PALDYNAI LAB
자격증
Google Cloud

해외해외 벤더 자격Google Cloud

GCP ML Engineer

Google Cloud Professional Machine Learning Engineer

난이도
객관식뿐이지만 경력 3년을 권장하고 범위가 Vertex AI 전반입니다.
취업
구글 클라우드 프로페셔널 등급이고 공고에 AWS와 함께 오릅니다.
공식 페이지에서 일정·접수 확인

개요

Google Cloud 기능과 전통적인 ML 기법을 함께 써서 AI 솔루션을 만들고, 평가하고, 프로덕션에 올리고, 최적화하는 능력을 잰다. 크고 복잡한 데이터를 다루며 재사용 가능한 코드를 쓰고, 파운데이션 모델 기반 솔루션을 설계·운영하는 것까지 포함한다. 모델 아키텍처, 데이터·ML 파이프라인 구성, MLOps, 지표 해석 네 영역에 능숙할 것을 전제로 하며 프롬프트·컨텍스트 엔지니어링과 책임 있는 AI 관행도 범위에 든다. 코딩 실력을 직접 채점하지는 않는다.

응시 제한은 없다. 시행처는 업계 경력 3년 이상에 그중 Google Cloud로 솔루션을 설계·관리한 경력 1년 이상을 권장하지만, 요건이 아니라 어디까지나 권장이다.

과목

과목비중다루는 것
Architecting low-code AI solutions (로우코드 AI 솔루션 설계)~13% of the exam
  • BigQuery ML·AutoML로 분류·회귀·예측·군집 모델 만들기
  • BigQuery로 Gemini 모델 파인튜닝
  • Model Garden에서 과제에 맞는 모델 고르기
  • Document AI·Vision·Translate 등 업종 API 활용
  • Gemini 기반 앱의 비용·지연·가용성 최적화
Collaborating within and across teams to manage data and models (팀 간 협업으로 데이터·모델 관리)~16% of the exam
  • 정형·텍스트·이미지 데이터 탐색과 전처리 도구 선택(BigQuery SQL·Dataflow·Spark·인메모리 Python)
  • Feature Store에 피처 통합
  • PII 등 민감정보 처리
  • Workbench·Colab Enterprise 노트북 프로토타이핑(PyTorch·sklearn·JAX)
  • 실험 추적과 모델 아티팩트·버전·계보 관리
  • LLM-as-a-judge 등 생성형 AI 평가
Scaling prototypes into ML models (프로토타입을 모델로 확장)~21% of the exam
  • 비용·복잡도·지연·확장성을 따져 모델 유형(ARIMA·DNN·LLM)과 제품 선택
  • 학습 데이터 구성과 파이프라인 적재
  • 커스텀 학습·Kubeflow on GKE·AutoML 등 SDK별 학습
  • 학습 실패 트러블슈팅
  • 하이퍼파라미터 튜닝
  • 파운데이션 모델 파인튜닝 판단
  • CPU·GPU·TPU 선택과 데이터·모델 병렬 분산 학습
Serving and scaling models (모델 서빙과 확장)~20% of the exam
  • 배치·온라인 추론 배포
  • PyTorch·XGBoost 등 프레임워크별 사전 빌드/커스텀 컨테이너 패키징
  • Model Registry로 모델 버전 관리
  • A/B 테스트·카나리 배포
  • 추론 전후처리
  • 공개·비공개 엔드포인트 배포
  • 처리량에 맞춘 서빙 백엔드 스케일링
Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)~18% of the exam
  • 데이터·모델 검증
  • 관리형/비관리형 서비스로 엔드투엔드 파이프라인 구축(Agent Platform Pipelines·Managed Service for Apache Airflow·Ray)
  • 학습과 서빙의 전처리 일관성 확보
  • 재학습 정책 수립
  • CI/CD/CT 파이프라인 배포
Monitoring AI solutions (AI 솔루션 모니터링)~13% of the exam
  • 데이터 유출·악의적 프롬프트 등 위험 방어(정규식·안전 필터·Model Armor)
  • 편향 모니터링 등 책임 있는 AI
  • 모델 설명 가능성
  • Model Monitoring으로 지속 평가 지표 설정
  • 학습-서빙 스큐·데이터 드리프트·컨셉 드리프트·피처 기여도 드리프트 감시
  • 생성형 AI 솔루션 테스트·평가

