GCP Certification
Path 2026

Transformación digital con GCP (beneficios de la nube vs on-premises · CapEx/OpEx · economías de escala · elasticidad) · Productos y servicios GCP por categoría (Compute: Compute Engine, GKE, Cloud Run, App Engine · Storage: Cloud Storage, Persistent Disk, Filestore · Databases: Cloud SQL, Cloud Spanner, Firestore, BigQuery · Networking: Cloud VPC, Cloud CDN, Cloud Load Balancing · AI/ML: Vertex AI, Document AI, Vision API, Natural Language API) · Infraestructura global GCP (Regiones, Zonas, Edge Locations, Premium vs Standard Networking) · Seguridad y compliance (Shared Responsibility Model, IAM conceptos, Cloud Armor, Cloud KMS conceptos, compliance: ISO 27001, SOC 2, GDPR readiness) · Datos y transformación analítica (BigQuery conceptos, Looker, Data Studio, pipeline de datos básico) · Aspectos financieros (Google Cloud Pricing Calculator, Cost Management, committed use discounts, sustained use discounts) · Cultura y modernización (DevOps, SRE, microservicios, cloud-native conceptos)

Fundamentos de IA generativa (LLMs: arquitectura transformer a alto nivel · Foundation Models: Gemini, PaLM, Imagen · diferencia LLM vs tradicional ML · casos de uso empresariales: summarization, Q&A, code generation, image generation) · Google AI Portfolio de negocio (Vertex AI Agent Builder · Gemini para Google Workspace: Docs, Sheets, Meet, Gmail copilot · Google Agentspace: agentes enterprise · NotebookLM · Gemini API en Google Cloud) · Prompt Engineering conceptual (zero-shot, few-shot, chain-of-thought a nivel ejecutivo) · Responsible AI y governance (hallucinations y mitigación · bias en modelos · safety filters · Google AI Principles · responsible deployment) · Arquitectura RAG conceptual (retrieval-augmented generation: problema, solución, beneficios para enterprise) · AI Strategy (build vs buy vs fine-tune decision framework · TCO de IA generativa · casos de uso de mayor ROI por industria) · Seguridad en GenAI (prompt injection awareness · data privacy en LLMs · modelo de datos de Vertex AI)

Configuración del entorno GCP (proyectos, facturación, cuotas, gcloud CLI, Cloud Shell, SDK) · Planificación y configuración de soluciones cloud (Compute Engine: machine types, persistent disks, snapshots, preemptible/spot VMs, managed instance groups, autoscaling; GKE: clusters, node pools, workloads, deployments, services; Cloud Run: services, jobs, revision traffic; App Engine: standard vs flexible) · Despliegue e implementación (Cloud Build: triggers, YAML; Cloud Deploy; Artifact Registry; Terraform en GCP básico; deployment manager) · Networking GCP (VPC: subnets, firewall rules, routes; VPC peering; Cloud NAT; Cloud DNS; Cloud Load Balancing: HTTP(S) LB, TCP/UDP LB, Internal LB; Cloud CDN) · Almacenamiento y bases de datos (Cloud Storage: clases, lifecycle, IAM vs ACLs, signed URLs; Cloud SQL: instancias, backups, alta disponibilidad; Firestore; Cloud Spanner básico; Memorystore; BigQuery conceptos de carga) · IAM y seguridad (service accounts, roles primitivos vs predefinidos vs custom; policy bindings; Organization Policy; Secret Manager; Cloud Armor básico) · Operaciones y monitoreo (Cloud Monitoring: métricas, alertas, uptime checks; Cloud Logging: log sinks, filtros, exclusions; Cloud Trace básico; Error Reporting)

