本測驗可證實
本測驗適用於具備 AI 工作負載基礎架構建置知識，並擁有 6 到 12 個月 AI 技術經驗的技術專業人員。
您應具備：
- 對 NetApp AI 解決方案、AI 概念、AI 生命週期、AI 軟硬體架構及常見挑戰的瞭解。
測驗項目
領域 1. AI 概述 (15%)
- 展現在訓練模型和邏輯推演方面的能力
- 訓練、邏輯推演和預測
- 說明機器學習的好處
- AI、機器學習、深度學習
- 區分不同演算法類型之間的使用情況
- 受監督、無監督、強化
- 說明 AI 如何用於各種產業
- 數位分身、代理程式、醫療應用
- 說明如何融合 AI、高效能運算和分析技術
- 運用相同的基礎架構進行 AI、高效能運算和分析
- 判斷 AI 在內部部署、雲端和邊緣環境中的使用情況
- 效益、風險
領域 2. AI 生命週期 (27%)
- 判斷預測型 AI 和生成式 AI 之間的差異
- 預測型和生成式 AI 的產業應用
- 說明預測型 AI 的影響力
- 分類、神經網路、強化、判斷偏好
- 說明生成式 AI 對生成文字、影像、影片、決策的影響
- Transformer 模型、幻覺、擷取擴增生成 (RAG) 與微調
- 判斷 NetApp 工具如何實現資料彙總、資料清理和資料建模
- BlueXP 分類、XCP、CopySync
- 判斷產生模型所需的要求條件
- 資料、程式碼、運算與時間、情境
- 比較模型建構和微調模型之間的差異
- 模型建構 = 資料、程式碼；微調 = 現有模型、資料、程式碼
- 判斷邏輯推演所需的要求條件
- 將模型載入記憶體（模型大小）；擷取擴增生成 (RAG) 或其他資料查詢（代理程式）、NetApp 資料移動性解決方案
領域 3. AI 軟體架構 (18%)
- 說明 AI MLOps/LLMOps 生態系統和一般用途
- AWS Sagemaker、Google VertexAI、Microsoft AzureML、Domino Data Labs、RunAI、MLflow、KubeFlow、TensorFlow Extended 的高階檢視
- 判斷 Juypter Notebook 和管道之間的差異
- Notebook用於實驗、管道用於迭代開發（正式作業）
- 說明 NetApp DataOps Toolkit 的運作方式
- Python；Kubernetes 與獨立運作的比較；NetApp DataOps Toolkit 提供的基本功能
- 展現使用 Kubernetes 大規模執行 AI 工作負載的能力
- Trident
- 說明如何使用 BlueXP 軟體工具來建置 AI 解決方案
- GenAI 工具套件、工作負載工廠、如何透過生成式 AI 安全地使用私有資料
領域 4. AI 硬體架構 (18%)
- 說明資料彙總拓撲
- 倉儲、資料湖和湖倉
- 說明 AI 工作負載所使用的運算架構
- CPU、GPU - Nvidia、TPU、FPGA
- 說明用於 AI 工作負載的網路架構
- 乙太網路與 Infiniband 的比較；RDMA 和 GPUDirect Storage 的關聯性
- 識別與 AI 工作負載搭配使用的儲存架構
- C 系列、A 系列、EF 系列、StorageGRID
- 判斷不同傳輸協定的使用案例
- 檔案、物件、平行檔案系統、POSIX、安裝在主機上的用戶端等；檔案、物件或兩者的比較；將檔案資料與物件型服務（雲端和內部部署）整合以進行分析
- 判斷 SuperPOD 架構採用 NetApp 技術的優勢
- E 系列、BeeGFS、與企業資料整合
- 說明 BasePod 和 OVF 架構的使用案例
- AIPod、FlexPod AI、OVX
領域 5. AI 常見挑戰 (22%)
- 判斷如何調整訓練和邏輯推演工作負載的儲存容量和運算規模
- C 系列與 A 系列的比較；GPU 記憶體與晶片架構
- 說明程式碼、資料和模型可追蹤性的解決方案
- 快照與複製
- 說明如何存取和搬移資料以用於 AI 工作負載
- SnapMirror 和 FlexCache、XCP、備份與還原、CopySync
- 說明最佳化成本的解決方案
- 儲存效率、FabricPool、FlexCache、SnapMirror、Data Infrastructure Insights、Keystone
- 說明 AI 工作負載的安全儲存解決方案
- 瑕疵資料 = 瑕疵 AI；自主勒索軟體防護、多重系統管理員驗證
- 說明可在 AI 工作負載中發揮最大效能的解決方案
- 如何充分利用 GPU，NetApp 針對特定工作負載和架構的產品定位
.png?width=5760&format=avif&disable=upscale)