. Otimização de latência
16. Manutenção de modelos em produção

Module 8: Security, Governance and Responsible AI

1. Segurança no ciclo de vida de Machine Learning
2. Identity and Access Management
3. Controle de acesso a dados e modelos
4. Proteção de dados sensíveis
5. Criptografia e segurança de dados
6. Governança de datasets e modelos
7. Data lineage e auditoria
8. Responsible AI
9. Fairness e avaliação de vieses
10. Transparência e explicabilidade
11. Segurança de aplicações de IA generativa
12. Gestão de riscos de modelos
13. Compliance e requisitos organizacionais
14. Princípios de segurança para ambientes corporativos de AI/ML

Module 9: Generative AI for Machine Learning Engineers

1. Fundamentos de Generative AI
2. Foundation Models
3. Modelos Gemini e ecossistema de IA do Google Cloud
4. Model Garden e seleção de modelos
5. Prompt e context engineering
6. Grounding e utilização de dados corporativos
7. Avaliação de aplicações generativas
8. Integração de modelos generativos em aplicações
9. Fine-tuning e adaptação de modelos quando aplicável
10. Segurança e Responsible AI para GenAI
11. Arquitetura de soluções generativas
12. Critérios para seleção entre modelos pré-treinados, APIs e modelos customizados

Module 10: Hands-On Lab – End-to-End Machine Learning Solution

1. Definição do problema de negócio
2. Preparação do dataset
3. Armazenamento e exploração dos dados
4. Feature engineering
5. Desenvolvimento do modelo
6. Treinamento
7. Avaliação
8. Experimentação e otimização
9. Registro do modelo
10. Deployment
11. Configuração de inferência
12. Monitoramento
13. Análise de desempenho
14. Identificação de drift
15. Estratégia de retreinamento
16. Documentação da solução

Module 11: Certification Exam Preparation

1. Estrutura e características da certificação Professional Machine Learning Engineer
2. Revisão dos seis domínios avaliados
3. Arquitetura de soluções de IA
4. Gerenciamento de dados e modelos
5. Escalonamento de protótipos
6. Serving e scaling
7. Automação e orquestração
8. Monitoramento de soluções de IA
9. Análise de cenários corporativos
10. Interpretação de requisitos técnicos e de negócio
11. Análise de alternativas arquiteturais
12. Questões de múltipla escolha e múltipla seleção
13. Simulações e exercícios orientados
14. Estratégias de gerenciamento do tempo de prova
15. Revisão dos principais conceitos
16. Plano de estudos pós-treinamento