AI Solutions on Cisco Infrastructure Essentials (DCAIE) - Online Training

• Grundlagen der KI
• Generative KI
• AI-Anwendungsfälle
• AI-ML-Cluster und -Modelle
• AI-Werkzeugsatz Mastery - Jupyter Notebook
• KI-Infrastruktur
• AI-Workload-Platzierung und Interoperabilität
• AI-Politiken
• AI Nachhaltigkeit
• AI-Infrastruktur-Design
• Wichtige Netzwerk-Herausforderungen und Anforderungen für KI-Workloads
• AI Transport
• Konnektivitätsmodelle
• AI-Netzwerk
• Architektur Migration zu AI/ML Network
• Protokolle auf Anwendungsebene
• Konvergente Fabrics mit hohem Durchsatz
• Aufbau verlustfreier Fabrics
• Kongestive Sichtbarkeit
• Datenaufbereitung für AI
• AI/ML Workload Datenleistung
• KI-aktivierende Hardware
• Compute-Ressourcen
• Compute Resource Lösungen
• Virtuelle Ressourcen
• Speicher-Ressourcen
• Einrichten eines AI-Clusters
• Einsatz und Nutzung von Open-Source-GPT-Modellen für die RAG

Lernziele

• Beschreibung von Schlüsselkonzepten der künstlichen Intelligenz mit Schwerpunkt auf traditioneller KI, maschinellem Lernen und Deep-Learning-Techniken und deren Anwendungen
• Beschreiben Sie generative KI, ihre Herausforderungen und Zukunftstrends und untersuchen Sie dabei die Unterschiede zwischen traditionellen und modernen KI-Methoden.
• Erläutern Sie, wie KI die Netzwerkverwaltung und -sicherheit durch intelligente Automatisierung, vorausschauende Analysen und die Erkennung von Anomalien verbessert.
• Beschreibung der Schlüsselkonzepte, der Architektur und der grundlegenden Verwaltungsprinzipien von KI-ML-Clustern sowie des Prozesses der Beschaffung, der Feinabstimmung, der Optimierung und der Verwendung von vortrainierten ML-Modellen
• Nutzen Sie die Möglichkeiten von Jupyter Lab und Generative AI, um Netzwerkoperationen zu automatisieren, Python-Code zu schreiben und KI-Modelle für eine höhere Produktivität zu nutzen.
• Beschreiben Sie die wesentlichen Komponenten und Überlegungen für den Aufbau einer robusten KI-Infrastruktur
• Bewertung und Umsetzung effektiver Strategien zur Platzierung von Arbeitslasten und Gewährleistung der Interoperabilität innerhalb von KI-Systemen
• Untersuchung von Compliance-Standards, Richtlinien und Governance-Rahmenwerken, die für KI-Systeme relevant sind
• Beschreibung nachhaltiger AI-Infrastrukturpraktiken mit Schwerpunkt auf ökologischer und wirtschaftlicher Nachhaltigkeit
• Leiten Sie AI-Infrastrukturentscheidungen zur Optimierung von Effizienz und Kosten
• Beschreiben Sie die wichtigsten Netzwerkherausforderungen aus der Perspektive der KI/ML-Anwendungsanforderungen
• Beschreiben Sie die Rolle von optischen und Kupfertechnologien bei der Ermöglichung von AI/ML-Rechenzentrums-Workloads
• Beschreiben von Netzwerkkonnektivitätsmodellen und Netzwerkdesigns
• Beschreiben Sie wichtige Layer-2- und Layer-3-Protokolle für KI und Fog Computing für verteilte KI-Verarbeitung
• Migrieren Sie KI-Workloads auf ein dediziertes KI-Netzwerk
• Erläuterung der Mechanismen und Abläufe von RDMA- und RoCE-Protokollen
• Verstehen der Architektur und der Funktionen von Hochleistungs-Ethernet-Fabrics
• Erläuterung der 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 Stauüberwachung vor und untersuchen Sie, wie sich verschiedene Stufen von KI/ML-Anwendungen auf die Infrastruktur von Rechenzentren auswirken und umgekehrt.
• Einführung in die grundlegenden Schritte, Herausforderungen und Techniken des Datenaufbereitungsprozesses
• Verwendung von Cisco Nexus Dashboard Insights zur Überwachung von AI/ML-Verkehrsströmen
• Beschreiben Sie die Bedeutung von KI-spezifischer Hardware für die Verkürzung der Trainingszeiten und die Unterstützung der erweiterten Verarbeitungsanforderungen von KI-Aufgaben
• Verständnis der für die Ausführung von KI/ML-Lösungen erforderlichen Computerhardware
• Verstehen bestehender AI/ML-Lösungen
• Beschreiben Sie die Optionen für virtuelle Infrastrukturen und ihre Überlegungen bei der Bereitstellung
• Erläuterung von Datenspeicherstrategien, Speicherprotokollen und softwaredefiniertem Speicher
• Verwenden Sie NDFC, um eine für AI/ML-Workloads optimierte Fabric zu konfigurieren.
• Verwendung lokal gehosteter GPT-Modelle mit RAG für netztechnische Aufgaben

Zielgruppen

• Netzwerk-Designer
• Netzwerk-Administratoren
• Speicherverwalter
• Netzwerk-Ingenieure
• Systemingenieure
• Rechenzentrum-Ingenieure
• Beratende Systemingenieure
• Architekten für technische Lösungen
• Cisco Integratoren/Partner
• Außendienst-Ingenieure
• Server-Administratoren
• Netzwerk-Manager
• Program Managers
• Projektleiter