Administración de usuarios y grupos (Google Admin Console: creación de usuarios, grupos, unidades organizativas; aprovisionamiento automático con SCIM/LDAP; Google Cloud Directory Sync; 2SV obligatorio por OU; SSO con SAML 2.0) · Gmail y Meet (routing de correo: rutas de entrega, listas de spam permitidas, políticas de correo entrante/saliente; DLP en Gmail: reglas de contenido, plantillas predefinidas; S/MIME para cifrado de correo; Meet: grabaciones, grabación en Drive, settings de acceso externo) · Drive y dispositivos (Drive: uso compartido por dominio vs externo, etiquetas, VPC Service Controls para Drive; Vault: asuntos, retención, exportación para eDiscovery; Endpoint Management: MDM básico/avanzado, compliance de dispositivos, borrado remoto) · Seguridad Workspace (Security Center: alertas, auditoría, investigación; acceso a aplicaciones OAuth de terceros; Context-Aware Access básico; BeyondCorp para Workspace; políticas de contraseña avanzadas) · Migración y reporting (Data Migration Service: migración desde Exchange/Outlook; Takeout; Vault para retención legal; Reports API: uso por aplicación, actividades) · Google Apps Script y automatización básica

Preparación e ingesta de datos (Cloud Storage: cargar datos estructurados/semi-estructurados; Cloud Pub/Sub: topics, subscriptions, pull vs push; Dataflow para ingesta batch y streaming a BigQuery; Transfer Service: carga desde S3/Azure Blob/on-premises) · BigQuery core (crear datasets y tablas; carga de datos: bq load, LOAD DATA, Data Transfer Service; consultas SQL: SELECT, JOIN, WHERE, GROUP BY, funciones de ventana; particionamiento por fecha y clustering; export: CSV/Parquet/JSON a Cloud Storage; uso de la consola vs bq CLI vs Python SDK) · Transformación y calidad de datos (Dataprep (Trifacta): recetas visuales de limpieza; Dataplex: catalogación, calidad de datos, lineage conceptual; Cloud Data Fusion: pipelines ETL visuales; dbt en BigQuery básico) · Visualización y presentación (Looker Studio: crear informes, conectar a BigQuery, filtros, gráficas; Looker básico: explores, modelos LookML conceptual) · Orquestación de pipelines (Cloud Composer / Apache Airflow: DAGs, tasks, scheduling, retries) · Gestión de datos (Data Catalog: tags, búsqueda; BigQuery column-level security; Row Access Policies; Information Schema de BigQuery)

Diseño de soluciones cloud (requesitos de negocio y técnicos → arquitectura; case studies oficiales: EHR Healthcare, Helicopter Racing League, Mountkirk Games, TerramEarth) · Alta disponibilidad y DR (RTO/RPO targets; arquitecturas multi-región; Cloud Spanner como DB global; geo-redundant Load Balancing; Backup and DR service) · Seguridad y compliance (VPC Service Controls: perímetros de servicio; BeyondCorp Enterprise: Zero Trust access; Cloud Armor: WAF; CMEK con Cloud KMS; Confidential Computing; Binary Authorization; Artifact Analysis) · Networking avanzado (Shared VPC: host vs service projects; VPC peering vs Shared VPC trade-offs; Cloud Interconnect: Dedicated vs Partner; Hybrid Connectivity: Cloud VPN HA; Private Service Connect) · Diseño de compute (GKE Enterprise: Autopilot vs Standard, node auto-provisioning, Workload Identity, Binary Authorization en GKE; Cloud Run jobs; Batch para HPC) · Optimización de costos (Committed Use Discounts vs Sustained Use Discounts; rightsizing con Recommender API; Spot VMs; carbon footprint; Active Assist) · Migración (Migrate to VMs; Migrate to Containers; Database Migration Service; Storage Transfer Service; Velostrata; 5Rs framework GCP)

