Внедрение инфраструктуры искусственного интеллекта Cisco в центры обработки данных (DCAI) Implementing Cisco Data Center AI Infrastructure (DCAI)
- Длительность: 5 дней (40 часов)
- Дата: по запросу
Внедрение инфраструктуры искусственного интеллекта Cisco в центры обработки данных (DCAI) Implementing Cisco Data Center AI Infrastructure (DCAI)
Этот курс поможет:
- Получить комплексные навыки по поддержке, защите и оптимизации рабочих нагрузок искусственного интеллекта в современных средах центров обработки данных
- Изучить проектирование, внедрение и расширенное устранение неполадок инфраструктуры ИИ, включая сетевые сложности и специализированное оборудование
- Получить углублённые знания концепций AI/ML, генеративного искусственного интеллекта и их практического применения в управлении и автоматизации сетей
- Освоить практические методы мониторинга, диагностики и устранения неисправностей с использованием инструментов, таких как Splunk, а также применения ИИ для повышения эффективности сетевых операций
- Подготовиться к экзамену 300-640 DCAI
Программа курса:
- Основы искусственного интеллекта
- Генеративный искусственный интеллект
- Сценарии применения ИИ
- AI/ML-кластеры и модели
- Набор инструментов ИИ — Jupyter Notebook
- Инфраструктура ИИ
- Размещение и совместимость AI-нагрузок
- Политики ИИ
- Устойчивость и энергоэффективность ИИ
- Проектирование инфраструктуры ИИ
- Основные сетевые вызовы и требования для AI-нагрузок
- Транспортные технологии ИИ
- Модели подключения
- Сеть для ИИ
- Миграция архитектуры к AI/ML-сетям
- Протоколы прикладного уровня
- Высокопроизводительные конвергентные фабрики
- Построение сетей без потерь (Lossless Fabrics)
- Контроль и видимость перегрузок
- Подготовка данных для ИИ
- Производительность данных для AI/ML-нагрузок
- Аппаратное обеспечение для ИИ
- Вычислительные ресурсы
- Решения для вычислительных ресурсов
- Виртуальные ресурсы
- Ресурсы хранения данных
- Настройка AI-кластера
- Развертывание и использование open-source GPT-моделей для RAG
- Эксплуатация и мониторинг инфраструктуры ИИ
- Устранение неполадок инфраструктуры ИИ
- Устранение типовых проблем в AI/ML Fabric
Вы научитесь:
- Описывать ключевые концепции искусственного интеллекта, включая традиционный ИИ, машинное обучение и методы глубокого обучения, а также их применение
- Описывать генеративный искусственный интеллект, связанные с ним вызовы и перспективы развития, а также различия между традиционными и современными методологиями ИИ
- Объяснять, как ИИ улучшает управление и безопасность сетей с помощью интеллектуальной автоматизации, предиктивной аналитики и обнаружения аномалий
- Описывать ключевые концепции, архитектуру и базовые принципы управления AI/ML-кластерами, а также процессы получения, тонкой настройки, оптимизации и использования предварительно обученных ML-моделей
- Использовать возможности Jupyter Lab и генеративного ИИ для автоматизации сетевых операций, написания Python-кода и применения AI-моделей для повышения производительности
- Описывать основные компоненты и требования для построения надёжной инфраструктуры ИИ
- Оценивать и внедрять эффективные стратегии размещения нагрузок и обеспечивать совместимость компонентов AI-систем
- Изучать стандарты соответствия, политики и модели управления, применяемые к AI-системам
- Описывать практики устойчивой инфраструктуры ИИ с акцентом на экологическую и экономическую эффективность
- Принимать решения по инфраструктуре ИИ для оптимизации производительности и затрат
- Описывать основные сетевые вызовы с точки зрения требований AI/ML-приложений
- Описывать роль оптических и медных технологий в обеспечении работы AI/ML-нагрузок в центрах обработки данных
- Описывать модели сетевого подключения и сетевые архитектуры
- Описывать ключевые протоколы уровней Layer 2 и Layer 3 для ИИ и fog computing в распределённой обработке AI
- Выполнять миграцию AI-нагрузок в специализированную AI-сеть
- Объяснять механизмы и принципы работы протоколов RDMA и RoCE
- Понимать архитектуру и особенности высокопроизводительных Ethernet Fabric
- Объяснять сетевые механизмы и инструменты QoS, необходимые для построения высокопроизводительных сетей RoCE без потерь
- Описывать механизмы ECN и PFC, использовать Cisco Nexus Dashboard Insights для мониторинга перегрузок, а также анализировать влияние различных этапов AI/ML-приложений на инфраструктуру ЦОД и наоборот
- Изучать основные этапы, сложности и методы подготовки данных
- Использовать Cisco Nexus Dashboard Insights для мониторинга AI/ML-трафика
- Описывать важность специализированного AI-оборудования для сокращения времени обучения моделей и поддержки расширенных вычислительных требований AI-задач
- Понимать вычислительное оборудование, необходимое для работы AI/ML-решений
- Понимать существующие интеллектуальные и AI/ML-решения
- Описывать варианты виртуальной инфраструктуры и особенности их использования при развертывании
- Объяснять стратегии хранения данных, протоколы хранения и программно-определяемые системы хранения
- Использовать NDFC для настройки Fabric, оптимизированной под AI/ML-нагрузки
- Использовать локально размещённые GPT-модели с RAG для задач сетевой инженерии
Предварительные требования:
Для успешного прохождения данного курса слушателям рекомендуется обладать следующими знаниями и навыками:
- Архитектура и эксплуатация вычислительных систем Cisco UCS
- Линейка коммутаторов Cisco Nexus и их функциональные возможности
- Базовые технологии центров обработки данных
Записаться на курс Implementing Cisco Data Center AI Infrastructure (DCAI)