KKC_0335 | Google Cloud Machine Learning Engineer Training

Google Cloud Machine Learning Engineer Training vermittelt praxisnah, wie Sie ML Engineering mit Google Cloud und Vertex AI vorbereiten und umsetzen.

Prüfungsdomänen und szenariobasierte Aufgaben strukturiert zu analysieren sowie geeignete Google Cloud Dienste für ML-Anforderungen auszuwählen, stehen dabei im Mittelpunkt. Die Inhalte verbinden fachliche Einordnung, konkrete Umsetzung und die Anforderungen an Qualität, Sicherheit und Nachvollziehbarkeit.

Damit eignet sich das Angebot für Unternehmen, die neue KI-, Daten- oder Automatisierungslösungen nicht nur testen, sondern strukturiert in belastbare Arbeitsabläufe überführen möchten.

• Prüfungsdomänen und szenariobasierte Aufgaben strukturiert analysieren
• Geeignete Google Cloud Dienste für ML-Anforderungen auswählen
• Daten mit BigQuery untersuchen und für Trainingsläufe vorbereiten
• Modelle in Vertex AI trainieren, bewerten und bereitstellen
• Features, Pipelines und Betriebsanforderungen nachvollziehbar gestalten
• Prüfungswissen durch praxisnahe Labs und Entscheidungsszenarien festigen

Das Angebot richtet sich an Data Scientists, ML Engineers, Cloud Engineers und IT-Fachkräfte, die Google Cloud für Machine Learning einsetzen oder sich auf die entsprechende Zertifizierung vorbereiten möchten.

Grundkenntnisse in Cloud-Computing, Datenanalyse und Machine Learning werden empfohlen. Erfahrung mit SQL oder Python ist hilfreich.

Prüfungsrahmen und Entscheidungsmuster

• Prüfungsdomänen im offiziellen Leitfaden
• Szenariofragen in Anforderungen zerlegen
• Antwortoptionen anhand von Kriterien vergleichen
• Zeitbudget pro Prüfungsaufgabe planen

Daten- und Feature-Vorbereitung

• Datensätze mit BigQuery analysieren
• Trainingsdaten mit SQL aufbereiten
• BigQuery ML für Baselines nutzen
• Features im Vertex AI Feature Store verwalten
• Trainingssplits ohne Data Leakage erstellen

Modelltraining mit Vertex AI

• Algorithmen nach Problemtyp auswählen
• AutoML für tabellarische Daten einsetzen
• Custom Training in Vertex AI konfigurieren
• Hyperparameter-Tuning in Vertex AI ausführen
• Metriken für Klassifikation und Regression auswählen

Generative KI mit Vertex AI

• Foundation Models im Model Garden vergleichen
• RAG-Architekturen mit Vertex AI entwerfen
• Generative Modellausgaben systematisch evaluieren
• Sicherheitsfilter für Modellausgaben konfigurieren

Responsible AI und Zugriffsschutz

• Vertex Explainable AI für Vorhersagen nutzen
• Modellrisiken anhand des Anwendungsfalls bewerten
• Responsible-AI-Kriterien für Freigaben dokumentieren
• Zugriffsrechte mit IAM begrenzen

Automatisierte ML-Pipelines

• Pipeline-Komponenten wiederverwendbar entwickeln
• Metadaten und Artefakt-Lineage nachverfolgen
• Automatisierte Trainingsläufe ereignisbasiert auslösen
• CI/CD für ML-Pipelines umsetzen

Bereitstellung und Skalierung

• Batch Prediction für große Datenmengen
• Online Prediction über Vertex-AI-Endpunkte
• Modellversionen in der Model Registry verwalten
• Traffic Splits zwischen Modellversionen konfigurieren
• Rollback auf freigegebene Modellversionen durchführen
• Endpunktzugriffe mit IAM steuern

Monitoring und Modellbetrieb

• Vertex AI Model Monitoring konfigurieren
• Training-Serving-Skew bei Features erkennen
• Feature-Drift anhand von Baselines erkennen
• Vorhersagedrift anhand von Baselines erkennen
• Protokolle in Cloud Logging prüfen
• Metriken in Cloud Monitoring prüfen
• Schwellenwerte für erneutes Training festlegen

Prüfungstraining und Lernplan

• Prüfungsfragen unter Zeitvorgabe bearbeiten
• Antwortoptionen nach Anforderungen bewerten
• Wissenslücken nach Prüfungsdomänen priorisieren
• Lernplan bis zum Prüfungstermin erstellen