Kursüberblick
Die Schulung Implementing Cisco Data Center AI Infrastructure (DCAI)
vermittelt Fachkräften die erforderlichen Kenntnisse, um KI-Workloads in modernen Rechenzentrumsumgebungen zu unterstützen, zu sichern und zu optimieren. Dieses umfassende Programm befasst sich mit den besonderen Merkmalen von KI-/ML-Anwendungen, ihrem Einfluss auf die Infrastrukturplanung und Best Practices für die automatisierte Bereitstellung. Die Teilnehmer erwerben fundierte Kenntnisse über Sicherheitsaspekte bei KI-Implementierungen und beherrschen Day-2-Operationen, einschliesslich Überwachung und fortgeschrittener Fehlerbehebungstechniken wie Log-Korrelation und Telemetrieanalyse. Durch praktische Erfahrungen, einschliesslich der praktischen Anwendung von Tools wie Splunk, werden die Lernenden darauf vorbereitet, Probleme in KI/ML-fähigen Rechenzentren effizient zu überwachen, zu diagnostizieren und zu lösen, um eine optimale Verfügbarkeit und Leistung für kritische Unternehmens-Workloads sicherzustellen.
Diese Schulung kombiniert Inhalte aus den Schulungen Betreiben und Fehlerbehebung von KI-Lösungen auf Cisco-Infrastruktur (DCAIAOT)
und KI-Lösungen auf Cisco-Infrastruktur – Grundlagen (DCAIE)
.
Diese Schulung bereitet Sie auf die Prüfung 300-640 DCAI v1.0 vor. Bei erfolgreichem Abschluss erhalten Sie die Zertifizierung Cisco Certified Specialist – Data Center AI Infrastructure
und erfüllen die Anforderungen der Spezialisierungsprüfung für die Zertifizierung Cisco Certified Network Professional (CCNP) Data Center
.
Was Sie in der Prüfung erwartet
Die Prüfung Implementing Cisco Data Center AI Infrastructure (300-640 DCAI) v1.0
dauert 90 Minuten und ist Teil der Zertifizierung Cisco Certified Specialist – Data Center AI Infrastructure
. Sie erfüllt die Anforderungen für die Spezialisierungsprüfung im Rahmen der CCNP Data Center-Zertifizierung.
Diese Prüfung testet Ihre Kenntnisse über KI-Infrastrukturen, darunter:
- Design
- Umsetzung
- Überwachung
- Fehlerbehebung
Wie Sie davon profitieren
Dieses Training wird Ihnen helfen:
- Erwerben Sie umfassende Fähigkeiten zur Unterstützung, Sicherung und Optimierung von KI-Workloads in modernen Rechenzentrumsumgebungen.
- Verstehen Sie den Aufbau, die Implementierung und die erweiterte Fehlerbehebung von KI-Infrastrukturen, einschliesslich Netzwerkproblemen und spezieller Hardware.
- Erwerben Sie fundierte Kenntnisse über KI-/ML-Konzepte, generative KI und deren praktische Anwendung im Netzwerkmanagement und in der Automatisierung.
- Wenden Sie praktische Techniken zur Überwachung, Diagnose und Behebung von Problemen an, nutzen Sie Tools wie Splunk und setzen Sie KI ein, um die Produktivität im Netzwerkbetrieb zu steigern.
- Bereiten Sie sich auf die Prüfung 300-640 DCAI v1.0 vor.
- Sammeln Sie 38 CE-Punkte für die Rezertifizierung
Zielgruppe
- Netzwerkdesigner
- Netzwerkadministratoren
- Speicheradministratoren
- Netzwerktechniker
- Systemingenieure
- Rechenzentrumsingenieure
- Beratende Systemingenieure
- Technische Lösungsarchitekten
- Cisco-Integratoren/Partner
- Aussendiensttechniker
- Server-Administratoren
- Netzwerkmanager
- Programmmanager
- Projektmanager
Zertifizierungen
Empfohlenes Training für die Zertifizierung zum:
Voraussetzungen
Für diese Schulung gibt es keine formalen Voraussetzungen. Es wird jedoch empfohlen, dass Sie vor der Teilnahme an dieser Schulung über folgende Kenntnisse und Fähigkeiten verfügen:
- Cisco UCS-Rechnerarchitektur und -Betrieb
- Cisco Nexus Switch-Portfolio und Funktionen
- Kerntechnologien für Rechenzentren
Diese Fähigkeiten finden Sie in den folgenden Cisco-Lernangeboten:
- !Implementing Cisco NX-OS Switches and Fabrics in the Data Center (DCNX)
- Cisco Data Center Nexus Dashboard Essentials (DCNDE)
- Implementing and Operating Cisco Data Center Core Technologies (DCCOR)
Kursziele
- Beschreiben Sie Schlüsselkonzepte der künstlichen Intelligenz mit Schwerpunkt auf traditioneller KI, maschinellem Lernen und Deep-Learning-Techniken sowie deren Anwendungen.
