EX267

Description de l'examen

L'examen Spécialiste certifié Red Hat en utilisation d'OpenShift AI permet de tester la capacité des candidats à déployer la solution OpenShift AI et à la configurer afin de créer, déployer et gérer des modèles d'apprentissage automatique destinés aux applications optimisées par l'IA.

Si vous réussissez cet examen, vous obtiendrez la certification Spécialiste certifié Red Hat en utilisation d'OpenShift AI 

qui compte également pour l'obtention de la certification RHCA^® (Architecte certifié Red Hat).

Cet examen s'effectue sur la version 2.25 de Red Hat OpenShift AI et sur la version 4.18 de Red Hat OpenShift Container Platform.

Public ciblé

• Architectes système et logiciel qui souhaitent valider leur capacité à concevoir et intégrer une infrastructure d'IA/AA évolutive à l'aide de Red Hat OpenShift AI
• Développeurs qui souhaitent démontrer leur maîtrise de la mise en œuvre et de l'automatisation des workflows MLOps, ainsi que de l'intégration de modèles aux applications de production
• Data scientists qui souhaitent prouver leur expertise en développement, entraînement, mise à disposition et surveillance de modèles avec Red Hat OpenShift AI

Prérequis

Prérequis pour l'examen :

• Avoir suivi le cours Red Hat OpenShift Developer II : création et déploiement d'applications cloud-native (DO288) ou posséder une expérience professionnelle équivalente de l'utilisation d'OpenShift Container Platform
• Avoir suivi le cours Développement et déploiement d'applications d'IA/AA sur Red Hat OpenShift AI (AI267) ou posséder une expérience professionnelle équivalente des fonctions d'OpenShift AI
• Passer en revue les objectifs de l'examen Spécialiste certifié Red Hat en utilisation d'OpenShift AI (EX267)
• Passer l'évaluation gratuite pour trouver le cours qui sera le plus utile à la préparation de cet examen

Points à étudier pour l'examen

Les candidats à la certification Spécialiste certifié Red Hat en utilisation d'OpenShift AI doivent être capables d'accomplir les tâches de la liste ci-dessous.  Les candidats recevront de la documentation produit spécifique, mais ils doivent se préparer à effectuer ces tâches sans assistance.

• Compréhension de l'architecture et des principes de base de Red Hat OpenShift AI
  • Comprendre la relation entre RHOAI et OpenShift Container Platform
  • Comprendre les concepts MLOps, GenAIOps et AI/AA
  • Comprendre le fonctionnement des composants RHOAI dans les projets de science des données
• Gestion des projets de science des données et des workbenches
  • Créer, configurer et gérer des projets et des autorisations
  • Créer et modifier des workbenches avec des images, des versions et des tailles personnalisées
  • Assembler et importer des images de workbench personnalisées
  • Surveiller l'utilisation des ressources et les processus d'entraînement avec TensorBoard
• Configuration des connexions de données
  • Créer des connexions (S3, base de données, etc.)
  • Stocker et récupérer des données et des artéfacts depuis des services externes
• Identification et allocation des ressources
  • Utiliser des sélecteurs de nœud et des tolérances
  • Allouer des workbenches et des serveurs de modèles à des nœuds spécifiques
• Déploiement et mise à disposition des modèles
  • Comprendre le workflow de mise à disposition des modèles et l'architecture KServe
  • Déployer des modèles à l'aide des modes Standard et Advanced
  • Stocker les modèles dans des buckets S3, des conteneurs OCI ou des revendications de volume persistant
  • Déployer des modèles prédictifs avec l'environnement d'exécution OpenVINO
  • Déployer et mettre à disposition de grands modèles de langage avec l'environnement d'exécution vLLM
  • Créer et configurer des environnements d'exécution personnalisés pour la distribution de modèles
• Gestion des modèles avec le registre de modèles
  • Mettre en paquet des modèles en tant qu'artéfacts d'images OCI
  • Enregistrer et versionner des modèles dans le registre de modèles
  • Déployer des modèles à partir du registre de modèles
  • Interroger l'API du registre de modèles
• Surveillance des modèles et des performances d'IA
  • Surveiller les biais de modèles et les dérives de données avec TrustyAI
  • Surveiller l'utilisation du matériel avec la pile de surveillance OpenShift et Grafana
  • Analyser l'utilisation des ressources et l'optimiser à partir des données de surveillance
• Création et gestion des pipelines de science des données
  • Créer des serveurs de pipeline et des pipelines avec Elyra et le SDK KubeFlow
  • Utiliser les composants de conteneurs et gérer les artéfacts
  • Configurer des fonctions Kubernetes dans des pipelines
  • Procéder à des expérimentations pour comparer les exécutions de pipeline
• Optimisation et évaluation des modèles
  • Sélectionner des modèles du catalogue RHOAI et de Hugging Face
  • Optimiser des modèles avec LLM Compressor (compression et quantification)
  • Évaluer les performances des LLM avec LMEval à l'aide de tests de performance standards et personnalisés
• Assemblage d'applications d'IA générative
  • Comprendre et appliquer les modèles d'application d'IA générative
  • Assembler des applications d'IA générative simples avec des réponses en continu
  • Assembler des applications RAG avec des bases de données vectorielles et le traitement de documents
  • Assembler des applications agentiques à l'aide d'outils et d'un raisonnement en plusieurs étapes
  • Mettre en œuvre des mesures pour assurer la sécurité des contenus et la validation des entrées/sorties
• Participation à des projets collaboratifs sur Git et développement de modèles d'AA
  • Gérer des notebooks Jupyter avec le contrôle de version Git
  • Entraîner des modèles Python à l'aide de bibliothèques d'AA de base
  • Assurer le chargement évolutif de données et enregistrer/exporter des modèles
• Déploiement et stockage des modèles
  • Déployer des modèles à l'aide de l'interface OpenShift AI (modes Standard et Advanced)
  • Stocker des modèles à l'aide de buckets S3, de conteneurs OCI ou de revendications de volume persistant
  • Connaître les emplacements de stockage des modèles pris en charge
  • Configurer les paramètres de déploiement des modèles

