Guide complet PMLE — Google
Google Professional Machine Learning Engineer · Programme, plan de révision, ressources, examen blanc gratuit.
Le Google Professional Machine Learning Engineer (PMLE) cible les ingenieurs ML, data scientists et MLOps engineers maitrisant Vertex AI. Examen QCM de 60 questions en 2h, sans score officiel publie (estime 70-75%), au prix de 200 USD. Prerequis recommandes : 3 ans d'experience dont 1 an sur Google Cloud. Debouches : ML Engineer, MLOps Lead, AI Architect avec salaires de 65 a 110k EUR en France. Certification reconnue mondialement, ideale pour valoriser une expertise en industrialisation IA sur GCP.
Pourquoi passer la certification PMLE ?
Passer le PMLE en 2026 represente un investissement strategique majeur. La demande pour des ingenieurs ML capables d'industrialiser des modeles en production explose, portee par la generalisation de l'IA generative et des LLMs en entreprise. Google Cloud detient environ 12% du marche cloud mondial et croit plus vite que ses concurrents sur les charges de travail IA, notamment grace a Vertex AI, Gemini et l'integration native BigQuery ML. Cette certification valide une competence rare : savoir deployer, monitorer et optimiser des pipelines ML scalables, pas seulement entrainer des modeles. Sur LinkedIn France, les offres mentionnant 'Vertex AI' ou 'GCP ML' ont triple en 18 mois. Le ROI est concret : une etude Google 2025 estime une augmentation salariale moyenne de 18 a 25% post-certification pour les profils ML. Le PMLE differencie un candidat dans un marche sature de profils 'data scientists juniors' en attestant d'une expertise MLOps complete (CI/CD ML, feature store, model registry, monitoring de drift). Les recruteurs ESN, scale-ups IA et grands comptes (BNP, Carrefour, Orange) valorisent fortement cette cert pour des roles seniors. Elle ouvre aussi les portes des programmes partenaires Google Cloud, un atout pour consultants independants.
Caractéristiques de l'examen
| Format | QCM et QCM a choix multiples, 50-60 questions |
|---|---|
| Duree | 120 minutes |
| Score requis | Non communique officiellement (estime 70-75%) |
| Prix officiel | 200 USD (environ 185 EUR) |
| Langues | Anglais, Japonais |
| Validite | 2 ans |
| Prerequis | 3 ans d'experience recommandes dont 1 an sur GCP |
Programme détaillé par domaine
Domain 1 : Architecting low-code AI solutions 13%
- Objectifs
- Ce domaine evalue la capacite a concevoir des solutions IA avec un minimum de code en exploitant les APIs pre-entrainees Google et les outils AutoML. L'objectif est de savoir quand privilegier une approche low-code plutot que custom training, en fonction des contraintes business, du volume de donnees et du time-to-market. Le candidat doit savoir orchestrer des workflows BigQuery ML, integrer des APIs Vision, Speech, Translation et Natural Language, et exploiter Vertex AI AutoML pour des cas tabulaires, image ou texte. La maitrise des couts associes et des limites de chaque service est evaluee.
- Concepts clés
- BigQuery ML (CREATE MODEL, types supportes comme XGBoost, ARIMA_PLUS, DNN), AutoML Tables/Vision/NLP, fine-tuning de modeles pre-entrainees, Document AI pour extraction structuree, Contact Center AI, Recommendations AI. Comprendre les compromis entre AutoML et custom training : cout, controle, performance, explicabilite. Notions sur Gemini API et Model Garden pour acceder a des LLMs pre-entrainees. Savoir choisir entre un appel API simple et un fine-tuning supervise selon le besoin metier. Connaitre les quotas, limites de taille et formats supportes pour chaque API.
- Services / outils
- Vertex AI AutoML, BigQuery ML, Vision API, Speech-to-Text, Translation API, Natural Language API, Document AI, Recommendations AI, Gemini API, Vertex AI Model Garden, Generative AI Studio.
