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 Implementing Cisco Data Center AI Infrastructure (DCAI) è progettato per fornire ai professionisti le competenze necessarie per gestire, proteggere e ottimizzare i carichi di lavoro basati sull’intelligenza artificiale all’interno dei moderni data center.
Questo programma approfondito analizza le caratteristiche distintive delle applicazioni di AI e machine learning, il loro impatto sulla progettazione delle infrastrutture e le migliori pratiche per l’automazione del provisioning. I partecipanti acquisiranno una conoscenza dettagliata degli aspetti di sicurezza legati alle implementazioni AI e svilupperanno competenze operative avanzate, tra cui monitoraggio, gestione delle attività post-implementazione (day-2 operations) e tecniche di troubleshooting evoluto, come la correlazione dei log e l’analisi della telemetria.
Grazie a un approccio pratico, che include l’utilizzo di strumenti come Splunk, i partecipanti saranno in grado di monitorare in modo efficace i sistemi, individuare anomalie e risolvere problemi nei data center che supportano AI/ML, garantendo così elevata disponibilità e prestazioni ottimali per i carichi di lavoro critici.
Il corso prepara all’esame 300-640 DCAI. Superando l’esame, si ottiene la certificazione Cisco Certified Specialist – Data Center AI Infrastructure e si soddisfa il requisito dell’esame di specializzazione per la certificazione Cisco Certified Network Professional (CCNP) Data Center. Inoltre, il corso consente di ottenere 38 crediti Continuing Education (CE) utili per il rinnovo delle certificazioni Cisco già in proprio possesso.
Il programma integra i contenuti dei corsi Operate and Troubleshoot AI Solutions on Cisco Infrastructure (DCAIAOT) e AI Solutions on Cisco Infrastructure Essentials (DCAIE).
Cosa aspettarsi dall’esame
’esame Implementing Cisco Data Center AI Infrastructure (300-640 DCAI) v1.0 ha una durata di 90 minuti ed è collegato alla certificazione Cisco Certified Specialist – Data Center AI Infrastructure. Inoltre, soddisfa il requisito dell’esame di specializzazione necessario per ottenere la certificazione CCNP Data Center.
La prova verifica le competenze relative alle infrastrutture per l’intelligenza artificiale, in particolare nei seguenti ambiti:
- Design
- Implementation
- Monitoring
- Troubleshooting
Visita la pagina ufficiale per conoscere i dettagli riguardo gli argomenti oggetto dell’esame.
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
✅ Comprendere i concetti fondamentali dell’intelligenza artificiale, inclusi AI tradizionale, machine learning e deep learning, insieme alle loro applicazioni, con un approfondimento sull’AI generativa, le sue sfide e le tendenze future.
✅ Analizzare come l’AI migliori la gestione delle reti e la sicurezza tramite automazione intelligente, analisi predittiva e rilevamento delle anomalie, utilizzando anche strumenti come Jupyter Lab, Python e modelli generativi per automatizzare le operazioni.
✅ Esaminare architettura, funzionamento e gestione dei cluster AI/ML, inclusi l’utilizzo e l’ottimizzazione di modelli pre-addestrati, oltre alle strategie di posizionamento dei workload e interoperabilità tra sistemi.
✅ Progettare e ottimizzare infrastrutture AI efficienti, considerando sostenibilità, costi, compliance, governance e requisiti delle applicazioni AI/ML.
✅ Approfondire le tecnologie di rete per AI, inclusi modelli di connettività, protocolli Layer 2 e Layer 3, Ethernet ad alte prestazioni, RDMA/RoCE, QoS, ECN e PFC, oltre al ruolo delle tecnologie ottiche e in rame nei data center.
✅ Gestire e monitorare ambienti AI/ML, analizzando traffico e congestione con strumenti come Cisco Nexus Dashboard Insights, e comprendendo l’impatto delle diverse fasi delle applicazioni AI sull’infrastruttura.
✅ Comprendere l’importanza dell’hardware specializzato (compute e acceleratori) e delle soluzioni AI/ML esistenti, insieme alle opzioni di virtualizzazione e alle strategie di storage, inclusi protocolli e software-defined storage.
✅ Configurare e ottimizzare infrastrutture di rete AI/ML, inclusa la migrazione dei workload, l’uso di NDFC e l’integrazione di modelli GPT locali con tecniche RAG per attività di network engineering.
Prerequisiti
Non sono richiesti prerequisiti obbligatori per partecipare a questo corso, tuttavia, è consigliato avere conoscenze di base nei seguenti ambiti:
- Architettura e operazioni di computing Cisco UCS
- Portfolio 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)
- Cisco Data Center Nexus Dashboard Essentials (DCNDE)
Course Outline
- 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 Fabric
Lab Outline
- AI Toolset—Jupyter Notebook
- AI/ML Workload Data Performance
- Setting Up AI Cluster
- Deploy and Use Open Source GPT Models for RAG
- Troubleshoot Common Issues in AI/ML Fabric