Préparation

Pour préparer l'examen, nous vous conseillons de suivre le cours Développement et déploiement d'applications d'IA/AA sur Red Hat OpenShift AI (AI267).  La participation à ce cours n'est pas obligatoire. Vous pouvez donc vous contenter de passer l'examen.

Bien que la participation aux cours Red Hat puisse jouer un rôle important dans la préparation à l'examen, elle ne garantit en aucun cas la réussite de celui-ci. Une expérience et une pratique préalables, ainsi qu'une aptitude innée, constituent d'autres facteurs importants.

De nombreux livres et d'autres ressources sur l'administration système des produits Red Hat sont disponibles. Il n'existe pas de documentation de préparation aux examens approuvée par Red Hat. Des lectures complémentaires peuvent cependant vous permettre d'approfondir le sujet.

Format de l'examen

Cet examen est une évaluation basée sur les performances des compétences et des connaissances requises pour configurer et gérer Red Hat OpenShift AI. Les candidats devront effectuer des tâches courantes avec Red Hat OpenShift Container Platform et Red Hat OpenShift AI. L'évaluation porte sur leur capacité à remplir certains critères objectifs. Un test basé sur les performances signifie que les candidats doivent effectuer des tâches semblables à celles qu'ils réaliseraient en milieu professionnel.

Cet examen consiste en une session d'une durée de quatre heures.

Résultats et communication des notes    

Les notes officielles attribuées pour les examens proviennent exclusivement du Centre de certification Red Hat. Nous n'autorisons pas les examinateurs ni les partenaires de formation à donner directement leurs résultats aux candidats. Les notes d'examen sont généralement communiquées sous trois (3) jours ouvrables (aux États-Unis) après l'examen.

Les résultats d'examen sont communiqués sous forme de notes globales. Nous ne communiquons pas les résultats sur des points particuliers et ne fournissons pas non plus d'informations complémentaires sur demande.

• Administration de Red Hat OpenShift AI (AI263)
• Création de modèles d'apprentissage automatique avec Red Hat OpenShift AI (AI264)
• Déploiement de modèles d'apprentissage automatique avec Red Hat OpenShift AI (AI265)
• Automatisation des workflows d'IA/AA avec Red Hat OpenShift AI (AI266)

Notez que les cours ci-dessus peuvent être suivis ensemble en suivant le cours Développement et déploiement d'applications d'IA/AA sur Red Hat OpenShift AI (AI267)

.