- Temps estimé
- 8-10h
Domain 2 : Collaborating within and across teams to manage data and models 14%
- Objectifs
- Ce domaine couvre la collaboration entre data engineers, ML engineers et MLOps. Il s'agit d'exploiter les outils Vertex AI pour la gestion centralisee des datasets, features et modeles. Le candidat doit savoir mettre en place une gouvernance ML : versioning, lineage, controle d'acces IAM, conformite RGPD. La capacite a structurer un projet ML en equipe, a partager des features reutilisables et a documenter les experiences est evaluee. Les questions abordent aussi l'integration avec les pipelines de donnees existants et la gestion des metadonnees.
- Concepts clés
- Vertex AI Feature Store (online et offline serving, point-in-time correctness), Vertex AI Metadata, Vertex AI Experiments, Model Registry, Dataplex pour la gouvernance, lineage de donnees, gestion des permissions IAM granulaires sur les ressources ML. Comprendre les notions de feature freshness, feature drift, et reutilisation cross-team. Maitriser le partage de notebooks via Vertex AI Workbench et l'integration avec Git. Savoir tracker les experiences avec MLflow ou Vertex AI Experiments, comparer les runs, et promouvoir un modele du staging a la production.
- Services / outils
- Vertex AI Workbench, Feature Store, Model Registry, Experiments, Metadata, Dataplex, Cloud Storage, IAM, Cloud Source Repositories.
- Temps estimé
- 10-12h
Domain 3 : Scaling prototypes into ML models 18%
- Objectifs
- Ce domaine evalue la capacite a transformer un prototype Jupyter en pipeline d'entrainement scalable et reproductible. Le candidat doit maitriser le custom training sur Vertex AI, l'usage de TPU/GPU, le distributed training et l'hyperparameter tuning. La connaissance des frameworks TensorFlow, PyTorch, JAX et scikit-learn est attendue. Les questions portent sur le choix de l'infrastructure (machine types, accelerators), l'optimisation des couts via preemptible VMs, et la gestion des donnees a grande echelle.
- Concepts clés
- Vertex AI Custom Training (pre-built et custom containers), distributed strategies (MirroredStrategy, MultiWorkerMirroredStrategy, ParameterServerStrategy), Vertex AI Vizier pour l'hyperparameter tuning bayesien, TFRecord et tf.data pour pipelines optimises, Reduction Server pour all-reduce efficace. Comprendre quand utiliser TPU v5 vs GPU A100/H100. Maitriser le concept de checkpointing pour resilience. Connaitre les techniques de transfer learning, fine-tuning et PEFT (LoRA, adapters) pour LLMs. Savoir convertir un script local en job Vertex AI avec packaging Python approprie.
- Services / outils
- Vertex AI Training, Vertex AI Vizier, TPU Pods, GPU instances, Cloud Storage, TensorFlow Enterprise, Reduction Server, Deep Learning Containers.
- Temps estimé
- 15-18h
Domain 4 : Serving and scaling models 20%
- Objectifs
- Domaine central evaluant le deploiement de modeles en production. Le candidat doit savoir choisir entre online prediction, batch prediction et private endpoints selon la latence et le throughput requis. La gestion du scaling automatique, du A/B testing entre versions, et de l'optimisation des couts d'inference est cruciale. Les questions couvrent aussi le deploiement edge avec Edge TPU et la conversion de modeles via TensorFlow Lite ou ONNX. La connaissance des techniques d'optimisation (quantization, pruning, distillation) est attendue.
- Concepts clés
- Vertex AI Endpoints (public, private, dedicated), traffic splitting pour canary deployment, autoscaling base sur CPU/GPU utilization, batch prediction jobs, Vertex AI Prediction avec custom containers. Optimization Toolkit : quantization INT8, pruning, knowledge distillation. NVIDIA Triton Inference Server pour multi-modeles. Comprendre la difference entre latence p50/p95/p99. Maitriser le concept de model co-hosting pour reduire les couts. Connaitre les patterns de serving pour LLMs : vLLM, TGI, batching dynamique.
- Services / outils
- Vertex AI Prediction, Vertex AI Endpoints, Cloud Run pour serving custom, GKE pour deploiements complexes, Triton Inference Server, Edge TPU, Cloud CDN pour cache.