Diseño de aplicaciones cloud-native (microservicios en GKE: Istio service mesh, circuit breaker, retries, traffic management; Cloud Run: request concurrency, min-instances, CPU boost; 12-factor app; API design: REST + gRPC + protobuf) · Desarrollo de datos y almacenamiento (Firestore: data modeling para escala, transacciones, queries compuestos; Cloud Spanner: interleaved tables, secondary indexes, commit timestamps; Datastore mode; Cloud SQL connection pooling con Cloud SQL Auth Proxy; BigTable: row key design para hot spots) · Integración y mensajería (Pub/Sub: exactly-once delivery, message ordering, dead-letter topics, push subscriptions con Cloud Run; Eventarc: triggers desde Pub/Sub/Cloud Storage/Audit Logs; Cloud Tasks: deduplication, rate limiting) · Gestión de APIs (Apigee API Management: products, apps, proxies, policies, analytics; Cloud Endpoints: OpenAPI/gRPC; API Gateway) · Seguridad en aplicaciones (Secret Manager: versioning, rotación automática; Identity Platform: OIDC providers; CSRF, XSS protections; Workload Identity para GKE y Cloud Run; IAM conditions) · Observabilidad (Cloud Trace: custom spans con OpenTelemetry; Cloud Profiler; Error Reporting; Structured Logging con severity; SLO/SLI con Cloud Monitoring; Prometheus en GKE) · Testing y CI/CD (Cloud Build: steps, artifacts, triggers; Cloud Deploy: pipelines, releases, rollouts; Skaffold; Kustomize; canary deployments en Cloud Run)

BigQuery avanzado (particionamiento: por ingestion time, fecha, integer range; clustering: elección de columnas; materialized views; BI Engine; reservations y slots; authorized views para seguridad de columnas; BigQuery Omni para análisis multi-cloud; INFORMATION_SCHEMA para metadata; BigQuery ML: CREATE MODEL, ML.EVALUATE, ML.PREDICT) · Pipelines de datos (Cloud Dataflow: Apache Beam Python SDK — PCollections, transforms, windowing: tumbling/sliding/session, watermarks, triggers; Pub/Sub + Dataflow para streaming end-to-end; Dataflow Flex Templates; Dataflow autoscaling) · Procesamiento distribuido (Dataproc: clusters Spark en GCP, job optimization, Dataproc Metastore; Dataproc Serverless; diferencia Dataflow vs Dataproc según caso de uso) · Almacenamiento analítico (Bigtable: row key design anti-hotspot, column families, compaction; Cloud Spanner: configuración global, read/write ratios, hotspot detection) · Orquestación y governance (Cloud Composer 2: DAGs Python Airflow, XComs, sensors, task groups, dynamic task mapping; Dataplex: data lakes, zones, assets, lineage, Data Quality tasks; Data Catalog: custom entry groups, tags, policy tags para column-level security) · Machine Learning en datos (Vertex AI Feature Store: feature ingestion, serving online/batch; Vertex AI Pipelines: Kubeflow Pipelines; TFX components) · Seguridad de datos (VPC Service Controls para BigQuery; CMEK en BigQuery/GCS; Row Access Policies; column-level encryption)

Bootstrapping de Google Cloud (recursos: proyectos, facturación, IAM; Terraform para IaC en GCP: providers, modules, remote state en GCS; Config Connector para gestionar recursos GCP desde K8s; Policy Controller: constraints, bundles) · Construcción y gestión de CI/CD (Cloud Build: YAML steps, substitution variables, build pools privados; Cloud Deploy: entrega continua a GKE/Cloud Run/GCE, releases, rollouts, estrategias canary/blue-green/custom; Skaffold integration; Cloud Source Repositories; GitHub/GitLab triggers) · SRE y operaciones (SLOs, SLIs, Error Budgets: creación en Cloud Monitoring; alertas basadas en burn rate; postmortem blameless; toil reduction; Incident Response con PagerDuty/OpsGenie integration) · Observabilidad avanzada (Cloud Monitoring: uptime checks, synthetic monitors, custom dashboards, alerting policies con múltiples condiciones; Cloud Logging: log-based metrics, BigQuery log sink, log buckets y retención; Cloud Trace: sampling rules, latency distribution; OpenTelemetry Collector en GKE) · GKE operations (cluster upgrade strategies: blue/green, in-place; node auto-upgrade; Workload Identity; GKE Sandbox; Config Sync con GitOps; Fleet management: multi-cluster) · Gestión de incidentes (Cloud Error Reporting; Debugger (deprecated) → Cloud Workstations debugging; postmortem templates; runbooks en Cloud Operations Suite)

