NetApp Certified AI Expert 

Este exame destina-se a profissionais técnicos que adquiriram conhecimento nas áreas de construção de infraestruturas para workloads de IA e têm de 6 a 12 meses de experiência técnica trabalhando com IA.

Você deve ter:

• Compreensão das soluções de IA da NetApp, dos conceitos de IA, do ciclo de vida da IA, da arquitetura de hardware e software de IA e dos desafios comuns.

Domínio 1. Visão geral da IA (15%)

• Demonstrar a capacidade de treinamento e inferência
  • Treinamento, inferência e previsões
• Descrever os benefícios do machine learning
  • IA, machine learning, aprendizado profundo
• Diferenciar o uso entre diferentes tipos de algoritmo
  • Supervisionado, não supervisionado, reforço
• Descrever como a IA é usada em setores variados
  • Gêmeos digitais, agentes, saúde
• Descrever a convergência da IA, da computação de alto desempenho e das análises
  • Aproveitamento da mesma infraestrutura para IA, HPC e análises
• Determinar o uso da AI on-premises, na nuvem e na borda
  • Benefícios, riscos

Domínio 2. Ciclo de vida da IA (27%)

• Determinar as diferenças entre IA preditiva e IA generativa
  • Uso da IA preditiva e da IA generativa pelos setores
• Descrever o impacto da IA preditiva
  • Classificação, redes neurais, reforço, determinar preferência
• Descrever o impacto de texto, imagens, vídeos e decisões generativos na IA generativa
  • Modelos de transformadores, alucinações, geração aumentada de recuperação (RAG) x ajuste fino
• Determinar como as ferramentas da NetApp podem habilitar a agregação, a limpeza e a modelagem de dados
  • Classificação do BlueXP , XCP, CopySync
• Determinar os requisitos necessários para a geração do modelo
  • Dados, código, computação e tempo, cenários
• Comparar as diferenças entre a construção de modelos e o ajuste fino de modelos
  • Construção de modelo = dados, código; ajuste fino = modelo existente, dados, código
• Determinar os requisitos necessários para a inferência
  • Carregamento de modelo na memória (tamanho do modelo); geração aumentada de recuperação (RAG) ou outras pesquisas de dados (agentes), soluções de mobilidade de dados da NetApp

Domínio 3: Arquiteturas de software de IA (18%)

• Descrever os ecossistemas MLOps/LLMOps de IA e o uso geral
  • Visão geral do AWS Sagemaker, Google VertexAI, Microsoft AzureML, Domino Data Labs, RunAI, MLflow, KubeFlow, TensorFlow Extended
• Determinar as diferenças entre notebooks Jupyter e pipelines
  • Notebooks para experimentação, pipelines para desenvolvimento iterativo (produção)
• Descrever como funciona o NetApp DataOps Toolkit
  • Python; Kubernetes x autônomo; funcionalidade básica fornecida pelo NetApp DataOps Toolkit
• Demonstrar a capacidade de executar workloads de IA em escala com o Kubernetes
  • Trident
• Descrever o uso das ferramentas de software do BlueXP para criar soluções de IA
  • GenAI Toolkit, Workload Factory, como usar dados privados com segurança com a IA generativa

Domínio 4: Arquiteturas de hardware de IA (18%)

• Descrever topologias de agregação de dados
  • Warehouses, data lakes e lakehouses
• Descrever as arquiteturas de computação usadas com workloads de IA
  • CPU, GPU — NVIDIA, TPU, FPGA
• Descrever a arquitetura de rede usada com workloads de IA
  • Ethernet x Infiniband; relevância do RDMA e do GPUDirect Storage
• Identificar as arquiteturas de storage usadas com workloads de IA
  • C-Series, A-Series, EF-Series, StorageGRID
• Determinar os casos de uso de diferentes protocolos
  • Arquivos, objetos, sistemas de arquivos paralelos, POSIX, clientes instalados em hosts etc., arquivo x objeto ou ambos; integrar dados de arquivos a serviços baseados em objeto (nuvem e on-premise), para análise
• Determinar os benefícios das arquiteturas SuperPOD com a NetApp
  • E Series, BeeGFS, integração com dados empresariais
• Descrever os casos de uso para arquiteturas BasePod e OVX
  • AIPod, FlexPod AI, OVX

Domínio 5: Desafios comuns da IA (22%)

• Determinar como dimensionar o storage e a computação para workloads de treinamento e inferência
  • C-Series x A-Series; memória da GPU e arquiteturas de chip
• Descrever as soluções para rastreabilidade de código, dados e modelo
  • Snapshots e clonagem
• Descrever como acessar e mover dados para workloads de IA
  • SnapMirror e FlexCache XCP, backup e recuperação, CopySync
• Descrever soluções para otimizar os custos
  • Eficiências de storage, FabricPool, FlexCache, SnapMirror, Data Infrastructure Insights, Keystone
• Descrever soluções para proteger o storage para workloads de IA
  • Dados de má qualidade = IA de má qualidade; proteção autônoma contra ransomware, verificação por múltiplos administradores
• Descrever soluções para maximizar o desempenho em workloads de IA
  • Como manter as GPUs totalmente utilizadas, posicionamento do produto da NetApp para workloads e arquiteturas específicos