NetApp 认证 AI 专家 

本考试面向已掌握构建 AI 工作负载基础架构领域知识并具有 6-12 个月 AI 技术经验的技术专业人员。

您应该：

• 了解 NetApp AI 解决方案、AI 概念、AI 生命周期、AI 软件和硬件架构以及常见挑战。

领域 1：AI 概述 (15%)

• 展示训练和推理的能力
• 训练、推理和预测
• 描述机器学习的优势
• AI、机器学习、深度学习
• 区分不同算法类型的使用
• 监督、无监督、加强
• 描述 AI 在不同行业中的应用
• 数字孪生、代理、医疗保健
• 描述 AI、高性能计算和分析的融合
• 利用同一基础架构进行 AI、HPC 和分析
• 确定 AI 在内部、云中和边缘的应用方式
• 优势、风险

领域 2：AI 生命周期 (27%)

• 确定预测性 AI 与生成式 AI 之间的区别
• 行业对预测性 AI 和生成式 AI 的应用
• 描述预测性 AI 的影响
• 分类、神经网络、强化、确定偏好
• 描述生成式文本、图像、视频、决策在生成式 AI 中的影响
• 转换器模型、幻觉、检索增强生成 (RAG) 与微调
• 确定 NetApp 工具如何支持数据聚合、数据清洗和数据建模
• BlueXP 分类、XCP、CopySync
• 确定模型生成所需的要求
• 数据、代码、计算和时间、场景
• 比较模型构建和微调模型之间的差异
• 模型构建 = 数据、代码；微调 = 现有模型、数据、代码
• 确定推理所需的要求
• 将模型加载到内存（模型大小）；检索增强生成 (RAG) 或其他数据查找（代理）、NetApp 数据移动解决方案

领域 3：AI 软件架构 (18%)

• 描述 AI MLOps/LLMOps 生态系统和一般用途
• AWS Sagemaker、Google VertexAI、Microsoft AzureML、Domino Data Labs、RunAI、MLflow、KubeFlow、TensorFlow Extended 的概括视图
• 确定 Juypter 笔记本与管道之间的差异
• 笔记本用于实验，管道用于迭代开发（生产）
• 描述 NetApp DataOps 工具包的工作原理
• Python；Kubernetes 与独立部署；NetApp DataOps 工具包提供的基本功能
• 展示利用 Kubernetes 大规模执行 AI 工作负载的能力
• Trident
• 描述 BlueXP 软件工具在构建 AI 解决方案中的用途
• GenAI 工具包，Workload Factory，如何利用生成式 AI 安全地使用私有数据

领域 4：AI 硬件架构 (18%)

• 描述数据聚合拓扑
• 仓库、数据湖和湖仓一体
• 描述用于 AI 工作负载的计算架构
• CPU、GPU - NVIDIA、TPU、FPGA
• 描述用于 AI 工作负载的网络架构
• 以太网与无限带宽；RDMA 和 GPUDirect 存储的相关性
• 确定用于 AI 工作负载的存储架构
• C 系列、A 系列、EF 系列、StorageGRID
• 确定不同协议的用例
• 文件、对象、并行文件系统、POSIX、主机上安装的客户端等，文件与对象或两者兼有；将文件数据与基于对象的服务（云和内部）集成以进行分析
• 确定采用 NetApp 的 SuperPOD 架构的优势
• E 系列、BeeGFS、与企业数据集成
• 描述 BasePod 和 OVX 架构的用例
• AIPod、FlexPod AI、OVX

领域 5：AI 常见挑战 (22%)

• 确定如何为训练和推理工作负载调整存储和计算的规模
• C 系列与 A 系列；GPU 内存和芯片架构
• 5.2 描述代码、数据和模型可追溯性的解决方案
• 快照和克隆
• 5.3 描述如何访问和移动 AI 工作负载的数据
• SnapMirror 和 FlexCache。XCP、备份和恢复、CopySync
• 5.4 描述优化成本的解决方案
• 存储效率、FabricPool、FlexCache、SnapMirror、数据基础架构洞察、Keystone
• 5.5 描述确保 AI 工作负载存储安全的解决方案
• 坏数据 = 坏 AI；自主勒索软件保护、多管理员验证
• 5.6 描述最大化 AI 工作负载性能的解决方案
• 如何充分利用 GPU、针对特定工作负载和架构的 NetApp 产品定位