🤖

【2025年版】Professional Machine Learning Engineer(PMLE) 合格記：生成AI分野の攻略

に公開
テーマ「2025年の最も大きなチャレンジ」
AI
Google
Vertex AI
Google Cloud認定資格
Gemini
idea

1. はじめに

先日、Google Cloudの Professional Machine Learning Engineer (PMLE) 試験に合格しました。

私は普段、アプリ開発エンジニア（Webフロント/モバイルアプリ） として活動しており、ML専門のエンジニアではありません。
そんな私がなぜ、最難関レベルと言われるPMLEに挑戦したのか。その最大の動機は、エンジニア個人として、そして企業としての強烈な危機感でした。

近年の凄まじい生成AIブームを目の当たりにし、こう強く感じたのです。

「AIを単にツールとして使うだけでなく、サービスに組み込み『価値を生み出す側』に回らなければ、エンジニア個人としても、そして企業としても市場から淘汰される」

単にAPIを叩いて動かすだけでは不十分です。「AIをどうやって作り、どうやって本番環境で安定稼働させ、どうやってその品質を正しく評価するのか」。これらMLOpsの全容を一通り学び、自らの手で実践できるようにならなければ、この変化の速い時代に生き残ることはできないと考え、勉強を始めました。

ただ、いざ勉強を始めてみてある大きな壁にぶつかりました。

「生成AI (Generative AI) に関する試験対策情報が圧倒的に少ない」 ということです。

ネット上で見つかる合格体験記の多くは、少し前の 予測AI（従来の機械学習） 中心の内容ばかりで、2024年の改定で大幅に追加されたLLMや生成AIの出題範囲について深く触れている記事はまだ多くありません。

そこで本記事では、アプリエンジニアの視点から、2025年時点での合格の鍵となる「生成AI分野の試験対策」に焦点を当てて情報を共有したいと思います。これから受験される方の参考になれば幸いです。

2. Google Cloud PMLE 試験について

まずは試験の基本情報を整理します。（2025年時点の情報です）

項目 内容
試験名 Professional Machine Learning Engineer
時間 2時間
問題数 50〜60問
形式 多肢選択式（複数選択あり）
受験料 $200 (税別)
言語 日本語対応済み

試験セクションと出題傾向

公式ガイドでは、以下の6つのセクションが定義されています。2025年の受験においては、既存のMLエンジニアリングに加え、生成AI（Generative AI） の知識が合否を分ける重要な要素となっています。

  1. ローコード AI ソリューションの構築（出題割合：13%）：AutoML, BigQuery ML, Vertex AI Agent Builder や Model Garden を用いた生成AIアプリの構築。
  2. チーム内およびチーム間の連携によるデータとモデルの管理（出題割合：14%）：Vertex AI Feature Store, BigQuery。生成AIの評価
  3. プロトタイプの ML モデルへのスケーリング（出題割合：18%）：カスタムトレーニング、分散学習。LLMのファインチューニング
  4. モデルのサービングとスケーリング（出題割合：20%）：Vertex AI Prediction, オンライン/バッチ予測。LLMのデプロイやコスト最適化
  5. ML パイプラインの自動化とオーケストレーション（出題割合：22%）：Vertex AI Pipelines, Kubeflow。RAGのデータ更新や評価パイプラインの構築
  6. AI ソリューションのモニタリング（出題割合：13%）：モデルモニタリング。生成AIソリューションのモニタリング

難易度と試験範囲の変化

PMLEは、Google Cloud認定資格の中でも最難関レベルと言われています。単なる機械学習の理論だけでなく、インフラ（IAM, VPC, セキュリティ）やMLOps（CI/CD, パイプライン）の実務知識が深く問われるためです。

特に重要なのが、試験範囲の改定です。現在は従来の機械学習エンジニアリングに加え、生成AI（Generative AI）に関する知識が試験範囲に正式に組み込まれています。これまでは「Vertex AI Pipelines」が鬼門でしたが、現在はそれに「LLMのチューニングと活用」が加わり、より広範囲な試験範囲となっています。

3. 受験時の筆者のスペック

読者の方がご自身との距離感を測れるよう、私の前提知識を記載しておきます。
「数学的な基礎はあるが、機械学習アルゴリズムや実務での開発は未経験」 という立ち位置です。

  • 職種: アプリ開発エンジニア
    • Webフロントエンド（React） / アプリ開発（Flutter）など計6年ほど。
  • 大学の研究室での経験:
    • 研究室の修士2年間、Pythonを用いた画像解析や、統計学ゼミでの学習経験あり。
    • 機械学習アルゴリズム自体は習っていませんが、行列計算や確率統計などの数学的基礎は理解している状態。
  • ML/AI実務経験:
    • なし
    • 業務で機械学習モデルを運用した経験はありません
  • クラウド・AI資格:
    • AWS Certified Solutions Architect - Associate (SAA): 取得済み
    • Google Cloud Generative AI Leader: 取得済み
    • 基本情報技術者試験: 取得済み
  • 学習期間:
    • 一ヶ月で70時間程度

