Esperto di AI con certificazione NetApp 

Questo esame è rivolto ai professionisti tecnici con esperienza nella creazione di infrastrutture per carichi di lavoro AI e che hanno da sei a dodici mesi di esperienza tecnica con l'AI.

Dovrai avere:

• Conoscenza delle soluzioni AI di NetApp, dei concetti di intelligenza artificiale, del ciclo di vita dell’AI, dell’architettura software e hardware per l’AI e delle sfide più comuni.

Dominio 1. Panoramica sull'AI (15%)

• Dimostrare la capacità di eseguire addestramento e inferenza
• Addestramento, inferenza e previsioni
• Descrivere i vantaggi dell'apprendimento automatico
• AI, machine learning, deep learning
• Differenziare l'uso tra diversi tipi di algoritmo
• Supervisionato, non supervisionato e di rinforzo
• Descrivere l'utilizzo dell'AI nei vari settori
• Gemelli digitali, agenti, settore sanitario
• Descrivere convergenza dell'AI, high-performance computing e analytics
• Sfruttare la stessa infrastruttura per AI, HPC e analytics
• Determinare l'utilizzo dell'AI on-premise, nel cloud e a livello perimetrale
• Vantaggi, rischi

Dominio 2. Ciclo di vita dell'AI (27%)

• Determinare le differenze tra AI predittiva e AI generativa
• Uso nel settore dell'AI predittiva e generativa
• Descrivere l'impatto dell'AI predittiva
• Classificazione, reti neurali, rinforzo, determinare la preferenza
• Descrivere l'impatto di testo generativo, immagini, video e decisioni nell'intelligenza artificiale generativa
• Modelli di trasformatori, allucinazioni, retrieval augmented generation (RAG) vs. messa a punto
• Determinare in che modo gli strumenti NetApp possono consentire l'aggregazione, la pulizia e la modellazione dei dati
• Classificazione BlueXP, XCP, CopySync
• Determinare i requisiti necessari per la generazione del modello
• Dati, codice, calcolo e tempo, scenari
• Confrontare le differenze tra la creazione e la messa a punto dei modelli
• Costruzione modello = dati, codice; messa a punto = modello, dati, codice esistenti
• Determinare i requisiti necessari per l'inferenza
• Caricamento del modello nella memoria (dimensioni del modello); retrieval augmented generation (RAG) o altre ricerche di dati (agenti), soluzioni NetApp per la mobilità dei dati

Dominio 3: architetture software AI (18%)

• Descrivere gli ecosistemi e l'utilizzo generale di AI MLOps/LLMOps
• Panoramica generale di AWS SageMaker, Google VertexAI, Microsoft AzureML, Domino Data Labs, RunAI, MLflow, KubeFlow, TensorFlow Extended
• Determina le differenze tra i notebook Juypter e le pipeline
• Notebook per la sperimentazione, pipeline per lo sviluppo iterativo (produzione)
• Descrivere il funzionamento del toolkit di NetApp DataOps
• Python; Kubernetes vs. standalone; funzionalità di base fornite dal toolkit NetApp DataOps
• Dimostra la capacità di eseguire carichi di lavoro AI su larga scala con Kubernetes
• Trident
• Descrivere gli utilizzi degli strumenti software BlueXP per creare soluzioni AI
• GenAI Toolkit, Workload Factory, come utilizzare in modo sicuro i dati privati con l'Intelligenza Artificiale Generativa

Dominio 4: architetture hardware AI (18%)

• Descrivere le topologie di aggregazione dei dati
• Warehouse, data lake e lakehouse
• Descrivere le architetture di calcolo utilizzate con i carichi di lavoro AI
• CPU, GPU - Nvidia, TPU, FPGA
• Descrivere i tipi di rete utilizzati con i carichi di lavoro AI
• Ethernet vs. Infiniband; Rilevanza di RDMA e GPUDirect Storage
• Identifica le architetture di storage utilizzate con i carichi di lavoro AI
• C-Series, A-Series, EF-Series, StorageGRID
• Determina i casi di utilizzo di protocolli diversi
• file, oggetti, file system paralleli, POSIX, client installati sugli host e così via, confronto fra file e oggetti o entrambi; integrare i dati dei file con servizi basati su oggetti (cloud e on-premise), per gli analytics
• Determinare i vantaggi delle architetture SuperPOD con NetApp
• E-Series, BeeGFS, integrazione con i dati aziendali
• Descrivere i casi d'utilizzo per le architetture BasePod e OVX
• AIPod, FlexPod AI, OVX

Dominio 5: sfide comuni dell'AI (22%)

• Determinare come dimensionare storage e calcolo per i carichi di lavoro di addestramento e inferenza
• C-Series e A-Series; memoria GPU e architetture di chip
• 5.2 Descrivere le soluzioni per la tracciabilità di codici, dati e modelli
• Snapshot e clonazione
• 5.3 Descrivere come accedere e spostare i dati per i carichi di lavoro AI
• SnapMirror e FlexCache. XCP, Backup e recovery, CopySync
• 5.4 Descrivere le soluzioni per ottimizzare i costi
• Efficienze dello storage, FabricPool, FlexCache, SnapMirror, Data Infrastructure Insights, Keystone
• 5.5 Descrivere le soluzioni per proteggere lo storage per i carichi di lavoro AI
• Dati non validi = AI non valida; protezione autonoma da ransomware, verifica Multi-Admin
• 5.6 Descrivere le soluzioni per massimizzare le performance nei carichi di lavoro AI
• Come garantire l'utilizzo ottimale delle GPU e il posizionamento dei prodotti NetApp per carichi di lavoro e architetture specifici