- Temps estimé
- 15-18h
Domain 5 : Automating and orchestrating ML pipelines 22%
- Objectifs
- Domaine au poids le plus eleve, centre sur MLOps. Le candidat doit savoir construire des pipelines CI/CD/CT (Continuous Training) end-to-end avec Vertex AI Pipelines base sur Kubeflow. La maitrise du monitoring de modeles en production (data drift, prediction drift, skew training/serving) est essentielle. Les questions portent sur l'automatisation du re-training declenche par derive ou nouvelles donnees, l'integration avec Cloud Build et GitHub Actions, et la mise en place d'alertes proactives.
- Concepts clés
- Vertex AI Pipelines (Kubeflow Pipelines v2, TFX), composants reutilisables, conditionals et loops, caching pour optimisation. Vertex AI Model Monitoring (feature attribution drift, prediction drift, training-serving skew). Continuous Training triggers via Cloud Functions ou Eventarc. CI/CD ML avec Cloud Build, integration tests sur modeles, validation gates avant deploiement. Comprendre les patterns champion/challenger, shadow deployment. Maitriser l'observabilite : Cloud Logging, Cloud Monitoring, custom metrics pour ML.
- Services / outils
- Vertex AI Pipelines, Kubeflow, TFX, Cloud Build, Cloud Composer (Airflow), Vertex AI Model Monitoring, Cloud Functions, Eventarc, Artifact Registry.
- Temps estimé
- 18-22h
Plan de révision hebdomadaire
Semaine 1 - Fondations GCP et Vertex AI : revoir l'architecture GCP (IAM, networking, billing), explorer la console Vertex AI, suivre le parcours 'Machine Learning Engineer' sur Google Cloud Skills Boost (15h). Realiser les premiers labs Qwiklabs sur BigQuery ML et AutoML. Lire la documentation officielle Vertex AI overview. Semaine 2 - Low-code et collaboration (Domains 1 et 2) : approfondir BigQuery ML avec creation de modeles XGBoost et ARIMA, manipuler Feature Store avec un dataset reel (ex: NYC Taxi). Pratiquer le versioning de modeles via Model Registry. Lire les whitepapers Google sur MLOps maturity. Semaine 3 - Custom training et scaling (Domain 3) : coder un job de training distribue TensorFlow, lancer un hyperparameter tuning avec Vizier, experimenter TPU vs GPU sur un meme modele. Implementer du transfer learning sur Hugging Face Hub. Semaine 4 - Serving et optimisation (Domain 4) : deployer un modele sur Vertex AI Endpoint avec traffic split 50/50, mesurer la latence, appliquer la quantization. Tester le batch prediction sur 1M de lignes. Semaine 5 - MLOps et pipelines (Domain 5) : construire un pipeline Kubeflow complet (data validation, training, evaluation, deployment), configurer Model Monitoring avec alertes Pub/Sub. Integrer le pipeline a Cloud Build. Semaine 6 - Examens blancs et revision finale : passer 3 examens blancs (Whizlabs, ExamTopics, TutorialsDojo), identifier les domaines faibles, relire la documentation sur les services peu maitrises. Refaire les labs ayant pose probleme. Reviser les quotas, limites et tarifications. Planifier l'examen 2 jours apres le dernier blanc reussi a plus de 80%.
Besoin d'un planning sur mesure ? 30 jours · 60 jours · 90 jours
Ressources recommandées
Page officielle de la certification avec exam guide detaille, sample questions et liens vers la documentation Vertex AI.
Parcours officiel Google avec cours videos, quiz et labs hands-on couvrant l'integralite du programme PMLE.
Labs pratiques sur environnements GCP reels pour s'exercer sur Vertex AI, BigQuery ML, Kubeflow Pipelines sans engager de couts.
Forum actif avec retours d'experience post-examen, conseils de revision et discussions techniques entre certifies PMLE.
5 erreurs classiques à éviter
- Erreur 1 : Sous-estimer le poids du MLOps (Domain 5 a 22%). Beaucoup de candidats viennent du monde data science et negligent les pipelines CI/CD. Solution : passer minimum 20h sur Vertex AI Pipelines et Model Monitoring avec labs pratiques.