시험 정보

치르는 방식

시행 주기정해진 회차가 없는 상시 시험이다.시행처가 「연 몇 회」 같은 일정이나 접수 기간을 두지 않는다 — 공식 안내는 CM Connect 계정에서 「Schedule/Launch an Exam」을 눌러 응시 방식(온라인 감독 / 시험센터 감독)과 언어, 날짜, 시간, 센터 응시면 장소까지 응시자가 직접 고르라고만 적는다.고정된 시행일 목록 자체가 없다.한 사람이 얼마나 자주 볼 수 있는지는 재응시 규정이 정한다.Associate·Professional 등급은 2년에 최대 4회이고, 불합격하면 14일 뒤에 다시 볼 수 있으며, 두 번째 불합격이면 60일, 세 번째 불합격이면 365일을 기다려야 한다.응시 언어와 응시 방식(센터·온라인)이 달라도 모두 같은 횟수에 합산되고, 접수할 때마다 응시료를 낸다.회차별 실제 날짜는 공식 일정 페이지에서 확인한다.
형식50~60문항, 객관식(단일 선택)과 복수 선택 혼합.시험 시간 2시간.합격 커트라인은 공개하지 않는다 — 공식 FAQ가 "Google Cloud exams are designed to determine only whether or not an individual meets a minimum passing standard, so only pass/fail results are provided"라고 밝히고, 숫자 점수를 주지 않는 이유로 "numerical scores are not meaningful for the examinee and can easily be misinterpreted"를 든다.시험을 제출한 직후 시험 화면에서 잠정 합격·불합격이 뜨고(센터 응시든 온라인 응시든 같다), 확정까지 7~10일 걸린다.응시 언어는 영어와 일본어 둘뿐이고 한국어는 없다.온라인 감독(원격)과 시험센터 감독 중 고를 수 있다.

응시 조건

응시자격없음.공식 페이지가 "Prerequisites: None"으로 명시한다.권장 경력(업계 3년 이상, Google Cloud 1년 이상)은 응시 제한이 아니다.
응시료US$200 (해당 지역 세금 별도).최초 취득 시 갱신용 50% 할인 코드를 받으며, 공식 문구는 "Upon certification, you will receive a 50% discount code in the Benefits section of your CM Connect account" — 프로필이 아니라 CM Connect 계정의 Benefits 섹션에서 확인한다.
환불 규정
시점환불단서
시험 시작 24시간 전까지 취소전액「전액 환불」이라 못 박은 문장은 응시 방식을 센터↔온라인으로 바꾸는 안내에 실려 있다. 센터와 온라인 모두 기준은 24시간이다
예약해 두고 응시하지 않은 경우불가
온라인 감독 시험에서 예약 시각 10분 전부터 20분 뒤까지 시험을 시작하지 않은 경우불가세션이 자동 취소되고 다시 접수해 응시료를 낸다
온라인 감독 중 환경 위반으로 시험이 무효 처리된 경우불가

24시간 안쪽에 취소하거나 일정을 바꾸면 지각 수수료가 붙는데 금액은 접수할 때 안내된다. 시험 파트너가 바뀌어 2026-02-22에 Kryterion 접수가 끝나고 2026-03-02부터 Pearson으로 응시하며, 취소·일정 변경 정책도 Pearson 것을 따른다.

자격 유지

유효기간2년.공식 문구가 "Professional-level Google Cloud certifications are valid for two years from the date certified"로, 취득한 날부터 2년이다(Foundational·Associate는 3년).갱신 창은 만료일 60일 전에 열리고, 갱신하면 만료일에 2년이 더해진다.만료 후 30일까지는 갱신할 수 있지만 그 30일이 지나면 정가로 정규 시험을 다시 봐야 한다(다시 취득하면 원래 Series ID는 되찾는다).만료 안내는 180일·90일 전에 오고 이후 30일마다 반복되는데, 원문이 "Depending on the certification"을 달아 두어 이 자격증이 180일 쪽인지 90일 쪽인지는 명시되어 있지 않다.

시험 노트

8 / 35편개념 8/30 · 모의고사 0/5

개념 정리8 / 30

  1. 01시험 구조와 데이터 제품 지도개념14 MIN

    GCP ML Engineer 시험이 여섯 섹션을 어떤 비중으로 묻는지, 2026년 개정으로 제품 이름이 어떻게 바뀌었는지, 그리고 데이터가 앉는 자리인 BigQuery·Feature Store·노트북 환경을 한자리에 그립니다.

