EX267

Prüfungsbeschreibung

Das Red Hat Certified Specialist in OpenShift AI Exam testet die Fähigkeit der Teilnehmenden, OpenShift AI bereitzustellen und so zu konfigurieren, dass Modelle für maschinelles Lernen erstellt, bereitgestellt und verwaltet werden, um KI-fähige Anwendungen zu unterstützen.

Mit dem Bestehen dieser Prüfung werden Sie zum Red Hat Certified Specialist in OpenShift AI, was 

auch auf die Qualifikation als Red Hat Certified Architect (RHCA^®) angerechnet wird.

Diese Prüfung basiert auf Red Hat OpenShift AI Version 2.25 und Red Hat OpenShift Container Platform Version 4.18.

Zielgruppe für diese Prüfung

• System- und Softwarearchitekten, die ihre Fähigkeiten in den Bereichen Design und Integration skalierbarer KI-/ML-Infrastrukturen unter Verwendung von Red Hat OpenShift AI nachweisen möchten.
• Entwickler, die ihre Kompetenzen in Bezug auf Implementierung und Automatisierung von MLOps-Workflows und die Integration von Modellen in Produktionsanwendungen nachweisen möchten.
• Data Scientists, die ihre Kompetenzen im Entwickeln, Trainieren, Bereitstellen und Monitoring von Modellen in Red Hat OpenShift AI nachweisen möchten.

Voraussetzungen für diese Prüfung

An dieser Prüfung Teilnehmende sollten:

• am Kurs Red Hat OpenShift Developer II: Building and Deploying Cloud-native Applications (DO288) teilgenommen haben oder vergleichbare Berufserfahrung mit OpenShift Container Platform vorweisen können
• am Kurs Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267) teilgenommen haben oder vergleichbare Erfahrungen in der Verwendung von den Funktionen von OpenShift AI vorweisen können
• die Prüfungsziele für das Red Hat Certified Developer in AI Exam (EX267) wiederholen
• an unserem kostenlosen Einstufungstest teilnehmen, um den Kurs zu finden, der am besten für Ihre Vorbereitung auf diese Prüfung geeignet ist.

Lerninhalte für die Prüfung

Teilnehmende an der Prüfung zu Red Hat Certified Specialist in OpenShift AI sollten die unten aufgeführten Aufgaben bewältigen können.  Es wird eine relevante produktspezifische Dokumentation zur Verfügung gestellt, allerdings sollten sich die Teilnehmenden darauf vorbereiten, diese Aufgaben auch ohne Unterstützung durchzuführen.

• Architektur und Grundlagen von Red Hat OpenShift AI
  • Beziehung von RHOAI zu OpenShift Container Platform
  • Konzepte von MLOps, GenAIOps und KI/ML
  • Funktionsweise von RHOAI-Komponenten in Data Science-Projekten
• Verwalten von Data Science-Projekten und Workbenches
  • Erstellen, Konfigurieren und Verwalten von Projekten und Berechtigungen
  • Erstellen und Bearbeiten von Workbenches mit benutzerdefinierten Images, Versionen und Größen
  • Erstellen und Importieren benutzerdefinierter Workbench-Images
  • Überwachen der Ressourcennutzung und Trainingsprozesse mit TensorBoard
• Konfigurieren von Datenverbindungen
  • Erstellen von Verbindungen (S3, Datenbank usw.)
  • Speichern und Abrufen von Daten und Artefakten von externen Services
• Identifizieren und Zuweisen von Ressourcen
  • Verwenden von Knotenselektoren und Toleranzen
  • Zuweisen von Workbenches und Modellservern zu bestimmten Knoten
• Bereitstellen von Modellen
  • Workflows für die Modellbereitstellung und KServe-Architektur
  • Bereitstellen von Modellen im Standard- und erweiterten Modus
  • Speichern von Modellen in S3-Buckets, OCI-Containern oder PVCs
  • Bereitstellen von prädiktiven Modellen mit OpenVINO Runtime
  • Bereitstellen von LLMs mit vLLM Runtime
  • Erstellen und Konfigurieren benutzerdefinierter Bereitstellungs-Runtimes
• Verwalten von Modellen mit der Modell-Registry
  • Paketieren von Modellen als OCI-Image-Artefakte
  • Registrieren und Versionieren von Modellen in der Modell-Registry
  • Bereitstellen von Modellen aus der Modell-Registry
  • Abfragen der Modell-Registry-API
• Überwachen von KI-Modellen und Performance
  • Überwachen von Modellverzerrungen und Datenabweichungen mit TrustyAI
  • Überwachen des Hardwareverbrauchs mit dem OpenShift Monitoring-Stack und Grafana
  • Analysieren und Optimieren der Ressourcennutzung auf Grundlage von Monitoring-Insights
• Erstellen und Verwalten von Data Science Pipelines
  • Erstellen von Pipeline-Servern und Pipelines mit Elyra und KubeFlow SDK
  • Verwenden von Containerkomponenten und Verwalten von Artefakten
  • Konfigurieren von Kubernetes-Features in Pipelines
  • Verwenden von Experimenten zum Vergleichen von Pipeline-Ausführungen
• Optimieren und Testen von Modellen
  • Auswählen von Modellen aus dem RHOAI-Katalog und von Hugging Face
  • Optimieren von Modellen mit LLM Compressor (Komprimierung und Quantisierung)
  • Bewerten von LLM-Performance mit LMEval anhand von standardmäßigen und benutzerdefinierten Benchmarks
• Erstellen von GenAI-Anwendungen
  • Erfassen und Anwenden von GenAI-Anwendungsmustern
  • Erstellen einfacher GenAI-Anwendungen mit Streaming-Antworten
  • Entwickeln von RAG-Anwendungen mit Vektordatenbanken und Dokumentverarbeitung
  • Entwickeln agentischer Anwendungen mit Tools und Reasoning mit mehreren Schritten
  • Implementieren von Leitplanken für die Sicherheit von Inhalten und die Validierung von Eingaben/Ausgaben
• Zusammenarbeit mit Git und Entwickeln von ML-Modellen
  • Verwalten von Jupyter Notebooks mit Git-Versionskontrolle
  • Trainieren von Modellen in Python mithilfe von grundlegenden ML-Libraries
  • Skalierbares Laden von Daten und Speichern/Exportieren von Modellen
• Bereitstellen und Speichern von Modellen
  • Bereitstellen von Modellen über die Schnittstelle von OpenShift AI (Modus Standard und Advanced)
  • Speichern von Modellen mit S3-Buckets, OCI-Containern oder Persistent Volume Claims
  • Unterstützte Storage-Orte für Modelle
  • Konfigurieren der Einstellungen für das Modell-Deployment