Configuración de un entorno seguro (Organization Policy Service: constraints disponibles — restrict-public-ip, allowed-locations, etc.; Resource Manager: proyectos, folders, org; IAM avanzado: workload identity federation, impersonation de service accounts, IAM Conditions, IAM Recommender; Binary Authorization: policy attestors, attestations, SLSA) · Seguridad de red (Firewall Rules: priority, logging; Hierarchical Firewall Policies; Cloud Armor: custom rules, ratelimit, adaptive protection, WAF managed rules OWASP; VPC Service Controls: dry-run mode, access levels CIDR/device; Private Google Access; Private Service Connect; Cloud NAT logging) · Seguridad de datos (Cloud KMS: key rings, CMEK por recurso, automatización de rotación; Cloud HSM: módulos de seguridad hardware; Secret Manager: secretos con versionado, expiración y rotación automática con Cloud Run/Cloud Functions; DLP API: inspección y transformación — deidentification, reidentification; VPC Service Controls para BigQuery/Cloud Storage/Container Registry) · Gestión de operaciones de seguridad (Security Command Center (SCC): tiers Standard vs Premium, findings, assets, sources; Event Threat Detection: categories de amenazas; Security Health Analytics; Vulnerability scanning; Web Security Scanner; Chronicle SIEM basics: UDM, rules YARA-L) · Compliance (Cloud Audit Logs: tipos — Admin Activity, Data Access, System Event, Policy Denied; log sinks a BigQuery/GCS para retención long-term; Access Transparency; Assured Workloads)

Diseño de VPC (Custom Mode vs Auto Mode; subnets con rangos secundarios para GKE pods/services; VPC peering: límites y alternativas; Shared VPC: host/service projects, IAM para subnet sharing; IPv6 en GCP) · Conectividad híbrida (Cloud VPN: HA VPN con BGP — ASNs, route advertisements, failover; Cloud Interconnect: Dedicated 10/100G, Partner — L2/L3; VLAN Attachments; Cloud Router: BGP sessions, route policies, custom learned routes; HA patterns: 99.9% vs 99.99% SLA) · Network Services (Cloud Load Balancing completo: Global HTTP(S) LB v2 — URL maps, backend services, health checks, SSL policies; Internal HTTP(S) LB; TCP/UDP LB; Network LB; cross-region LB; Traffic Director: xDS API para service mesh; NEGs: Internet, Serverless, Hybrid; Cloud CDN: cache modes, invalidation, signed URLs; Cloud DNS: peering zones, forwarding zones, response policies; Cloud Armor: security policies avanzadas) · Diseño y arquitecturas de red (Network topology: hub-and-spoke con NVAs; Network Connectivity Center: spokes, hub; Private Service Connect: published services y endpoints; Cloud NAT: allocations, port reservations, logging) · Monitoreo de redes (Network Intelligence Center: topology, connectivity tests, performance dashboard, firewall insights; VPC Flow Logs: sampling, log fields, análisis en BigQuery; Packet Mirroring: filtros, collector instances)