4. 予測AIと生成AI：試験範囲の構造変化

今回の受験を通じて、PMLEの試験範囲は大きく「2つの軸」で捉えるべきだと感じました。

A. 予測AI（Predictive AI）分野

従来の機械学習タスクです。回帰、分類、時系列予測などが該当します。

  • 主なトピック: 特徴量エンジニアリング、モデルのトレーニング、TFX (TensorFlow Extended)、Kubeflow Pipelines、BigQuery ML。
  • 対策の結論: 「これまでの試験対策と同様でOKです」
    大学時代に行列計算や統計を学んでいたため、アルゴリズム（勾配ブーストやCNNの仕組み）の学習自体はスムーズに進みました。しかし、「それをGoogle Cloud上でどう運用するか（MLOps）」 の知識が皆無だったため、TFXなどのツールやパイプライン構築のベストプラクティス理解に最も時間を割きました

B. 生成AI（Generative AI）分野

ここが今回の鬼門であり、本記事のメインテーマです。
LLM（大規模言語モデル）や画像生成モデルの活用に関する問題です。最新の試験では、単にプロンプトを投げるだけでなく、システムとしてどう構築・評価するかまで問われます。

  • 主なトピック:
    • モデルチューニング: Prompt Design vs Fine-tuning vs RLHF の使い分け。
    • 生成AIの評価 (Gen AI Evaluation): BLEU/ROUGE等の従来指標だけでなく、AutoSxS (Side-by-Side) やモデルによる自動評価。
    • RAG: Vertex AI Search と Vector Search の使い分け、RAG Engineのアーキテクチャ。
    • Agent: Vertex AI Agent Builder (Agent Engine) を用いたツール連携とオーケストレーション。
    • 責任あるAI (Responsible AI): 安全性フィルタ（Safety Filters）、ハルシネーション対策。
  • 対策の結論: 「能動的な情報収集」が必須です
    既存の問題集ではカバーしきれていないことが多く、用語の定義やGoogle Cloudとして推奨するベストプラクティス」をドキュメントから拾い集める必要があります

5. 生成AI分野の具体的な勉強法

私が実際に行った生成AI分野の対策を紹介します。特に以下の3つのステップが有効でした。

① 基礎理論と用語の整理

Generative AI Leader資格で学んだ基礎に加え、LLMをエンジニアリングする上で避けて通れない用語を、「どういう時に使うか（ユースケース）」とセットで覚えました。

  • LLMの基礎:

    • LLM (Large Language Model): 大規模言語モデル。文脈を理解して文章を生成する基盤技術

  • LLMのパラメータ設定:

    • Temperature: 生成される文章の「創造性」と「決定論的性質」を制御するパラメータ。0に近いほど決まった答えを返し、高いほどランダム性が増す
    • Top-K: 確率上位K個のトークンから次の単語を選択する手法。出力の多様性を制御
    • Top-P: 累積確率がPに達するまでの上位トークンから選択する手法。より柔軟な出力制御が可能

  • プロンプトエンジニアリング:

    • Zero-shot Prompting: プロンプト内に例示（ショット）を含めない手法。汎用的なタスクに有効
    • One-shot Prompting: プロンプト内に1つの例示を含める手法
    • Few-shot Prompting: プロンプト内に少数の例示（ショット）を含めることで、モデルの回答精度を劇的に向上させる手法

  • モデルチューニング (Fine Tuning):

    • Full Fine-tuning: モデルの全パラメータを更新する手法。精度は高いが、計算コストが非常に高い
    • PEFT (Parameter-Efficient Fine-Tuning): パラメータの一部のみを更新する手法の総称
      • LoRA (Low-Rank Adaptation): 学習するパラメータを低ランク行列の積として表現・近似することで、計算コストを劇的に減らす手法。PMLEではコスト効率の良いチューニングとして頻出
    • Prompt Design: モデルの重みは固定し、適したシステムプロンプトを通して、出力を調整する方法。最も軽量

  • RLHF (Reinforcement Learning from Human Feedback):

    • 人間のフィードバック（報酬モデル）を用いて、モデルの出力をより人間に好ましい形に調整する手法。強化学習の一種

  • ReAct (Reasoning and Acting):

    • LLMが「推論 (Reasoning)」「行動 (Acting)」「観察 (Observation)」を繰り返すことで、LLMに自律的な問題解決能力を与える手法

勉強したソース(上から順にやると良いと思います):