- Beschreiben Sie generative KI, ihre Herausforderungen und zukünftigen Trends und untersuchen Sie dabei die Nuancen zwischen traditionellen und modernen KI-Methoden.
- Erläutern Sie, wie KI das Netzwerkmanagement und die Netzwerksicherheit durch intelligente Automatisierung, prädiktive Analysen und Anomalieerkennung verbessert.
- Beschreiben Sie die Schlüsselkonzepte, die Architektur und die grundlegenden Verwaltungsprinzipien von KI-ML-Clustern und beschreiben Sie den Prozess des Erwerbs, der Feinabstimmung, der Optimierung und der Verwendung von vortrainierten ML-Modellen.
- Nutzen Sie die Funktionen von Jupyter Lab und generativer KI, um Netzwerkvorgänge zu automatisieren, Python-Code zu schreiben und KI-Modelle für eine höhere Produktivität einzusetzen.
- Beschreiben Sie die wesentlichen Komponenten und Überlegungen für den Aufbau einer robusten KI-Infrastruktur.
- Bewertung und Umsetzung effektiver Strategien zur Arbeitslastverteilung und Sicherstellung der Interoperabilität innerhalb von KI-Systemen
- Entdecken Sie Compliance-Standards, Richtlinien und Governance-Rahmenwerke, die für KI-Systeme relevant sind.
- Beschreiben Sie nachhaltige Praktiken für KI-Infrastrukturen mit Schwerpunkt auf ökologischer und wirtschaftlicher Nachhaltigkeit.
- Entscheidungen zur KI-Infrastruktur treffen, um Effizienz und Kosten zu optimieren
- Beschreiben Sie die wichtigsten Herausforderungen für Netzwerke aus Sicht der Anforderungen von KI-/ML-Anwendungen.
- Beschreiben Sie die Rolle von optischen und Kupfertechnologien bei der Ermöglichung von KI/ML-Workloads in Rechenzentren.
- Beschreiben Sie Netzwerkkonnektivitätsmodelle und Netzwerkdesigns.
- Beschreiben Sie wichtige Layer-2- und Layer-3-Protokolle für KI und Fog Computing für die verteilte KI-Verarbeitung.
- AI-Workloads auf ein dediziertes AI-Netzwerk migrieren
- Erläutern Sie die Mechanismen und Funktionsweisen der RDMA- und RoCE-Protokolle.
- Verstehen Sie die Architektur und Funktionen von Hochleistungs-Ethernet-Fabrics.
- Erläutern Sie die Netzwerkmechanismen und QoS-Tools, die für den Aufbau leistungsstarker, verlustfreier RoCE-Netzwerke erforderlich sind.
- Beschreiben Sie ECN- und PFC-Mechanismen, stellen Sie Cisco Nexus Dashboard Insights für die Überwachung von Überlastungen vor und untersuchen Sie, wie sich verschiedene Phasen von KI-/ML-Anwendungen auf die Infrastruktur von Rechenzentren auswirken und umgekehrt.
- Stellen Sie die grundlegenden Schritte, Herausforderungen und Techniken im Zusammenhang mit dem Datenaufbereitungsprozess vor.
- Verwenden Sie Cisco Nexus Dashboard Insights zur Überwachung von KI-/ML-Datenverkehrsflüssen.
- Beschreiben Sie die Bedeutung von KI-spezifischer Hardware für die Verkürzung von Trainingszeiten und die Unterstützung der hohen Verarbeitungsanforderungen von KI-Aufgaben.
- Verstehen Sie die für den Betrieb von KI-/ML-Lösungen erforderliche Rechenhardware.
- Bestehende KI-/ML-Lösungen und deren Funktionsweise verstehen
- Beschreiben Sie die Optionen für virtuelle Infrastrukturen und die zu berücksichtigenden Aspekte bei deren Bereitstellung.
- Erläutern Sie Strategien zur Datenspeicherung, Speicherprotokolle und softwaredefinierte Speicherung.
- Verwenden Sie NDFC, um eine für KI-/ML-Workloads optimierte Fabric zu konfigurieren.
- Verwenden Sie lokal gehostete GPT-Modelle mit RAG für Netzwerk-Engineering-Aufgaben.
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.