- Erreur 2 : Confondre AutoML et Custom Training dans les scenarios. L'examen teste votre capacite a choisir la bonne approche selon les contraintes (time-to-market, controle, cout). Apprenez les criteres de decision par coeur.
- Erreur 3 : Negliger les services GCP transverses (IAM, VPC, Pub/Sub, Cloud Functions). Le PMLE n'est pas un examen ML pur, il faut savoir integrer ML dans une architecture cloud complete.
- Erreur 4 : Memoriser sans pratiquer. Les questions sont scenario-based et necessitent de visualiser les interactions entre services. Faites obligatoirement 40h+ de labs Qwiklabs.
- Erreur 5 : Ignorer la gestion des couts. Plusieurs questions portent sur l'optimisation budgetaire (preemptible VMs, batch vs online, autoscaling). Etudiez les tarifications Vertex AI en detail.
5 questions types corrigées
Carrière & salaire après PMLE
Le PMLE ouvre des roles tres recherches en France et Europe en 2026. Salaires observes : ML Engineer junior 50-65k EUR, confirme 70-90k EUR, senior 95-130k EUR a Paris. MLOps Lead atteint 110-140k EUR, AI Architect 130-170k EUR. En freelance, TJM de 700-1100 EUR pour profils certifies Google Cloud. Les secteurs porteurs : finance (BNP Paribas, Societe Generale), retail (Carrefour, Leroy Merlin), telecom (Orange), startups IA (Mistral, Hugging Face). Evolution naturelle : Head of ML, AI Platform Lead, Chief AI Officer. Certifications complementaires recommandees : Google Professional Cloud Architect pour elargir au cloud generaliste, AWS ML Specialty pour multi-cloud, ou Databricks ML Professional. Les profils combinant PMLE et expertise LLM (RAG, fine-tuning) sont particulierement valorises avec premiums de 15-20%.
FAQ — PMLE
Combien de temps faut-il pour preparer PMLE ?
Comptez 6 a 10 semaines a raison de 10-15h par semaine pour un profil ayant deja 1-2 ans d'experience ML. Pour un debutant sur GCP, prevoyez 3-4 mois avec passage prealable de l'Associate Cloud Engineer recommande.
Cette certification est-elle reconnue en France ?
Oui, le PMLE est tres reconnu en France, notamment par les ESN (Capgemini, Accenture, Sopra Steria), les grands comptes utilisant GCP et les scale-ups IA. Google Cloud gagne des parts de marche significatives en France depuis 2024.
Quel est le taux de reussite a PMLE ?
Google ne publie pas de statistiques officielles, mais les retours communautaires indiquent un taux de reussite estime entre 55 et 65% au premier passage. La difficulte est consideree comme superieure a l'AWS ML Specialty.
Quel est le salaire apres PMLE ?
En France en 2026, un ML Engineer certifie PMLE gagne entre 60k et 110k EUR selon experience. L'augmentation moyenne post-certification est de 15-20%. En freelance, les TJM atteignent 800-1100 EUR.
Faut-il une experience prealable ?
Officiellement aucune, mais Google recommande 3 ans d'experience industrielle dont 1 an sur Google Cloud. Sans experience pratique sur Vertex AI, la reussite est tres difficile car l'examen est scenario-based.
PMLE ou cert concurrente : laquelle choisir ?
PMLE si vous travaillez ou ciblez un environnement GCP. AWS ML Specialty pour ecosystem AWS. Azure AI Engineer pour Microsoft. Le PMLE est considere comme le plus oriente MLOps et production-ready.
Combien coute l'examen PMLE ?
L'examen coute 200 USD soit environ 185 EUR. Des vouchers de reduction de 50% sont parfois disponibles via les evenements Google Cloud Next, Cloud OnAir ou les programmes partenaires.
Combien de fois peut-on repasser PMLE ?
En cas d'echec, vous devez attendre 14 jours avant le 2eme essai, 60 jours pour le 3eme, et 1 an pour le 4eme. Chaque tentative coute 200 USD. Apres 4 echecs, vous etes definitivement bloque sur cette certification.
Prêt à passer à la pratique ?
Lancez votre examen blanc gratuit ou faites le test d'orientation pour valider votre choix.
Démarrer l'examen blanc PMLE → Test d'orientation