🎙️ Episodio 97. La certificación de Ingeniero de Machine Learning de Google

En el episodio de hoy vamos a hablar de  todo lo que siempre quisisteis saber y nunca os atrevisteis a preguntar sobre la certificación de Professional Machine Learning Engineer de Google Cloud.

Si llevas tiempo escuchando este podcast, ya sabes que este año me propuse conseguirla, así que aquí te cuento mi experiencia hasta ahora.

¿Por qué plantearse la certificación de Professional ML Engineer de Google Cloud?

El objetivo de esta certificación no es demostrar cuánto sabes sobre Machine Learning en general, sino evaluar tu capacidad para usar las herramientas de Google Cloud en escenarios prácticos.

La nube de Google ofrece más de 150 productos, y esta certificación te reta a saber cuál es la más adecuada para cada etapa de un proyecto de Machine Learning.

Más que código o matemáticas complejas, lo que se evalúa aquí es tu conocimiento del ecosistema de herramientas de Google Cloud y cómo aplicarlas en proyectos de Machine Learning.

Es una forma excelente de familiarizarse con un entorno tan enorme y mantenerse al día con tendencias como la IA generativa y responsable, que han sido recientemente incluidas en el temario.

¿Qué cubre la certificación?

El examen de certificación de Google Cloud Professional Machine Learning Engineer tiene como objetivo principal comprobar tu habilidad para diseñar, desarrollar e implementar soluciones de Machine Learning utilizando los productos y herramientas de Google Cloud.

Esta certificación está especialmente orientada a demostrar tu capacidad para gestionar proyectos de Machine Learning extremo a extremo dentro del ecosistema de Google Cloud.

Para ello, deberás responder preguntas que abarquen seis áreas clave del ciclo de vida de un proyecto de Machine Learning:

1. Soluciones de Machine Learning con poco código.
2. Preprocesamiento de datos.
3. Prototipado y experimentación.
4. Entrenamiento de modelos.
5. Despliegue e inferencia.
6. MLOps y monitorización.

Como ves, este examen evalúa no solo tus conocimientos teóricos, sino también tu capacidad práctica para utilizar las herramientas adecuadas en cada fase de un proyecto de Machine Learning.

Las preguntas del examen están organizadas en seis grandes bloques que abarcan todo el ciclo de vida de un proyecto de Machine Learning.

Te las resumo:

Machine Learning con poco código

Este bloque se centra en herramientas de Google Cloud que permiten trabajar con Machine Learning sin necesidad de ser un experto en programación. Algunas de las tecnologías clave son:

• BigQuery ML: Entrena modelos directamente desde el data warehouse utilizando SQL.
• APIs de Machine Learning preentrenadas: Ofrecen soluciones listas para usar en tareas como detección de objetos, análisis de sentimiento o procesamiento de texto.
• AutoML: Permite ajustar modelos preentrenados a casos específicos con configuraciones mínimas.

Como ves, estas herramientas permiten a analistas o ingenieros de datos entrenar modelos sin necesidad de programar.

Preprocesamiento de datos

Aquí se evalúa tu capacidad para preparar datos antes de entrenar un modelo. Incluye temas como:

• Almacenamiento y organización de datos en Cloud Storage o BigQuery.
• Uso de herramientas como TensorFlow Extended (TFX) y Cloud Dataflow para transformar y limpiar datos.
• Gestión de la privacidad y anonimización de datos.

Prototipado y experimentación

Este bloque cubre la fase inicial del desarrollo de modelos, incluyendo:

• Uso de notebooks en Vertex AI, Enterprise Colab, o Cloud Dataproc.
• Integración con repositorios Git para control de versiones.
• Prototipado y experimentación en entornos interactivos.

Entrenamiento de modelos

Se evalúa tu conocimiento sobre cómo entrenar modelos de forma eficiente, incluyendo:

• Uso de herramientas como Vertex AI Custom Training y Kubeflow.
• Configuración de entrenamientos distribuidos y selección de hardware adecuado (GPUs, TPUs).
• Integración de pipelines automatizadas para asegurar la reproducibilidad.

Despliegue e inferencia

En esta sección se cubre cómo desplegar modelos en producción utilizando las herramientas más adecuadas, como:

• Vertex AI Endpoints para APIs de inferencia.
• BigQuery ML para modelos integrados en un data warehouse.
• Dataflow y Dataproc para soluciones específicas de inferencia.

