Implementing Cisco Data Center AI Infrastructure (DCAI)

  • Duration: 5 days (40 hours)
  • Date: on request

Implementing Cisco Data Center AI Infrastructure (DCAI)

This course will help:
  • Gain comprehensive skills in supporting, securing, and optimizing artificial intelligence workloads in modern data center environments
  • Learn the design, implementation, and advanced troubleshooting of AI infrastructure, including network challenges and specialized hardware
  • Gain in-depth knowledge of AI/ML concepts, generative artificial intelligence, and their practical application in network management and automation
  • Master practical techniques for monitoring, diagnostics, and troubleshooting using tools such as Splunk, as well as applying AI to improve the efficiency of network operations
  • Prepare for the 300-640 DCAI exam

 

Sign up for a course
Add to cart

Course syllabus:

  • Fundamentals of AI 
  • Generative AI 
  • AI Use Cases 
  • AI-ML Clusters and Models 
  • AI Toolset—Jupyter Notebook 
  • AI Infrastructure 
  • AI Workloads Placement and Interoperability 
  • AI Policies 
  • AI Sustainability 
  • AI Infrastructure Design 
  • Key Network Challenges and Requirements for AI Workloads 
  • AI Transport 
  • Connectivity Models 
  • AI Network 
  • Architecture Migration to AI/ML Network 
  • Application-Level Protocols 
  • High-Throughput Converged Fabrics 
  • Building Lossless Fabrics 
  • Congestion Visibility 
  • Data Preparation for AI 
  • AI/ML Workload Data Performance 
  • AI-Enabling Hardware 
  • Compute Resources 
  • Compute Resource Solutions 
  • Virtual Resources 
  • Storage Resources 
  • Setting Up AI Cluster 
  • Deploy and Use Open Source GPT Models for RAG 
  • AI Infrastructure Operations and Monitoring 
  • Troubleshooting AI Infrastructure 
  • Troubleshoot Common Issues in AI/ML Fabric 

You will learn:

  • Describe key concepts in artificial intelligence, focusing on traditional AI, machine learning, and deep learning techniques and their applications 
  • Describe generative AI, its challenges, and future trends, while examining the nuances between traditional and modern AI methodologies 
  • Explain how AI enhances network management and security through intelligent automation, predictive analytics, and anomaly detection 
  • Describe the key concepts, architecture, and basic management principles of AI-ML clusters, as well as describe the process of acquiring, fine-tuning, optimizing and using pre-trained ML models 
  • Use the capabilities of Jupyter Lab and Generative AI to automate network operations, write Python code, and leverage AI models for enhanced productivity 
  • Describe the essential components and considerations for setting up robust AI infrastructure 
  • Evaluate and implement effective workload placement strategies and ensure interoperability within AI systems 
  • Explore compliance standards, policies, and governance frameworks relevant to AI systems 
  • Describe sustainable AI infrastructure practices, focusing on environmental and economic sustainability 
  • Guide AI infrastructure decisions to optimize efficiency and cost 
  • Describe key network challenges from the perspective of AI/ML application requirements 
  • Describe the role of optical and copper technologies in enabling AI/ML data center workloads 
  • Describe network connectivity models and network designs 
  • Describe important Layer 2 and Layer 3 protocols for AI and fog computing for Distributed AI processing 
  • Migrate AI workloads to dedicated AI network 
  • Explain the mechanisms and operations of RDMA and RoCE protocols 
  • Understand the architecture and features of high-performance Ethernet fabrics 
  • Explain the network mechanisms and QoS tools needed for building high-performance, lossless RoCE networks 
  • Describe ECN and PFC mechanisms, introduce Cisco Nexus Dashboard Insights for congestion monitoring, explore how different stages of AI/ML applications impact data center infrastructure, and vice versa 
  • Introduce the basic steps, challenges, and techniques regarding the data preparation process 
  • Use Cisco Nexus Dashboard Insights for monitoring AI/ML traffic flows 
  • Describe the importance of AI-specific hardware in reducing training times and supporting the advanced processing requirements of AI tasks 
  • Understand the compute hardware required to run AI/ML solutions 
  • Understand existing intelligence and AI/ML solutions 
  • Describe virtual infrastructure options and their considerations when deploying 
  • Explain data storage strategies, storage protocols, and software-defined storage 
  • Use NDFC to configure a fabric optimized for AI/ML workloads 
  • Use locally hosted GPT models with RAG for network engineering tasks 

Pre-requisites:

To successfully complete this course, participants are recommended to have the following knowledge and skills: 

  • Cisco UCS compute architecture and operations  
  • Cisco Nexus switch portfolio and features  
  • Core data center technologies 
Sign up for a course Implementing Cisco Data Center AI Infrastructure (DCAI)