Implementing Cisco Data Center AI InfrastructureDCAICICiscoCI-DCAI1.0<ul>
<li>Beschreiben Sie Schlüsselkonzepte der künstlichen Intelligenz mit Schwerpunkt auf traditioneller KI, maschinellem Lernen und Deep-Learning-Techniken sowie deren Anwendungen.</li><li>Beschreiben Sie generative KI, ihre Herausforderungen und zukünftigen Trends und untersuchen Sie dabei die Nuancen zwischen traditionellen und modernen KI-Methoden.</li><li>Erläutern Sie, wie KI das Netzwerkmanagement und die Netzwerksicherheit durch intelligente Automatisierung, prädiktive Analysen und Anomalieerkennung verbessert.</li><li>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.</li><li>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.</li><li>Beschreiben Sie die wesentlichen Komponenten und Überlegungen für den Aufbau einer robusten KI-Infrastruktur.</li><li>Bewertung und Umsetzung effektiver Strategien zur Arbeitslastverteilung und Sicherstellung der Interoperabilität innerhalb von KI-Systemen</li><li>Entdecken Sie Compliance-Standards, Richtlinien und Governance-Rahmenwerke, die für KI-Systeme relevant sind.</li><li>Beschreiben Sie nachhaltige Praktiken für KI-Infrastrukturen mit Schwerpunkt auf ökologischer und wirtschaftlicher Nachhaltigkeit.</li><li>Entscheidungen zur KI-Infrastruktur treffen, um Effizienz und Kosten zu optimieren</li><li>Beschreiben Sie die wichtigsten Herausforderungen für Netzwerke aus Sicht der Anforderungen von KI-/ML-Anwendungen.</li><li>Beschreiben Sie die Rolle von optischen und Kupfertechnologien bei der Ermöglichung von KI/ML-Workloads in Rechenzentren.</li><li>Beschreiben Sie Netzwerkkonnektivitätsmodelle und Netzwerkdesigns.</li><li>Beschreiben Sie wichtige Layer-2- und Layer-3-Protokolle für KI und Fog Computing für die verteilte KI-Verarbeitung.</li><li>AI-Workloads auf ein dediziertes AI-Netzwerk migrieren</li><li>Erläutern Sie die Mechanismen und Funktionsweisen der RDMA- und RoCE-Protokolle.</li><li>Verstehen Sie die Architektur und Funktionen von Hochleistungs-Ethernet-Fabrics.</li><li>Erläutern Sie die Netzwerkmechanismen und QoS-Tools, die für den Aufbau leistungsstarker, verlustfreier RoCE-Netzwerke erforderlich sind.</li><li>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.</li><li>Stellen Sie die grundlegenden Schritte, Herausforderungen und Techniken im Zusammenhang mit dem Datenaufbereitungsprozess vor.</li><li>Verwenden Sie Cisco Nexus Dashboard Insights zur Überwachung von KI-/ML-Datenverkehrsflüssen.</li><li>Beschreiben Sie die Bedeutung von KI-spezifischer Hardware für die Verkürzung von Trainingszeiten und die Unterstützung der hohen Verarbeitungsanforderungen von KI-Aufgaben.</li><li>Verstehen Sie die für den Betrieb von KI-/ML-Lösungen erforderliche Rechenhardware.</li><li>Bestehende KI-/ML-Lösungen und deren Funktionsweise verstehen</li><li>Beschreiben Sie die Optionen für virtuelle Infrastrukturen und die zu berücksichtigenden Aspekte bei deren Bereitstellung.</li><li>Erläutern Sie Strategien zur Datenspeicherung, Speicherprotokolle und softwaredefinierte Speicherung.</li><li>Verwenden Sie NDFC, um eine für KI-/ML-Workloads optimierte Fabric zu konfigurieren.</li><li>Verwenden Sie lokal gehostete GPT-Modelle mit RAG für Netzwerk-Engineering-Aufgaben.</li></ul><p>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:
</p>
<ul>
<li>Cisco UCS-Rechnerarchitektur und -Betrieb</li><li>Cisco Nexus Switch-Portfolio und Funktionen</li><li>Kerntechnologien für Rechenzentren</li></ul><p>Diese Fähigkeiten finden Sie in den folgenden Cisco-Lernangeboten:</p>
<ul>