② アーキテクチャパターンの理解（RAG・Agent・評価）

ここが2025年版の最重要ポイントです。単語の暗記だけでなく、「どのような場面で使用して、どのような効果があるのか」を理解することが必要です。

  • Model Garden:
    • Google製のモデル (Gemini, PaLM) だけでなく、LlamaやMistralなどのOSSモデルも一元管理されているプラットフォーム
    • 「要件に合わせて適切なモデルを選択し、ワンクリックでVertex AI Endpointにデプロイする」という流れや、OSSモデルの活用方法として問われます
  • RAG (Retrieval-Augmented Generation):
    • Vertex AI Search vs Vector Search:
      • 「PDFなどのドキュメントから手軽に検索アプリを作りたい」→ Vertex AI Search
      • 「自前のEmbeddingsを使ってミリ秒単位の類似検索を実装したい」→ Vector Search。この使い分けは頻出です
  • Gen AI Evaluation:
    • 生成されたテキストの品質をどう担保するか。「人手評価」はコストがかかるため、第三者のLLM (LLM-as-a-Judge) を用いてモデルを評価させる手法などがあるので、理解が必要です
  • Agent Engine:
    • AI Agentを実行する仕組み。LangChainとの関係性や、Vertex AI Agent Builderでの構築フローを確認しました。また、Agent Development Kitとの関係性を押さえました
  • 責任あるAI:
    • Safety Filters: ヘイトスピーチや嫌がらせや性的な表現などを抑制するためのフィルター
    • グラウンディング: モデルが現実世界の事実に基づいて回答するように制御する手法

勉強したソース:

6. 模擬試験で使用した教材

合格を左右するのは、問題の傾向を理解し、それに合わせて勉強することが大切です。
なので、模擬試験を数多くこなすことが、近道だと思います。
(回答を見て、間違えたら、再度勉強し直すのが良いと感じています)

7. 試験当日の所感と出題バランス

体感難易度と出題傾向

あくまで私の主観ですが、試験全体の出題バランスは以下の感覚でした。

  • 生成AIパート：50問中8問くらい（約15%）
    「生成AIの時代だ！」と意気込んで臨みましたが、意外と問題数自体は少なかった印象です。出題数が少ないからこそ、ここを落とすと合格ライン（70〜80%と言われています）に乗せるのが厳しくなるため、対策の手は抜けません

  • 予測AIパート：残りの大部分（約85%）
    やはりメインは従来の機械学習エンジニアリングでした。TFX、Kubeflow、BigQuery ML、データの分散処理（Dataflow）などが出題されます。「生成AIだけ勉強すれば受かる」という試験ではないです

8. 終わりに

PMLEの学習を通じて、単に試験に受かっただけでなく、これから実務で生成AIを活用したアーキテクチャ」を提案するための土台ができました。

これから受験される皆様の合格を心よりお祈りしています！

9. おまけ：なぜ今、Google Cloud PMLEなのか？(※ あくまで個人のポエムです。)

「危機感」から勉強を始めたと書きましたが、数ある資格の中でなぜ Google Cloud の PMLE を選んだのか。そこには明確な2つの理由があります。

① Googleが「AIの覇権」を握ると確信しているから

昨今、OpenAIの勢いが目立ちますが、私は長期的にはGoogleがAI時代の覇権を握ると考えています。理由は**「フルスタックの強さ」と「技術の源流」**です。

  • 技術の源流: 現在の生成AIブームの火付け役となったTransformer アーキテクチャを発明したのはGoogleです。技術の源流を握っている強みは計り知れません
  • フルスタックの垂直統合: Googleは、AI専用チップ「TPU」というハードウェアから、学習基盤、モデル (Gemini)、そして検索エンジンやWorkspaceという膨大なデータソースまでを全て自社で保有しています。この垂直統合による最適化とコスト競争力は、AIがコモディティ化していく中で最終的な勝敗を分けると見ています
    現在の最高峰モデルであるGemini 3.0が他のモデルを凌駕している状況は、一時的なものにとどまらず、今後もその優位性は続くと考えます

「GoogleのプラットフォームでAI開発を学ぶこと」は、これからのAIエンジニアリングの「標準」を学ぶことに等しいと考えました。

② 「研究者」ではなく「開発者」としてのスキルを問われるから

生成AIにおいて、モデルの構造や数学的背景を学ぶことはもちろん重要です。しかし、そこを突き詰めすぎると「研究」の領域になってしまいます。

私たち開発者に求められているのは、モデルの構造を概念として正しく理解し、それを実際の運用（プロダクト）に乗せることです。全員が数学の研究者になる必要はないと考えています。

  • 他の資格: 理論やモデルの構造（研究的要素）に重きを置くことが多い
  • PMLE: 「そのモデルをどうやって本番環境にデプロイするか」「データパイプラインをどう構築するか」「推論コストをどう下げるか」というMLOpsに重きを置いています

Discussion