AI Solutions on Cisco Infrastructure Essentials

• 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

Für diese Schulung gibt es keine Voraussetzungen. Es handelt sich um ein Grundlagentraining, das von Anfängern bis zu fortgeschrittenen Inhalten reicht. Vertrautheit mit Cisco Data Center Networking- und Computing-Lösungen ist von Vorteil, aber keine Voraussetzung. Es wird jedoch empfohlen, dass Sie über die folgenden Kenntnisse und Fähigkeiten verfügen, bevor Sie an dieser Schulung teilnehmen:

• Cisco UCS-Rechenarchitektur und -betrieb
• Cisco Nexus-Switch-Portfolio und -Funktionen
• Kerntechnologien für Rechenzentren

Diese Fähigkeiten können in den folgenden Cisco-Lernangeboten erworben werden:

• Implementing and Operating Cisco Data Center Core Technologies (DCCOR)
• Implementing Cisco NX-OS Switches and Fabrics in the Data Center (DCNX)
• Introducing Cisco Unified Computing System (DCIUCS)

• 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