  2. 02학습·서빙·운영 제품 지도개념14 MIN

    Model Garden부터 AutoML·커스텀 학습·Vizier·Pipelines·Model Registry·Inference·Model Monitoring까지, 모델이 만들어져 배포되고 감시되기까지의 제품을 순서대로 세우고 각각이 시험의 어느 섹션인지 짚습니다.

  3. 03BigQuery ML로 모델 만들기개념12 MIN

    CREATE MODEL의 model_type을 과제에 맞게 고르고, TRANSFORM 절로 전처리를 모델 안에 넣고, ML.PREDICT·ML.EVALUATE로 쓰고 재는 법까지 SQL로 따라갑니다. ARIMA_PLUS 예측과 Gemini 튜닝도 함께 봅니다.

  4. 04AutoML 학습과 업종별 AI API개념13 MIN

    AutoML로 정형·이미지·텍스트 모델을 학습하는 절차와 데이터셋 분할 규칙, 그리고 Document AI·Vision·Translate 같은 기성 API의 자리를 봅니다. 직접 학습할 일과 API로 끝낼 일을 가르는 기준을 세웁니다.

  5. 05Model Garden 선택과 Gemini 앱 최적화개념17 MIN

    카탈로그에서 과제에 맞는 모델을 고르는 축, Gemini·Imagen·Veo의 용도 구분, 서비스형 모델과 자체 배포의 갈림, 그리고 컨텍스트 캐싱·배치 예측·프로비저닝된 처리량으로 비용과 지연 시간을 맞추는 법을 봅니다.

  6. 06데이터 유형별 정리와 전처리 도구개념16 MIN

    정형·텍스트·이미지 데이터를 학습에 쓸 수 있게 정리하는 일과, 그 일을 BigQuery SQL·Dataflow·Spark·인메모리 파이썬 중 어디서 할지 규모와 복잡도로 가르는 기준을 세웁니다.

  7. 07Feature Store와 민감정보 처리개념17 MIN

    피처를 한 번 만들어 여러 모델이 나눠 쓰는 구조와 온라인·오프라인 두 경로, 시점 정합 조회로 누수를 막는 법, 그리고 PII 식별·비식별과 CMEK·VPC Service Controls의 자리를 봅니다.

  8. 08노트북 프로토타이핑과 실험 추적개념15 MIN

    Workbench와 Colab Enterprise를 가르는 기준, 노트북의 IAM·서비스 계정·네트워크 설정, PyTorch·sklearn·JAX 프로토타입을 학습 작업으로 옮기는 길, Experiments와 ML Metadata 계보를 봅니다.

  9. 09Model Garden 오픈 모델 프로토타입예정Collaborating within and across teams to manage data and models (팀 간 협업으로 데이터·모델 관리)
  10. 10예측 모델 지표와 LLM-as-a-judge예정Collaborating within and across teams to manage data and models (팀 간 협업으로 데이터·모델 관리)
  11. 11모델 유형과 제품 고르기예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  12. 12학습 데이터 구성과 파이프라인 적재예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  13. 13커스텀 학습과 학습 실패 해결예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  14. 14Vizier 하이퍼파라미터 튜닝예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  15. 15파운데이션 모델 파인튜닝 판단예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  16. 16CPU·GPU·TPU 선택과 분산 학습예정Scaling prototypes into ML models (프로토타입을 모델로 확장)
  17. 17배치 추론과 온라인 추론 배포예정Serving and scaling models (모델 서빙과 확장)
  18. 18사전 빌드·커스텀 컨테이너 패키징예정Serving and scaling models (모델 서빙과 확장)
  19. 19Model Registry와 A/B·카나리 배포예정Serving and scaling models (모델 서빙과 확장)
  20. 20공개·비공개 엔드포인트 배포예정Serving and scaling models (모델 서빙과 확장)
  21. 21서빙 하드웨어와 엣지 배포예정Serving and scaling models (모델 서빙과 확장)
  22. 22처리량에 맞춘 서빙 확장과 튜닝예정Serving and scaling models (모델 서빙과 확장)
  23. 23파이프라인 오케스트레이터 고르기예정Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)
  24. 24파이프라인 컴포넌트와 아티팩트 캐싱예정Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)
  25. 25데이터·모델 검증과 전처리 일관성예정Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)
  26. 26재학습 시점과 트리거 정하기예정Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)
  27. 27CI/CD/CT 파이프라인과 배포 게이트예정Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)
  28. 28AI 시스템 보안과 Model Armor예정Monitoring AI solutions (AI 솔루션 모니터링)
  29. 29책임 있는 AI와 모델 설명 가능성예정Monitoring AI solutions (AI 솔루션 모니터링)
  30. 30Model Monitoring과 드리프트 감시예정Monitoring AI solutions (AI 솔루션 모니터링)

모의고사0 / 5

개념을 다 쓴 뒤에 차례로 붙습니다.