MLOps y monitorización

Por último, el examen evalúa tu capacidad para orquestar pipelines y monitorizar modelos en producción, asegurando que no se caduquen.

Esto incluye:

• Automatización de procesos con Vertex AI Pipelines.
• Uso de herramientas como Cloud Monitoring y Cloud Logging para seguimiento y mantenimiento.

Estos bloques se complementan con secciones específicas sobre IA generativa e integración de herramientas como Gemini.

¿Cómo prepararse para la certificación de ML de Google?

Aunque no hay requisitos formales para presentarse, se recomienda tener al menos tres años de experiencia con herramientas de Google Cloud.

Aunque no tengas experiencia directa con Google Cloud, es perfectamente posible prepararte para esta certificación si dedicas tiempo y utilizas los recursos adecuados. Aquí te dejo algunas recomendaciones:

1. Cursos oficiales en Coursera

Google ofrece una serie de cursos diseñados específicamente para esta certificación.

La especialización incluye 8 cursos que abarcan todas las áreas del examen. Con una dedicación de 10 horas semanales y 44€/mes, podrías completarlos en 2-3 meses.

2. Guía de estudio oficial

Google Cloud dispone de una guía de estudio que incluye explicaciones detalladas y preguntas tipo test.

Es una excelente herramienta para repasar y practicar y tienes un resumen con los puntos más importantes disponible aquí.

3. Simulacros de examen

Hacer exámenes de práctica es clave para familiarizarte con el formato y las preguntas.

Apunta a responder correctamente al menos el 90% de las preguntas de los simulacros antes de presentarte al examen real.

4. Crash Course de Machine Learning

Si estás empezando, el curso gratuito de Google sobre Machine Learning es un buen punto de partida.

Incluye conceptos básicos y aplicaciones prácticas, actualizado recientemente con temas como IA generativa y responsable.

De hehco te lo recomiendo incluso aunque no tengas pensado sacarte la certificación.

Detalles del examen

Antes de decidirte a presentar el examen para la certificación Google Cloud Professional Machine Learning Engineer, es importante conocer todos los detalles prácticos. Desde el formato y la duración hasta el coste y la modalidad, tener claro cómo funciona el proceso te permitirá organizar mejor tu preparación y evitar sorpresas de última hora.

Aquí te cuento todo lo que necesitas saber para afrontar este reto con confianza.

• Formato: Tipo test, entre 50-60 preguntas.
• Duración: 2 horas.
• Idioma: Inglés.
• Coste: $200 más impuestos (unos 220-230 € en España).
• Ubicación: Puedes hacerlo desde casa o en un centro autorizado. En España hay centros en ciudades como Madrid, Barcelona y Pamplona. En América Latina, ciudades como Ciudad de México y Santiago de Chile también cuentan con centros.

¿Vale la pena la certificación de Machine Learning Engineer de Google Cloud?

Esta certificación no es imprescindible para trabajar en Machine Learning, pero tiene varios beneficios:

• Familiaridad con Google Cloud: Aprenderás a manejar herramientas potentes y específicas para proyectos de Machine Learning.
• Reconocimiento profesional: Puede ser un buen respaldo para tu currículum, especialmente si trabajas con Google Cloud.
• Actualización constante: El temario incluye las últimas tendencias, como la IA generativa, lo que te mantiene al día.

Mi experiencia y consejos

La preparación puede hacerse un poco cuesta arriba, sobre todo por la cantidad de herramientas y conceptos que abarca. Mi estrategia ha sido ir poco a poco, usando recursos como los cursos de Coursera y la guía oficial. Si estás pensando en certificarte, te recomiendo:

• Practicar mucho: Los simulacros son esenciales.
• Estudiar las herramientas clave: En especial BigQuery, Vertex AI y las APIs de Google.
• No agobiarse: Tómate el tiempo que necesites para prepararte bien.

¡Y eso es todo! Espero haberte motivado a considerar esta certificación o, al menos, a explorar más sobre las herramientas de Google Cloud. Si te animas, déjame un comentario para que nos motivemos mutuamente.

Espero que te guste el episodio.

Si es así, no olvides dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Youtube o donde quiera que escuches el podcast.

Recuerda que si tienes cualquier duda o pregunta puedes contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.

Muchas gracias por estar ahí y te espero en el próximo episodio de Un Podcast Ninja sobre Big Data.