Formation Implementing Cisco Data Center AI Infrastructure (DCAI)

Objectifs pédagogiques

• Décrire les concepts clés de l’intelligence artificielle, en se concentrant sur l’IA traditionnelle, l’apprentissage automatique (machine learning) et l’apprentissage profond (deep learning), ainsi que leurs applications
• Décrire l’IA générative, ses défis et ses tendances futures, tout en examinant les nuances entre les approches traditionnelles et modernes de l’IA
• Expliquer comment l’IA améliore la gestion et la sécurité des réseaux grâce à l’automatisation intelligente, à l’analytique prédictive et à la détection d’anomalies
• Décrire les concepts clés, l’architecture et les principes de gestion de base des clusters IA/ML, ainsi que le processus d’acquisition, d’ajustement fin (fine-tuning), d’optimisation et d’utilisation de modèles ML préentraînés
• Utiliser les capacités de Jupyter Lab et de l’IA générative pour automatiser les opérations réseau, écrire du code Python et exploiter des modèles d’IA afin d’améliorer la productivité
• Décrire les composants essentiels et les considérations nécessaires à la mise en place d’une infrastructure IA robuste
• Évaluer et mettre en œuvre des stratégies efficaces de placement des charges de travail et garantir l’interopérabilité au sein des systèmes IA
• Explorer les normes de conformité, les politiques et les cadres de gouvernance applicables aux systèmes d’IA
• Décrire les pratiques d’infrastructure IA durable, en mettant l’accent sur la durabilité environnementale et économique
• Orienter les décisions relatives à l’infrastructure IA afin d’optimiser l’efficacité et les coûts
• Décrire les principaux défis réseau du point de vue des exigences applicatives IA/ML
• Décrire le rôle des technologies optiques et cuivre dans la prise en charge des charges de travail IA/ML en centre de données
• Décrire les modèles de connectivité réseau et les conceptions réseau
• Décrire les protocoles importants de couche 2 et de couche 3 pour l’IA et le fog computing dans le cadre du traitement distribué de l’IA
• Migrer les charges de travail IA vers un réseau IA dédié
• Expliquer les mécanismes et le fonctionnement des protocoles RDMA et RoCE
• Comprendre l’architecture et les fonctionnalités des fabrics Ethernet haute performance
• Expliquer les mécanismes réseau et les outils de QoS nécessaires à la construction de réseaux RoCE sans perte et haute performance
• Décrire les mécanismes ECN et PFC, présenter Cisco Nexus Dashboard Insights pour la surveillance de la congestion, explorer l’impact des différentes phases des applications IA/ML sur l’infrastructure des centres de données, et inversement
• Présenter les étapes de base, les défis et les techniques liés au processus de préparation des données
• Utiliser Cisco Nexus Dashboard Insights pour surveiller les flux de trafic IA/ML
• Décrire l’importance du matériel spécifique à l’IA pour réduire les temps d’entraînement et prendre en charge les besoins avancés de traitement des tâches d’IA
• Comprendre le matériel de calcul requis pour exécuter des solutions IA/ML
• Comprendre les solutions d’intelligence et d’IA/ML existantes
• Décrire les options d’infrastructure virtuelle et les considérations associées lors du déploiement
• Expliquer les stratégies de stockage des données, les protocoles de stockage et le stockage défini par logiciel
• Utiliser NDFC pour configurer un fabric optimisé pour les charges de travail IA/ML
• Utiliser des modèles GPT hébergés localement avec le RAG pour des tâches d’ingénierie réseau

Objectifs opérationnels