NetApp Certified AI Expert 

Cet examen est destiné aux techniciens ayant acquis des connaissances dans les domaines de la création d'infrastructures pour les workloads d'IA et ayant de six à 12 mois d'expérience technique dans ce domaine.

Acquis requis :

• Vous comprenez les solutions d'IA de NetApp, les concepts d'IA, le cycle de vie de l'IA, les architectures logicielles et matérielles d'IA et les défis courants.

Domaine 1. Présentation de l'IA (15 %)

• Entraînement et inférence
• Entraînement, inférence et prédictions
• Avantages du machine learning
• IA, machine learning, deep learning
• Différenciation des types d'algorithme
• Supervision, sans supervision, renforcement
• Utilisation de l'IA dans divers secteurs
• Jumeaux numériques, agents, domaine de la santé
• Convergence de l'IA, de l'informatique haute performance et de l'analytique
• Exploitation de la même infrastructure pour l'IA, le HPC et l'analytique
• Utilisation de l'IA sur site, dans le cloud et en périphérie
• Avantages, risques

Domaine 2. Cycle de vie de l'IA (27 %)

• Différences entre l'IA prédictive et l'IA générative
• Utilisation de l'IA prédictive et de l'IA générative dans le secteur
• Impact de l'IA prédictive
• Classification, réseaux neuronaux, renforcement, détermination de la préférence
• Impact du texte, des images, des vidéos et des décisions génératifs dans l'IA générative
• Modèles de transformateurs, hallucinations, génération augmentée par récupération (RAG) et ajustement
• Agrégation, nettoyage et modélisation des données à l'aide des outils NetApp
• Classification BlueXP, XCP, CopySync
• Exigences requises pour la génération de modèles
• Données, code, calcul et temps, scénarios
• Différences entre la création de modèles et l’ajustement de modèles
• Création de modèles = données, code ; ajustement = modèle, données, code existants
• Exigences requises pour l'inférence
• Chargement du modèle en mémoire (taille du modèle) ; génération augmentée par récupération (RAG) ou autres recherches de données (agents), solutions de mobilité des données NetApp

Domaine 3 : architectures logicielles d'IA (18 %)

• Écosystèmes MLOps/LLMOps d'IA et utilisation générale
• Vue générale d'AWS Sagemaker, Google VertexAI, Microsoft AzureML, Domino Data Labs, RunAI, MLflow, KubeFlow, TensorFlow Extended
• Différences entre les notebooks et les pipelines Juypter
• Notebooks pour l'expérimentation, pipelines pour le développement itératif (production)
• Fonctionnement du kit DataOps NetApp
• Python ; Kubernetes et autonome ; fonctionnalités de base fournies par le kit DataOps NetApp
• Exécution des workloads d'IA à grande échelle avec Kubernetes
• Trident
• Création de solutions d'IA à l’aide d’outils logiciels BlueXP
• Kit GenAI, Workload Factory, utilisation sécurisée des données privées avec l'IA générative

Domaine 4 : architectures matérielles d'IA (18 %)

• Topologies d'agrégation de données
• Entrepôts, data lakes et lakehouses
• Architecture de calcul utilisée avec les workloads d'IA
• Processeur, processeur graphique : NVIDIA, TPU, FPGA
• Architecture réseau utilisée avec les workloads d'IA
• Ethernet et Infiniband ; pertinence du stockage RDMA et GPUDirect
• Architectures de stockage utilisées avec les workloads d'IA
• C-Series, A-Series, EF-Series et StorageGRID
• Cas d'utilisation de différents protocoles
• Fichier, objet, systèmes de fichiers parallèles, POSIX, clients installés sur les hôtes, etc., fichier ou objet, ou les deux ; intégration des données de fichier avec des services basés sur des objets (cloud et sur site), pour l'analytique
• Avantages des architectures SuperPOD avec NetApp
• E Series, BeeGFS, intégration avec les données d'entreprise
• Cas d'utilisation des architectures BasePod et OVX
• AIPod, FlexPod pour l'IA, OVX

Domaine 5 : défis courants liés à l'IA (22 %)

• Dimensionnement du stockage et du calcul pour les workloads d'entraînement et d'inférence
• C-Series et A-Series ; mémoire du processeur graphique et architectures de puces
• 5.2 Solutions de traçabilité du code, des données et des modèles
• Snapshots et clonage
• 5.3 Méthodes d'accès aux données et de déplacement des données pour les workloads d'IA
• SnapMirror et FlexCache. XCP, sauvegarde et restauration, CopySync
• 5.4 Solutions permettant d'optimiser les coûts
• Fonctionnalités d'efficacité du stockage, FabricPool, FlexCache, SnapMirror, Data Infrastructure Insights, Keystone
• 5.5 Solutions permettant de sécuriser le stockage pour les workloads d'IA
• Données médiocres = IA inefficace ; protection autonome contre les ransomwares, vérification multiadministrateur
• 5.6 Solutions permettant d'optimiser les performances des workloads d'IA
• Utilisation du plein potentiel des processeurs graphiques, positionnement des produits NetApp pour des workloads et des architectures spécifiques