دوره گواهینامه NVIDIA Certified Professional AI Networking (NCP-AIN)

آنچه یاد خواهید گرفت: معماری شبکه‌سازی دیتاسنتر هوش مصنوعی NVIDIA را درک کنید و بدانید GPUs و DPUs، سوئیچ‌ها و ذخیره‌سازی چگونه برای حجم‌های کاری هوش مصنوعی با هم کار می‌کنند. اصول طراحی فکتوری AI و توپولوژی‌های شبکه rail-optimized را برای محیط‌های NVIDIA مقیاس‌پذیر و عملکرد بالا توضیح دهید. مفاهیم شبکه‌سازی NVIDIA Spectrum-X Ethernet و InfiniBand را برای حجم‌های کاری آموزش و استنتاج هوش مصنوعی از هم متمایز کنید. اصول ارتباط GPU-to-GPU را درک کنید و بدانید طراحی شبکه چگونه بر تاخیر، توان عملیاتی و عملکرد هوش مصنوعی اثر می‌گذارد. مفاهیم اصلی QoS، کنترل ازدحام، telemetry و مشاهده‌پذیری را در محیط‌های شبکه‌سازی هوش مصنوعی NVIDIA بیاموزید. درک کنید Kubernetes چگونه با شبکه‌سازی هوش مصنوعی NVIDIA یکپارچه می‌شود، از جمله RDMA و InfiniBand و آگاهی از منابع GPU توانایی تحلیل معماری برای بررسی چالش‌های عملکرد، مقیاس‌پذیری و قابلیت اطمینان شبکه‌های هوش مصنوعی را توسعه دهید. برای گواهینامه NVIDIA NCP-AIN با شفافیت مفهومی قوی و درک مبتنی بر طراحی آماده شوید. پیش‌نیازهای دوره این دوره برای ایجاد درک از اصول اساسی شبکه‌سازی و زیرساخت هوش مصنوعی طراحی شده است. آشنایی پایه با مفاهیم شبکه‌های کامپیوتری (IP، مسیریابی و سوئیچینگ) آشنایی کلی با مفاهیم زیرساخت دیتاسنتر یا ابر آگاهی از AI، پردازش GPU یا گردش‌کارهای یادگیری ماشین (مفید است اما الزامی نیست.) علاقه به زیرساخت هوش مصنوعی، طراحی دیتاسنتر یا شبکه‌سازی با عملکرد بالا توضیحات دوره نکته: این دوره شامل استفاده از صدای هوش مصنوعی است. این دوره شامل جلسات عملی نمی‌شود. تمرکز اصلی دوره بر قبولی در آزمون گواهینامه، درک عمیق مفاهیم و رسیدن به تسلط کامل به اصول است. این دوره به‌ صورت فشرده طراحی شده تا در زمان محدود، کل سرفصل را پوشش دهد و درک عمیقی نیز ارائه کند. این دوره شامل 2 eBook است که می‌توانید آنها را دانلود کرده و با جزئیات مطالعه کنید. گواهینامه NVIDIA Certified Professional AI Networking (NCP-AIN) - آموزش مبتنی بر اصول حجم‌های کاری مدرن هوش مصنوعی به معماری‌های شبکه‌سازی اختصاصی نیاز دارند، نه طراحی‌های سنتی دیتاسنتر GPUs با عملکرد بالا، fabrics با تاخیر بسیار پایین، توپولوژی‌های rail-optimized، مسیریابی آگاه از ازدحام و الگوهای ارتباطی GPU-to-GPU، اساساً نحوه طراحی، بهینه‌سازی و بهره‌برداری از دیتاسنترهای هوش مصنوعی را تغییر داده‌اند. این دوره یک تجربه یادگیری مفهوم محور و متمرکز بر معماری است که به‌ طور ویژه برای متخصصانی طراحی شده که برای گواهینامه NVIDIA Certified Professional AI Networking (NCP-AIN) آماده می‌شوند و همچنین برای کسی که بدون تکیه بر آزمایشگاه‌های عملی، می‌خواهد درک عمیق و ساختاریافته‌ای از اکوسیستم‌های شبکه‌سازی هوش مصنوعی NVIDIA به دست آورد. به‌ جای فرمان‌های پراکنده یا دموهای وابسته به فروشنده، این آموزش بر این‌که شبکه‌های هوش مصنوعی NVIDIA چگونه و چرا کار می‌کنند تمرکز دارد و به شما کمک می‌کند یک مدل ذهنی روشن از شبکه‌سازی دیتاسنتر هوش مصنوعی از پایه بسازید. این دوره بر چه مواردی تمرکز دارد؟ این دوره شما را با کل چشم‌انداز شبکه‌سازی هوش مصنوعی NVIDIA آشنا می‌کند؛ از اصول طراحی دیتاسنتر هوش مصنوعی شروع می‌شود و سپس کاملاً از دیدگاه مفهومی و طراحی، به fabrics مبتنی بر Ethernet در Spectrum-X، معماری‌های InfiniBand، یکپارچه‌سازی Kubernetes و مشاهده‌پذیری و اتوماسیون می‌رسد. در این دوره به شفافیت در موارد زیر می‌رسید: NVIDIA AI factories چگونه معماری می‌شوند؟ چرا توپولوژی‌های rail-optimized برای کلاسترهای GPU در مقیاس بزرگ اهمیت دارند؟ الگوهای ارتباطی GPU-to-GPU چگونه بر طراحی شبکه اثر می‌گذارند؟ ازدحام، تاخیر و توان عملیاتی چگونه در fabrics هوش مصنوعی مدیریت می‌شوند؟ Spectrum-X و InfiniBand NVIDIA چه تفاوتی دارند و هرکدام کجا به‌ کار می‌روند؟ DPUs و BlueField و SuperNICs و telemetry چگونه در شبکه‌های هوش مصنوعی یکپارچه می‌شوند؟ Kubernetes چگونه با RDMA و شبکه‌سازی InfiniBand یکپارچه می‌شود؟ شبکه‌های سازمانی هوش مصنوعی چگونه نظارت، تحلیل و خودکار می‌شوند؟ مباحث اصلی پوشش‌ داده‌ شده: طراحی و بهینه‌سازی دیتاسنتر هوش مصنوعی معماری فکتوری AI و اجزای اصلی آن (GPUs و DPUs، سوئیچ‌ها، واحدهای مقیاس‌پذیر) Ethernet در برابر InfiniBand برای حجم‌های کاری هوش مصنوعی ملاحظات ذخیره‌سازی برای توان عملیاتی هوش مصنوعی توپولوژی‌های شبکه AI با طراحی rail-optimized و مقیاس‌پذیر اصول ارتباطی GPU-to-GPU شبکه‌سازی NVIDIA Spectrum-X (مفهومی) معماری Spectrum-X و فلسفه طراحی آن مفاهیم QoS و ECN و PFC و telemetry و مدیریت ازدحام Microsegmentation و multi-tenant AI fabrics با استفاده از BGP-EVPN اصول NetQ و CloudAI Benchmark و مشاهده پذیری درک telemetry مربوط به WJH (What Just Happened) شبکه‌سازی NVIDIA InfiniBand (مفهومی) معماری InfiniBand و کامپوننت‌های fabric Subnet managers، پارتیشن‌ها و PKeys مفاهیم QoS و مسیریابی تطبیقی طراحی‌های InfiniBand با رویکرد rail-optimized برای مقیاس‌پذیری هوش مصنوعی نظارت با NVIDIA Unified Fabric Manager (UFM) یکپارچه‌سازی Kubernetes و شبکه‌سازی هوش مصنوعی معماری NVIDIA Network Operator فعال‌سازی RDMA و InfiniBand در Kubernetes مفاهیم آگاهی از منابع GPU و زمانبندی ملاحظات شبکه‌سازی برای حجم‌های کاری هوش مصنوعی در محیط‌های کانتینری مشاهده‌پذیری، عیب‌یابی و اتوماسیون رویکردهای عیب‌یابی telemetry محور کاربرد مفهومی NetQ و UFM و WJH و ابزارهای تشخیصی درک ریشه‌های ازدحام، packet loss و تاخیر مفاهیم قالب‌های NVUE و اتوماسیون با Ansible عملیات‌های zero-touch و شبکه‌سازی هوش مصنوعی در مقیاس بزرگ این دوره برای افراد زیر ایده‌آل است: مهندسان شبکه که به حوزه زیرساخت هوش مصنوعی وارد می‌شوند. معماران دیتاسنتر که روی حجم‌های کاری GPU یا هوش مصنوعی کار می‌کنند. مهندسان زیرساخت و پلتفرم که از پلتفرم‌های هوش مصنوعی پشتیبانی می‌کنند. متخصصان Kubernetes که با حجم‌های کاری هوش مصنوعی کار می‌کنند. افرادی که برای گواهینامه NVIDIA NCP-AIN آماده می‌شوند. معماران و رهبران فنی که پیش از پیاده‌سازی به اصول روشن نیاز دارند. هیچ تجربه عملی قبلی در شبکه‌سازی NVIDIA لازم نیست. این دوره برای درک اصول اولیه طراحی شده است. چرا این دوره متفاوت است؟ مبتنی بر اصول، بدون وابستگی به آزمایشگاه توضیحات معماری شفاف با استفاده از جریان‌ها، بلوک‌ها و نمودارها همسویی با گواهینامه، بدون حفظ‌ کردن فشرده برای آزمون نگاه در سطح شرکت، نه حفظ ابزارها پایه‌ای ایده‌آل پیش از آموزش‌های پیشرفته یا عملی این دوره به شما اعتمادبه‌نفس لازم برای تحلیل طراحی‌های شبکه‌سازی هوش مصنوعی، ارتباط مؤثر با معماران و فروشندگان و مواجهه شفاف با چالش‌های واقعی دیتاسنتر هوش مصنوعی را ارائه می‌دهد. این دوره برای چه کسانی مناسب است؟ مهندسان شبکه که می‌خواهند به نقش‌های مرتبط با دیتاسنتر هوش مصنوعی و شبکه‌سازی GPU منتقل شوند. معماران دیتاسنتر و زیرساخت که محیط‌های مبتنی بر هوش مصنوعی و GPU را طراحی یا پشتیبانی می‌کنند. مهندسان پلتفرم و ابر که با حجم‌های کاری هوش مصنوعی و شبکه‌سازی با عملکرد بالا کار می‌کنند. متخصصان Kubernetes که می‌خواهند مفاهیم یکپارچه‌سازی شبکه‌سازی هوش مصنوعی را درک کنند. تیم‌های زیرساخت هوش مصنوعی، MLOps و پلتفرم که به شفافیت در سطح معماری نیاز دارند. رهبران فنی و تصمیم‌گیرندگانی که در طراحی و برنامه‌ریزی دیتاسنتر هوش مصنوعی نقش دارند. افرادی که برای گواهینامه NVIDIA Certified Professional AI Networking (NCP-AIN) آماده می‌شوند. مهندسانی که ترجیح می‌دهند پیش از اجرا، اصول طراحی، موازنه‌ها و معماری‌ها را درک کنند.