Diseño de soluciones ML (selección de algoritmos según tipo de datos y problema; trade-offs: precisión vs latencia vs costo; cuándo usar AutoML vs custom model vs pre-trained API; framing ML problems; data augmentation; class imbalance techniques) · Vertex AI completo (Vertex AI Workbench: managed notebooks; Training: custom jobs con containers Docker, hyperparameter tuning con Vizier; Vertex AI Pipelines: Kubeflow Pipelines SDK — components, pipeline specs, artifact lineage; Feature Store: features, entity types, online serving; Experiments: tracking de runs con MLflow compatible) · Preparación de datos (BigQuery ML: CREATE MODEL, TRANSFORM, EVALUATE, PREDICT; Dataflow para feature engineering a escala; TFX: ExampleGen, StatisticsGen, SchemaGen, ExampleValidator, Transform, Trainer, Evaluator, Pusher) · Deployment y MLOps (Vertex AI Endpoints: online prediction, dedicated machine types, autoscaling, traffic splitting para A/B test; Batch Prediction jobs; Model Monitoring: skew detection, drift detection, feature attribution drift; Model Registry: versiones, aliases; CI/CD para ML con Cloud Build + Cloud Deploy) · ML Responsable (Vertex AI Explainability: SHAP, IG; Vertex AI Model Evaluation: métricas por slice; fairness indicators; What-If Tool; Responsible AI Toolkit) · Frameworks y optimización (TensorFlow en GCP: tf.data, TFX, multi-worker training; PyTorch en Vertex; scikit-learn en Vertex; ONNX para portabilidad; quantización, pruning; TensorRT para inferencia GPU)

Cloud SQL avanzado (High Availability: failover replica; Read Replicas: cross-region; Cloud SQL Auth Proxy: autenticación IAM; Maintenance windows; Point-in-time recovery; Flags de configuración performance; Database Migration Service desde MySQL/PostgreSQL on-premises; pglogical para replicación lógica) · Cloud Spanner (distribución global: multi-region configs; interleaved tables: parent-child; secondary indexes: storing columns; Transaction types: read-write, read-only, partitioned DML; hotspot detection y row key design; external consistency; Spanner Autoscaler; Change Streams) · Firestore y Datastore (Firestore: collections, documents, subcollections; queries con índices compuestos; transactions; real-time listeners; Firestore en modo Datastore: kinds, ancestors, consistency) · Bigtable (row key design: reverse timestamps, salting, hashing para evitar hotspots; column families; filters en lecturas; application profiles: single-cluster vs multi-cluster routing; replication; compaction; performance benchmarking con cbt) · AlloyDB para PostgreSQL (AlloyDB columnar engine; read pool nodes; zero-downtime maintenance; AlloyDB Omni on-premises; migración desde PostgreSQL; AlloyDB AI: embeddings integrados) · Database migrations (Database Migration Service: continuous migration CDC; Striim para homogeneous; Datastream: CDC desde Oracle/MySQL/PostgreSQL a BigQuery/GCS) · Memorystore (Redis: Standard tier con HA, RDB/AOF persistence, Eviction policies, cluster mode; Memcached vs Redis trade-offs)

Google SecOps (Chronicle SIEM: ingesta de logs vía parsers, Unified Data Model (UDM), búsqueda por entity/IoC/asset; Chronicle SOAR: playbooks de automatización de respuesta, integrations, casos; reglas de detección YARA-L 2.0: sintaxis, meta, events, condition, outcome; Retrohunts para búsqueda histórica) · Threat Intelligence (MITRE ATT&CK framework en Chronicle; IoC matching; Google Threat Intelligence feed; Applied Threat Intelligence; Mandiant Breach Analytics) · Operaciones en Google Cloud Security (Security Command Center Premium: Event Threat Detection, Virtual Machine Threat Detection, Container Threat Detection, Web Security Scanner, Security Health Analytics; SCC findings workflow: mark as resolved, snooze, mute) · Respuesta a incidentes (Incident management lifecycle en Chronicle SOAR; escalation paths; forensics en GCP: snapshot de disco, preservar logs; chain of custody; Gemini in Security para análisis asistido por IA) · Arquitectura SecOps (log ingestion: Ops Agent, Bindplane, Cloud Pub/Sub feed; SIEM sizing y partición de datos; data retention policies; integration con ticketing systems: ServiceNow, Jira; SOAR playbook design patterns: enrichment, containment, eradication) · Compliance y reporting (custom dashboards en Chronicle; métricas MTTD/MTTR; regulaciones: PCI-DSS logging requirements, HIPAA log retention, ISO 27001 A.16 incident management)