Red Hat Certified Specialist in OpenShift AI (EX267)

Kandidaten für die Zertifizierung zum „Red Hat Certified Specialist in OpenShift AI“ sollten in der Lage sein, die folgenden Aufgaben zu bewältigen. Es wird entsprechende produktspezifische Dokumentation zur Verfügung gestellt, doch sollten die Kandidaten darauf vorbereitet sein, diese Aufgaben ohne Hilfe zu erledigen.

Die Architektur und Grundlagen von Red Hat OpenShift AI verstehen

• Die Beziehung zwischen Red Hat OpenShift AI und der OpenShift Container Platform verstehen
• MLOps, GenAIOps und Konzepte aus dem Bereich KI/ML verstehen
• Erfahren Sie, wie die Red Hat OpenShift AI-Komponenten in Data-Science-Projekten funktionieren

Datenwissenschaftsprojekte und Arbeitsumgebungen verwalten

• Projekte und Berechtigungen erstellen, konfigurieren und verwalten
• Arbeitsflächen mit benutzerdefinierten Bildern, Versionen und Grössen erstellen und bearbeiten
• Benutzerdefinierte Workbench-Images erstellen und importieren
• Überwachen Sie die Ressourcennutzung und Trainingsprozesse mit TensorBoard

Datenverbindungen konfigurieren

• Verbindungen herstellen (S3, Datenbank usw.)
• Daten und Artefakte aus externen Diensten speichern und abrufen

Ressourcen ermitteln und zuweisen

• Verwenden Sie Node-Selektoren und Toleranzen
• Weisen Sie Workbenches und Modellserver bestimmten Knoten zu

Modelle bereitstellen und ausführen

• Den Workflow der Modellbereitstellung und die Architektur von KServe verstehen
• Modelle im Standard- und im erweiterten Modus bereitstellen
• Modelle in S3-Buckets, OCI-Containern oder PVCs speichern
• Bereitstellung von Vorhersagemodellen mit der OpenVINO-Laufzeitumgebung
• LLMs mit der vLLM-Laufzeitumgebung bereitstellen und ausführen
• Benutzerdefinierte Ausführungsumgebungen erstellen und konfigurieren

Modelle über das Modellregister verwalten

• Paketmodelle als OCI-Image-Artefakte
• Modelle und Versionen im Modellregister registrieren
• Modelle aus dem Modellregister bereitstellen
• Die Modellregistrierungs-API abfragen

KI-Modelle und deren Leistung überwachen

• Überwachen Sie Modellverzerrungen und Datenverschiebungen mit TrustyAI
• Überwachen Sie den Hardware-Ressourcenverbrauch mit dem OpenShift-Überwachungsstack und Grafana
• Die Ressourcenauslastung analysieren und auf der Grundlage der Erkenntnisse aus der Überwachung optimieren

Datenwissenschaftliche Pipelines erstellen und verwalten

• Erstellen Sie Pipeline-Server und Pipelines mit Elyra und dem KubeFlow SDK
• Container-Komponenten verwenden und Artefakte verwalten
• Kubernetes-Funktionen in Pipelines konfigurieren
• Verwenden Sie Experimente, um Pipeline-Durchläufe zu vergleichen

Modelle optimieren und bewerten

• Wählen Sie Modelle aus dem Red Hat OpenShift AI-Katalog und von Hugging Face aus
• Modelle mit LLM Compressor optimieren (Komprimierung und Quantisierung)
• Bewerten Sie die Leistung von LLMs mit LMEval anhand von Standard- und benutzerdefinierten Benchmarks

GenAI-Anwendungen entwickeln

• Anwendungsmuster von GenAI verstehen und anwenden
• Erstellen Sie einfache GenAI-Anwendungen mit Streaming-Antworten
• Entwickeln Sie RAG-Anwendungen mit Vektordatenbanken und Dokumentenverarbeitung
• Entwickeln Sie agentenbasierte Anwendungen mit Tools und mehrstufigen Schlussfolgerungen
• Sicherheitsvorkehrungen für die Inhaltssicherheit und die Validierung von Ein- und Ausgabedaten einführen

Mit Git zusammenarbeiten und ML-Modelle entwickeln

• Jupyter-Notebooks mit der Versionskontrolle von Git verwalten
• Trainieren Sie Modelle in Python unter Verwendung grundlegender ML-Bibliotheken
• Daten skalierbar laden und Modelle speichern oder exportieren

Modelle bereitstellen und speichern

• Modelle über die Red Hat OpenShift AI-Schnittstelle bereitstellen (Standard- und Erweiterter Modus)
• Speichern Sie Modelle in S3-Buckets, OCI-Containern oder persistenten Volume-Claims
• Informationen zu den unterstützten Speicherorten für Modelle
• Einstellungen für die Modellbereitstellung konfigurieren

Prüfungsform

Diese Prüfung ist eine praxisorientierte Bewertung der Fähigkeiten und Kenntnisse, die für die Konfiguration und Verwaltung von Red Hat OpenShift AI erforderlich sind. Die Kandidaten führen Routineaufgaben unter Verwendung der Red Hat OpenShift Container Platform und von Red Hat OpenShift AI durch und werden daraufhin bewertet, ob sie bestimmte objektive Kriterien erfüllt haben. Praxisorientierte Prüfung bedeutet, dass die Kandidaten Aufgaben ausführen müssen, die denen ähneln, die sie in ihrem Beruf ausführen.

Diese Prüfung besteht aus einem einzigen Teil, der vier Stunden dauert.

Ergebnisse und Berichterstattung

Die offiziellen Prüfungsergebnisse werden ausschliesslich von der Red Hat Certification Central bereitgestellt. Red Hat gestattet es Prüfungsleitern oder Schulungspartnern nicht, die Ergebnisse direkt an die Kandidaten weiterzugeben. Die Prüfungsergebnisse werden in der Regel innerhalb von drei US-Werktagen mitgeteilt.

Die Prüfungsergebnisse werden als Gesamtpunktzahl angegeben. Red Hat gibt keine Auskunft über die Leistungen bei einzelnen Aufgaben und stellt auch auf Anfrage keine weiteren Informationen zur Verfügung.