  1. 01모의고사 1회예정
  2. 02모의고사 2회예정
  3. 03모의고사 3회예정
  4. 04모의고사 4회예정
  5. 05모의고사 5회예정

관련 있는 우리 글

시험을 겨냥해 쓴 글은 아니지만 같은 개념을 다룹니다. 과목이 막힐 때 곁에 두고 읽습니다.

Architecting low-code AI solutions (로우코드 AI 솔루션 설계)

AI LAB파인튜닝 데이터 준비: 형식·품질·양 완전 가이드AI LAB클라우드에서 LLM 파인튜닝: AWS·GCP·Azure 완전 가이드

Collaborating within and across teams to manage data and models (팀 간 협업으로 데이터·모델 관리)

AI LABPyTorch 입문: 텐서·자동미분·학습 루프

Scaling prototypes into ML models (프로토타입을 모델로 확장)

AI LABLoRA 완전 정복: 저랭크 어댑테이션의 수학과 실전AI LAB파인튜닝 하이퍼파라미터: 최적 설정 완전 가이드AI LAB클라우드에서 LLM 파인튜닝: AWS·GCP·Azure 완전 가이드

Serving and scaling models (모델 서빙과 확장)

AI LABLLM 추론 엔진 완전 비교: vLLM·TGI·llama.cpp·OllamaAI LABLLM 비용 — 청구서를 만드는 것과 줄이는 순서AI LAB추론 모델을 언제 쓸 것인가

Automating and orchestrating ML pipelines (ML 파이프라인 자동화·오케스트레이션)

AI LABML CI/CD: 자동화된 모델 배포 파이프라인

Monitoring AI solutions (AI 솔루션 모니터링)

AI LAB분류 성능 읽기: 혼동 행렬에서 F1·MCC까지AI LABROC 곡선과 AUC: 임계값 독립적 분류 성능 평가AI LAB프롬프트 레지스트리 — 버전·A/B·회귀 스위트

알아 둘 것

  • 2026-06-01자 개정판이 시행 중이다. 개정일이 적힌 곳은 시험 가이드 PDF의 `_new` 판본 한 곳뿐이고 랜딩 페이지에는 없다.
  • 섹션 여섯 개의 비중도 랜딩 페이지가 아니라 가이드 PDF에 적혀 있다 — 랜딩 페이지는 여섯 영역을 비중 없이 나열만 한다.
  • 개정으로 가이드의 제품명이 Vertex AI 계열에서 Agent Platform 계열(AutoML·Workbench·Feature Store·Model Registry·Pipelines 등)로 전부 바뀌었다. 예전 학습 경로나 교재가 Vertex AI 이름을 쓰고 있으면 제품명 기준으로 어긋난다.
  • 예약은 CM Connect의 「Schedule/Launch an Exam」에서 하고 실제 응시는 Pearson이 맡는다. 시작 24시간 이내에 변경·취소하면 수수료가 붙고, 나타나지 않으면 응시료를 돌려받지 못한다.
  • 갱신 경로는 정규 시험뿐이다. 단축형 갱신 시험은 Cloud Digital Leader·Associate Cloud Engineer·Professional Cloud Architect·Professional Data Engineer 넷에만 있다.
  • 시험 제공사가 2026년 초 Kryterion에서 Pearson으로 바뀌었고, 첫 응시 가능일은 2026년 3월 2일이었다.
  • 응시 언어는 영어와 일본어뿐이고 한국어는 없다.

난이도와 취업 별은 시행처가 준 값이 아니라 위에 적은 근거로 매긴 값입니다. 공식 페이지는 2026-09-22에 확인했습니다. 시험 제도는 개편이 잦으니 접수 전에 시행처 안내를 한 번 더 보세요.