EX267

Red Hat Certified Developer in AI

Descripción

Descripción del examen

Con el examen Red Hat Certified Specialist in OpenShift AI, evaluamos la capacidad de los candidatos para implementar OpenShift AI y configurarla de modo que se puedan diseñar, implementar y gestionar modelos de machine learning (aprendizaje automático) que respalden las aplicaciones que utilizan la inteligencia artificial.

Si lo apruebas, obtendrás la acreditación Red Hat Certified Developer in AI.

El examen se basa en Red Hat OpenShift AI 3.3 y Red Hat OpenShift Container Platform 4.20.

 Objetivos

Temas de estudio para el examen

Los candidatos que quieran obtener la certificación Red Hat Certified Specialist in OpenShift AI deben poder realizar las siguientes tareas.  Proporcionaremos la documentación relevante específica del producto y los candidatos tienen que estar preparados para realizar estas actividades sin ayuda.

  • Comprensión de la arquitectura y los conceptos básicos de Red Hat OpenShift AI:
    • comprender la relación de Red Hat OpenShift AI con OpenShift Container Platform;
    • comprender los conceptos de MLOps, GenAIOps e inteligencia artificial/machine learning;
    • conocer el funcionamiento de los elementos de Red Hat OpenShift AI en los proyectos de análisis de datos.
  • Gestión de entornos de trabajo y proyectos de análisis de datos:
    • crear, configurar y gestionar proyectos y permisos;
    • generar y editar entornos de trabajo con imágenes, versiones y tamaños personalizados;
    • diseñar e importar imágenes personalizadas de entornos de trabajo;
    • supervisar el uso de los recursos y los procesos de entrenamiento con TensorBoard.
  • Configuración de las conexiones de datos:
    • crear conexiones (S3, base de datos, etc.);
    • almacenar y recuperar datos y artefactos de servicios externos.
  • Identificación y asignación de recursos:
    • usar nodeSelectors y tolerancias;
    • asignar entornos de trabajo y servidores de modelos a nodos específicos.
  • Implementación y distribución de los modelos:
    • comprender el flujo de trabajo de la distribución de los modelos y la arquitectura de KServe;
    • implementar modelos con los modos estándar y avanzado;
    • almacenar los modelos en buckets de S3, contenedores de OCI o reclamaciones de volumen persistente (PVC);
    • distribuir los modelos predictivos con el tiempo de ejecución de OpenVINO;
    • implementar y distribuir los LLM con el tiempo de ejecución de vLLM;
    • crear y configurar tiempos de ejecución personalizados para la distribución de los modelos.
  • Gestión de modelos con el registro:
    • empaquetar modelos como artefactos de imágenes OCI;
    • registrar y crear versiones de los modelos en el registro de modelos;
    • implementar modelos desde el registro de modelos;
    • consultar la API del registro de modelos.
  • Supervisión de los modelos y del rendimiento de la inteligencia artificial:
    • supervisar el sesgo de los modelos y los desajustes de los datos con TrustyAI;
    • supervisar el consumo del hardware con la stack de supervisión de OpenShift y Grafana;
    • analizar el uso de los recursos y optimizarlos según las observaciones de la supervisión.
  • Creación y gestión de canales de análisis de datos:
    • crear canales y servidores de canales con Elyra y KubeFlow SDK;
    • utilizar los elementos de los contenedores y gestionar los artefactos;
    • configurar las funciones de Kubernetes en los canales;
    • utilizar experimentos para comparar las ejecuciones de canales.
  • Optimización y evaluación de los modelos:
    • seleccionar modelos del catálogo de Red Hat OpenShift AI y Hugging Face;
    • optimizar los modelos con LLM Compressor (compresión y cuantización);
    • evaluar el rendimiento de los LLM con LMEval utilizando indicadores estándares y personalizados.
  • Diseño de aplicaciones de inteligencia artificial generativa:
    • comprender y aplicar los patrones de aplicaciones de inteligencia artificial generativa;
    • diseñar aplicaciones sencillas de inteligencia artificial generativa con respuestas de transmisión;
    • diseñar aplicaciones de generación aumentada por recuperación con bases de datos vectoriales y procesamiento de documentos;
    • diseñar aplicaciones con agentes utilizando herramientas y razonamiento de varios pasos;
    • implementar medidas de protección para la seguridad del contenido y la validación de entrada y salida.
  • Colaboración con Git y desarrollo de modelos de machine learning:
    • gestionar los notebooks de Jupyter con el control de versiones de Git;
    • entrenar los modelos en Python con las bibliotecas básicas de machine learning;
    • cargar datos de manera adaptable y guardar o exportar modelos.
  • Implementación y almacenamiento de modelos:
    • implementar modelos con la interfaz de OpenShift AI (modos estándar y avanzado);
    • almacenar modelos con buckets de S3, contenedores de OCI o PVC;
    • conocer las ubicaciones de almacenamiento de modelos compatibles;
    • configurar los ajustes de implementación de modelos.
 Información útil

Preparación

Red Hat recomienda realizar el curso Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267) para prepararte para el examen.

Formato del examen

Asegúrate de revisar la guía del programa Red Hat Certification para familiarizarte con todas las políticas oficiales y los procedimientos de examen antes de reservar la sesión.

Se trata de un examen basado en el desempeño que evalúa el nivel de conocimiento y habilidades que se requieren para configurar y gestionar Red Hat OpenShift AI. Los candidatos llevarán a cabo tareas rutinarias de configuración y administración con Red Hat OpenShift Container Platform y Red Hat OpenShift AI, y se evaluará si cumplen con los criterios objetivos específicos. Como los exámenes están basados en el desempeño, los candidatos tendrán que llevar a cabo tareas similares a las del puesto de trabajo.

Resultados y notificación    

Los resultados oficiales de los exámenes proceden exclusivamente de la Central de Certificación Red Hat. Red Hat no autoriza a los examinadores ni a los partners de capacitación a comunicar los resultados directamente a los candidatos. En general, los resultados de los exámenes se comunican en un plazo de tres días laborales, según el calendario de Estados Unidos.

Además, se organizan en puntuaciones totales. Red Hat no comunica la calificación obtenida en cada punto, ni otra información adicional que puedas solicitar.

 Público destinatario y requisitos previos

Público destinatario

  • Arquitectos de sistemas y software que deban demostrar que conocen las características y las funciones de Red Hat OpenShift AI
  • Administradores de sistemas o desarrolladores que deban demostrar su capacidad para configurar, gestionar y mantener OpenShift AI
  • Analistas de datos que deban demostrar sus conocimientos sobre el uso de OpenShift AI para desarrollar, entrenar, preparar, probar y supervisar modelos y aplicaciones de inteligencia artificial/machine learning

Requisitos previos para el examen

Los candidatos deben:

Seleccionar ubicación

Explorar ahora

Otras formas de perfeccionar tus habilidades

Obtén lo mejor de ambos mundos: la capacitación virtual impartida por especialistas, el aprendizaje autorregulado, la ayuda de especialistas y un examen de certificación. Todo está incluido en Red Hat Learning Subscription.

Capacitación en las instalaciones disponible

Si deseas capacitar a todo tu equipo, podemos hacerlo en tus instalaciones, de forma presencial o remota.

Red Hat Learning Subscription

Capacitación integral y planes de capacitación sobre los productos de Red Hat, certificaciones reconocidas en el sector y una experiencia de aprendizaje de TI flexible y dinámica.