Experto certificado en IA de NetApp 

Este examen está dirigido a profesionales técnicos que han adquirido conocimientos en las áreas de creación de infraestructuras para cargas de trabajo de IA y que tienen una experiencia técnica con la IA de entre 6 a 12 meses.

Debes contar con lo siguiente:

• Conocimiento de las soluciones de IA de NetApp, conceptos de IA, ciclo de vida de la IA, software de IA y arquitectura de hardware, además de los retos comunes.

Dominio 1. Información general sobre IA (15 %)

• Demostrar la capacidad de entrenamiento e inferencia
• Entrenamiento, inferencia y predicciones
• Describir las ventajas del aprendizaje automático
• IA, aprendizaje automático, aprendizaje profundo
• Diferenciar el uso entre distintos tipos de algoritmos
• Refuerzo, supervisado, no supervisado
• Describir cómo se utiliza la IA en diversos sectores
• Gemelos digitales, agentes, atención sanitaria
• Describir la convergencia de la IA, la computación de alto rendimiento y el análisis
• Aprovechar la misma infraestructura para IA, computación de alto rendimiento (HPC) y análisis
• Determinar el uso de la IA on-premises, en la nube y en el edge
• Beneficios, riesgos

Dominio 2. Ciclo de vida de la IA (27 %)

• Determinar las diferencias entre IA predictiva e IA generativa
• Uso de la IA predictiva y generativa en la industria
• Describir el impacto de la IA predictiva
• Clasificación, redes neuronales, refuerzo, determinar preferencia
• Describir el impacto del texto, las imágenes, los vídeos y las decisiones generativas en la IA generativa
• Modelos de transformadores, alucinaciones, generación mejorada por recuperación (RAG) frente a ajustes
• Determinar cómo las herramientas de NetApp pueden habilitar la agregación, la limpieza y el modelado de datos
• Clasificación de BlueXP, XCP, CopySync
• Determinar los requisitos necesarios para la generación de modelos
• Datos, código, computación y tiempo, escenarios
• Comparar las diferencias entre la creación de modelos y los modelos de ajuste
• Creación de modelos = datos, código; ajuste = modelo existente, datos, código
• Determinar los requisitos necesarios para la inferencia
• Carga del modelo en memoria (tamaño de modelo), generación mejorada por recuperación (RAG) u otras consultas de datos (agentes), soluciones de movilidad de datos de NetApp

Dominio 3: arquitecturas de software de IA (18 %)

• Describir los ecosistemas MLOps/LLMOps de IA y el uso general
• Visión global de AWS Sagemaker, Google VertexAI, Microsoft AzureML, Domino Data Labs, RunAI, MLflow, KubeFlow, TensorFlow Extended
• Determinar las diferencias entre Jupy Notebook frente a canalizaciones
• Notebooks para experimentación, canalizaciones para desarrollo iterativo (producción)
• Describir cómo funciona el kit de herramientas de DataOps de NetApp
• Python; Kubernetes frente a independiente; funcionalidad básica proporcionada por el kit de DataOps de NetApp
• Demostrar la capacidad de ejecutar cargas de trabajo de IA a escala con Kubernetes
• Trident
• Describir los usos de las herramientas de software de BlueXP para crear soluciones de IA
• Kit de herramientas de GenAI, fábrica de cargas de trabajo, cómo utilizar de forma segura los datos privados con IA generativa

Dominio 4: arquitecturas de hardware de IA (18 %)

• Describir las topologías de agregación de datos
• Almacenes, lagos de datos y almacenes de lagos de datos
• Describir las arquitecturas de computación utilizadas con cargas de trabajo de IA
• CPU, GPU - NVIDIA, TPU, FPGA
• Describir la arquitectura de red utilizada con cargas de trabajo de IA
• Ethernet frente a Infiniband; relevancia de RDMA y GPUDirect Storage
• Identificar las arquitecturas de almacenamiento utilizadas con cargas de trabajo de IA
• C-Series, A-Series, EF-Series, StorageGRID
• Determinar los casos de uso de diferentes protocolos
• Archivos, objetos, sistemas de archivos paralelos, POSIX, clientes instalados en hosts, etc., archivos frente a objetos, o ambos; integrar los datos de archivos con servicios basados en objetos (nube y on-premises), para análisis
• Determinar las ventajas de las arquitecturas de SuperPOD con NetApp
• E-Series, BeeGFS, integración con datos empresariales
• Describir los casos de uso de las arquitecturas BasePod y OVX
• AIPod, FlexPod AI, OVX

Dominio 5: desafíos comunes de la IA (22 %)

• Determinar cómo dimensionar el almacenamiento y la tecnología para las cargas de trabajo de entrenamiento e inferencia
• C-Series frente a A-Series; memoria de GPU y arquitecturas de chips
• 5.2 Describir las soluciones para el código, los datos y la trazabilidad de modelos
• Copias Snapshot y clonado
• 5.3 Describir cómo se accede a los datos y cómo se deben mover para las cargas de trabajo de IA
• SnapMirror y FlexCache. XCP, backup y recuperación, CopySync
• 5.4 Descripción de las soluciones para optimizar los costes
• Eficiencias en almacenamiento, FabricPool, FlexCache, SnapMirror, Data Infrastructure Insights, Keystone
• 5.5 Describir las soluciones para proteger el almacenamiento para cargas de trabajo de IA
• Datos malos = IA mala; protección autónoma frente a ransomware, verificación de varios administradores
• 5.6 Describir las soluciones que maximizan el rendimiento en cargas de trabajo de IA
• Cómo hacer que las GPU estén totalmente aprovechadas, posicionamiento de productos de NetApp para cargas de trabajo y arquitecturas específicas