Non esitare a chiedere per ulteriori date, modalità o lingua di erogazione diversa dall'italiano.
| Modalità | Durata | Data di inzio |
|---|---|---|
| Virtual Class | Intensivo | Su richiesta |
Cosa imparerai
Il corso AI Solutions on Cisco Infrastructure Essentials (DCAIE) fornisce le conoscenze fondamentali per distribuire, migrare e gestire soluzioni di intelligenza artificiale su infrastrutture data center Cisco. Durante la formazione verranno introdotti i principali workload di IA, i componenti chiave delle piattaforme AI e le best practice di architettura, progettazione e sicurezza necessarie per implementare e mantenere con successo soluzioni di IA su infrastrutture Cisco.
La partecipazione al corso consente inoltre di ottenere 34 crediti di Continuing Education (CE) validi ai fini del rinnovo delle certificazioni Cisco in proprio possesso.
Destinatari
- Network Designers
- Network Administrators
- Storage Administrators
- Network Engineers
- Systems Engineers
- Data Center Engineers
- Consulting Systems Engineers
- Technical Solutions Architects
- Cisco Integrators/Partners
- Field Engineers
- Server Administrators
- Network Managers
- Program Managers
- Project Managers
Area Tecnologica
- Data Center / Intelligenza Artificiale
Panoramica del corso
Obiettivi
✅ Fondamenti di IA e Generative AI: comprendere i concetti chiave di intelligenza artificiale, machine learning, deep learning e IA generativa, con applicazioni, sfide e trend futuri.
✅ AI per networking e automazione: utilizzare strumenti come JupyterLab e modelli generativi per automatizzare operazioni di rete, scrivere codice Python e migliorare la produttività.
✅ Architettura e infrastrutture AI: progettare e gestire infrastrutture e cluster AI/ML, valutare il posizionamento dei workload, l’hardware dedicato e le strategie di storage.
✅ Networking per AI e data center: comprendere architetture di rete, protocolli Layer 2/3, Ethernet ad alte prestazioni, RDMA/RoCE e tecnologie ottiche e rame per supportare workload AI.
✅ Prestazioni e monitoraggio: configurare e monitorare ambienti AI/ML (ad esempio con Cisco Nexus Dashboard Insights) e ottimizzare reti lossless e QoS per applicazioni AI.
✅ Data preparation e gestione dei modelli: preparare i dati, utilizzare modelli ML pre-addestrati e gestire processi di acquisizione, fine-tuning e ottimizzazione.
✅ Governance, sicurezza e sostenibilità: applicare standard di compliance, governance dell’IA e pratiche di infrastruttura sostenibile dal punto di vista ambientale ed economico.
✅ Implementazione operativa: distribuire workload AI su reti dedicate, configurare fabric di rete (con strumenti come Cisco Data Center Fabric Controller) e utilizzare modelli GPT locali con RAG per attività di network engineering.
Prerequisiti
Non sono richiesti prerequisiti obbligatori per partecipare a questo corso. Si tratta di una formazione introduttiva che evolve da livello base a intermedio. Una familiarità con le soluzioni di networking e computing per data center di Cisco può essere utile, ma non è necessaria.
Tuttavia, è consigliato avere conoscenze di base nei seguenti ambiti:
-
Architettura e funzionamento di Cisco UCS
-
Portafoglio e funzionalità degli switch Cisco Nexus
-
Tecnologie fondamentali dei data center.
I seguenti corsi Cisco possono essere utili per acquisire tali conoscenze:
- Implementing Cisco NX-OS Switches and Fabrics in the Data Center (DCNX)
- Implementing Cisco Data Center Core Technologies (DCCOR)
- Introducing Cisco Unified Computing Systems (DCIUCS)
Course Outline
- Fundamentals of AI
- Generative AI
- AI Use Cases
- AI-ML Clusters and Models
- AI Toolset Mastery – Jupyter Notebook
- AI Infrastructure
- AI Workload Placements 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
- Congestive 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
Lab Outline
- AI Toolset—Jupyter Notebook
- AI/ML Workload Data Performance
- Setting Up AI Cluster
- Deploy and Use Open Source GPT Models for RAG
