NetApp Certified AI Expert 

Diese Prüfung richtet sich an technische Experten, die Kenntnisse über den Aufbau von Infrastrukturen für KI-Workloads erworben haben und über sechs bis 12 Monate technische Erfahrung mit KI verfügen.

Sie sollten über Folgendes verfügen:

• Verständnis der NetApp KI-Lösungen, KI-Konzepte, des KI-Lebenszyklus, KI-Software- und -Hardwarearchitektur sowie allgemeiner Herausforderungen

Bereich 1. KI-Übersicht (15 %)

• Fähigkeit zum Training und zur Inferenz demonstrieren
• Training, Inferenz und Prognosen
• Vorteile von Machine Learning beschreiben
• KI, Machine Learning, Deep Learning
• Verwendung verschiedener Algorithmustypen unterscheiden
• Überwachtes, unüberwachtes, Reinforcement Learning
• Einsatz von KI in unterschiedlichen Branchen beschreiben
• Digitale Zwillinge, Agents, Gesundheitswesen
• Konvergenz von KI, High-Performance-Computing und Analytik beschreiben
• Nutzung derselben Infrastruktur für KI, HPC und Analytik
• Einsatz der KI On-Premises, in der Cloud und am Edge bestimmen
• Vorteile, Risiken

Bereich 2. KI-Lebenszyklus (27 %)

• Unterschiede zwischen prädiktiver KI und generativer KI bestimmen
• Einsatz von prädiktiver und generativer KI in der Industrie
• Auswirkungen von prädiktiver KI beschreiben
• Klassifizierung, neuronale Netze, Verstärkung, Präferenz bestimmen
• Auswirkungen generativer Texte, Bilder, Videos und Entscheidungen in der generativen KI beschreiben
• Transformatormodelle, Halluzinationen, Retrieval Augmented Generation (RAG) vs. Feinabstimmung
• Bestimmen, wie NetApp Tools Datenaggregation, Datenbereinigung und Datenmodellierung ermöglichen
• BlueXP Klassifizierung, XCP, CopySync
• Anforderungen für die Modellgenerierung bestimmen
• Daten, Code, Compute und Zeit, Szenarien
• Unterschiede zwischen Modellbildung und Feinabstimmung von Modellen vergleichen
• Modellbildung = Daten, Code; Feinabstimmung = bestehendes Modell, Daten, Code
• Anforderungen für die Inferenz bestimmen
• Modell in den Speicher laden (Modellgröße); Retrieval Augmented Generation (RAG) oder andere Datenabfragen (Agents), NetApp Lösungen für die Datenmobilität

Bereich 3: KI-Softwarearchitekturen (18 %)

• AI MLOps/LLMOps Ecosystems und allgemeine Nutzung beschreiben
• Allgemeiner Überblick über AWS SageMaker, Google VertexAI, Microsoft AzureML, Domino Data Labs, RunAI, MLflow, KubeFlow, TensorFlow Extended
• Unterschiede zwischen Juypter Notebooks und Pipelines bestimmen
• Notebooks für Experimente, Pipelines für iterative Entwicklung (Produktion)
• Funktionsweise des NetApp DataOps Toolkit beschreiben
• Python; Kubernetes vs. Standalone; Grundfunktionen des NetApp DataOps Toolkit
• Fähigkeit zur Ausführung von skalierbaren KI-Workloads mit Kubernetes demonstrieren
• Trident
• Verwendung von BlueXP Softwaretools zum Erstellen von KI-Lösungen beschreiben
• GenAI Toolkit, Workload Factory, Vorgehensweise für die sichere Nutzung privater Daten mit generativer KI

Bereich 4: KI-Hardwarearchitekturen (18 %)

• Topologien der Datenaggregation beschreiben
• Warehouses, Data Lakes und Lakehouses
• Computing-Architekturen beschreiben, die mit KI-Workloads verwendet werden
• CPU, GPU – NVIDIA, TPU, FPGA
• Netzwerkarchitektur für KI-Workloads beschreiben
• Ethernet vs. Infiniband; Relevanz von RDMA und GPUDirect Storage
• Storage-Architekturen identifizieren, die für KI-Workloads verwendet werden
• C-Series, A-Series, EF-Series und StorageGRID
• Anwendungsfälle für verschiedene Protokolle bestimmen
• Datei, Objekt, parallele Filesystems, POSIX, auf Hosts installierte Clients usw., Datei im Vergleich zu Objekt oder beides; Dateidaten zur Analyse in objektbasierte Services integrieren (Cloud- und On-Premises-Services)
• Vorteile von SuperPOD-Architekturen mit NetApp bestimmen
• E-Series, BeeGFS, Integration mit Enterprise-Daten
• Anwendungsfälle für BasePod- und OVX-Architekturen beschreiben
• AIPod, FlexPod AI, OVX

Bereich 5: Häufige Herausforderungen im Bereich KI (22 %)

• Dimensionierung von Storage- und Computing-Ressourcen für Training- und Inferenz-Workloads bestimmen
• C-Series im Vergleich zu A-Series; GPU-Speicher und Chip-Architekturen
• 5.2 Lösungen für Code, Daten und Modellrückverfolgbarkeit beschreiben
• Snapshots und Klonen
• 5.3 Datenzugriff und -verschiebung für KI-Workloads beschreiben
• SnapMirror und FlexCache. XCP, Backup und Recovery, CopySync
• 5.4 Lösungen zur Kostenoptimierung beschreiben
• Storage-Effizienz, FabricPool, FlexCache, SnapMirror, Einblicke in die Dateninfrastruktur, Keystone
• 5.5 Lösungen für sicheren Storage für KI-Workloads beschreiben
• Schlechte Daten = schlechte KI; autonomer Ransomware-Schutz, Verifizierung durch mehrere Administratoren
• 5.6 Lösungen für maximale Performance in KI-Workloads beschreiben
• Vorgehensweise für die vollständige Auslastung von GPUs, Positionierung von NetApp Produkten für spezifische Workloads und Architekturen