<li><span class="cms-link-marked"><a class="fl-href-prod" href="/ibb/course/cisco-dcnx"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>Implementing Cisco NX-OS Switches and Fabrics in the Data Center <span class="fl-prod-pcode">(DCNX)</span></a></span></li><li><span class="cms-link-marked"><a class="fl-href-prod" href="/ibb/course/cisco-dcnde"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>Cisco Data Center Nexus Dashboard Essentials <span class="fl-prod-pcode">(DCNDE)</span></a></span></li><li><span class="cms-link-marked"><a class="fl-href-prod" href="/ibb/course/cisco-dccor"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>Implementing and Operating Cisco Data Center Core Technologies <span class="fl-prod-pcode">(DCCOR)</span></a></span></li></ul><ul>
<li>Netzwerkdesigner</li><li>Netzwerkadministratoren</li><li>Speicheradministratoren</li><li>Netzwerktechniker</li><li>Systemingenieure</li><li>Rechenzentrumsingenieure</li><li>Beratende Systemingenieure</li><li>Technische Lösungsarchitekten</li><li>Cisco-Integratoren/Partner</li><li>Außendiensttechniker</li><li>Server-Administratoren</li><li>Netzwerkmanager</li><li>Programmmanager</li><li>Projektmanager</li></ul><ul>
<li>Fundamentals of AI</li><li>Generative AI</li><li>AI Use Cases</li><li>AI-ML Clusters and Models</li><li>AI Toolset—Jupyter Notebook</li><li>AI Infrastructure</li><li>AI Workloads Placement and Interoperability</li><li>AI Policies</li><li>AI Sustainability</li><li>AI Infrastructure Design</li><li>Key Network Challenges and Requirements for AI Workloads</li><li>AI Transport</li><li>Connectivity Models</li><li>AI Network</li><li>Architecture Migration to AI/ML Network</li><li>Application-Level Protocols</li><li>High-Throughput Converged Fabrics</li><li>Building Lossless Fabrics</li><li>Congestion Visibility</li><li>Data Preparation for AI</li><li>AI/ML Workload Data Performance</li><li>AI-Enabling Hardware</li><li>Compute Resources</li><li>Compute Resource Solutions</li><li>Virtual Resources</li><li>Storage Resources</li><li>Setting Up AI Cluster</li><li>Deploy and Use Open Source GPT Models for RAG</li><li>AI Infrastructure Operations and Monitoring</li><li>Troubleshooting AI Infrastructure</li><li>Troubleshoot Common Issues in AI/ML Fabric</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/ibb/en/course/cisco-dcai"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- 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.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)- Netzwerkdesigner
- Netzwerkadministratoren
- Speicheradministratoren
- Netzwerktechniker
- Systemingenieure
- Rechenzentrumsingenieure
- Beratende Systemingenieure
- Technische Lösungsarchitekten
- Cisco-Integratoren/Partner
- Außendiensttechniker
- Server-Administratoren
- Netzwerkmanager
- Programmmanager
- Projektmanager- Fundamentals of AI
- Generative AI
- AI Use Cases
- AI-ML Clusters and Models
- AI Toolset—Jupyter Notebook
- AI Infrastructure
- AI Workloads Placement and Interoperability
- AI Policies
- AI Sustainability
- AI Infrastructure Design
- Key Network Challenges and Requirements for AI Workloads
- AI Transport
- Connectivity Models
- AI Network
- Architecture Migration to AI/ML Network
- Application-Level Protocols
- High-Throughput Converged Fabrics
- Building Lossless Fabrics
- Congestion Visibility
- Data Preparation for AI
- AI/ML Workload Data Performance
- AI-Enabling Hardware
- Compute Resources
- Compute Resource Solutions
- Virtual Resources
- Storage Resources
- Setting Up AI Cluster
- Deploy and Use Open Source GPT Models for RAG
- AI Infrastructure Operations and Monitoring
- Troubleshooting AI Infrastructure
- Troubleshoot Common Issues in AI/ML FabricDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.5 Tage3885.004395.006065.004160.0044.0044.0044.0044.0044.0044.0044.0044.0044.0044.0044.00