Vorbereitung

Red Hat empfiehlt als Vorbereitung den Kurs Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267).  Die Teilnahme an diesem Kurs ist nicht verpflichtend. Es kann auch nur die Prüfung abgelegt werden.

Auch wenn die Teilnahme an Red Hat Kursen einen wichtigen Teil der Prüfungsvorbereitung darstellt, ist sie keine Garantie für das Bestehen der Prüfung. Vorherige Erfahrung, Praxis und Eignung sind darüber hinaus wichtige Erfolgsfaktoren.

Zur Systemadministration für Red Hat Produkte sind zahlreiche Bücher und andere Ressourcen erhältlich. Eine offizielle Empfehlung zur Nutzung solcher Materialien für die Vorbereitung auf die Prüfungen gibt Red Hat jedoch nicht. Dennoch kann sich weiterführende Literatur stets als hilfreich erweisen.

Prüfungsformat

Diese Prüfung ist eine leistungsbasierte Bewertung der für die Konfiguration und Verwaltung von Red Hat OpenShift AI erforderlichen Kenntnisse und Fertigkeiten. Die Teilnehmenden führen routinemäßige Aufgaben mit Red Hat OpenShift Container Platform und Red Hat OpenShift AI durch und werden danach bewertet, ob sie bestimmte objektive Kriterien erfüllt haben. Im leistungsorientierten Testverfahren müssen die Prüfungsteilnehmenden Aufgaben bewältigen, die ähnlich denen sind, die sie im Arbeitsalltag zu erfüllen haben.

Die Prüfung wird an einem Stück durchgeführt und dauert 4 Stunden.

Bekanntgabe der Prüfungsergebnisse    

Die offiziellen Prüfungsergebnisse werden ausschließlich auf der Website Red Hat Certification Central veröffentlicht. Red Hat erlaubt Prüferinnen und Prüfern oder Trainingspartnern nicht, den Teilnehmenden die Ergebnisse direkt mitzuteilen. In der Regel wird das Ergebnis innerhalb von 3 US-Werktagen mitgeteilt.

Die Prüfungsergebnisse werden in Form einer Gesamtpunktzahl kommuniziert. Red Hat macht keine Angaben zu Leistungen in einzelnen Prüfungselementen und gibt auch auf Anfrage keine weiteren Auskünfte.

• Red Hat OpenShift AI Administration (AI263)
• Creating Machine Learning Models with Red Hat OpenShift AI (AI264)
• Deploying Machine Learning Models with Red Hat OpenShift AI (AI265)
• Automating AI/ML workflows with Red Hat OpenShift AI (AI266)

Bitte beachten Sie, dass die oben genannten Kurse als Kurspaket belegt werden können, durch die Teilnahme an:Developing and Deploying AI/ML applications on Red Hat OpenShift AI (AI267)