EX267

Red Hat Certified Developer in AI

Panoramica

Descrizione dell'esame

Il Red Hat Certified Specialist in OpenShift AI exam valuta la capacità dei candidati di eseguire il deployment e la configurazione di OpenShift AI per creare, distribuire e gestire modelli di machine learning a supporto delle applicazioni abilitate per l'IA.

Il superamento dell'esame consente di ottenere la qualifica di Red Hat Certified Developer in AI.

Questo esame si basa su Red Hat OpenShift AI versione 2.13 e Red Hat OpenShift Container Platform versione 4.17.

 Risultati

Argomenti di studio per l'esame

I candidati all'esame Red Hat Certified Specialist in OpenShift AI devono saper svolgere le seguenti attività.  Verrà fornita la documentazione specifica del prodotto pertinente, ma i candidati devono essere in grado di svolgere le attività senza assistenza.

  • Comprensione dell'architettura e delle basi di Red Hat OpenShift AI
    • Comprensione della relazione di RHOAI con OpenShift Container Platform
    • Comprensione dei concetti di MLOps, GenAIOps e AI/ML
    • Conoscenza di come funzionano i componenti di RHOAI nei progetti di data science
  • Gestione dei progetti e degli ambienti di lavoro di data science
    • Creazione, configurazione e gestione di progetti e autorizzazioni
    • Creazione e modifica di ambienti di lavoro con immagini, versioni e dimensioni personalizzate
    • Creazione e importazione di immagini di ambienti di lavoro personalizzate
    • Monitoraggio dell'utilizzo delle risorse e dei processi di addestramento con TensorBoard
  • Configurazione delle connessioni dati
    • Creazione di connessioni (S3, database, ecc.)
    • Archiviazione e recupero di dati e artefatti da servizi esterni
  • Identificazione e allocazione delle risorse
    • Utilizzo di nodeSelector e tolleranze
    • Assegnazione di ambienti di lavoro e server di modelli a nodi specifici
  • Deployment e distribuzione dei modelli
    • Comprensione del flusso di lavoro di model serving e dell'architettura KServe
    • Deployment dei modelli con le modalità Standard e Avanzata
    • Archiviazione dei modelli in bucket S3, container OCI o PVC
    • Distribuzione dei modelli predittivi con il runtime di OpenVINO
    • Deployment e distribuzione degli LLM con il runtime vLLM
    • Creazione e configurazione di runtime di distribuzione personalizzati
  • Gestione dei modelli con il registro dei modelli
    • Creazione di pacchetti di modelli come artefatti di immagini OCI
    • Registrazione e modifica delle versioni nel registro dei modelli
    • Deployment di modelli dal registro dei modelli
    • Interrogazione dell'API del registro dei modelli
  • Monitoraggio delle prestazioni e dei modelli di IA
    • Monitoraggio dei bias dei modelli e del data drift con TrustyAI
    • Monitoraggio dell'uso dell'hardware con lo stack di monitoraggio di OpenShift e Grafana
    • Analisi dell'utilizzo e dell'ottimizzazione delle risorse in base alle informazioni di monitoraggio
  • Creazione e gestione di pipeline di data science
    • Creazione di pipeline e server di pipeline con Elyra e KubeFlow SDK
    • Utilizzo dei componenti dei container e gestione degli artefatti
    • Configurazione delle funzionalità di Kubernetes nelle pipeline
    • Uso degli esperimenti per confrontare le esecuzioni delle pipeline
  • Ottimizzazione e valutazione dei modelli
    • Selezione dei modelli dal catalogo RHOAI e da Hugging Face
    • Ottimizzazione dei modelli con LLM Compressor (compressione e quantizzazione)
    • Valutazione delle prestazioni degli LLM con LMEval utilizzando benchmark standard e personalizzati
  • Sviluppo di applicazioni di IA generativa
    • Comprensione e applicazione dei modelli applicativi di IA generativa
    • Sviluppo di semplici applicazioni di IA generativa con risposte in streaming
    • Creazione di applicazioni RAG con database vettoriali ed elaborazione dei documenti
    • Sviluppo di applicazioni di agenti con strumenti e ragionamenti in più passaggi
    • Implementazione di protezioni per la sicurezza dei contenuti e la convalida di input/output
  • Collaborazione con Git e sviluppo di modelli di ML
    • Gestione dei notebook Jupyter con il controllo delle versioni Git
    • Addestramento di modelli in Python utilizzando le librerie di ML di base
    • Caricamento dei dati in modo scalabile e salvataggio/esportazione dei modelli
  • Distribuzione e archiviazione dei modelli
    • Deployment dei modelli utilizzando l'interfaccia di OpenShift AI (modalità Standard e Avanzata)
    • Archiviazione dei modelli utilizzando bucket S3, container OCI o richieste di volumi persistenti
    • Comprensione delle posizioni di storage dei modelli supportate
    • Configurazione delle impostazioni di deployment dei modelli
 Informazioni essenziali

Preparazione

Per prepararti, Red Hat consiglia di seguire il corso Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267).

Struttura dell'esame

Prima di prenotare la sessione, assicurati di leggere la Red Hat Certification Program Guide per assicurarti di conoscere tutte le policy ufficiali e le procedure di esame.

Questo esame consiste in una valutazione basata sulle prestazioni relativa alle conoscenze e alle competenze richieste per configurare e gestire i cluster Red Hat OpenShift AI. I candidati, che devono eseguire attività di configurazione e amministrazione ordinarie utilizzando Red Hat OpenShift Container Platform e Red Hat OpenShift AI, vengono valutati in base a una serie di criteri oggettivi specifici. Per "esame pratico" si intende che il candidato dovrà svolgere attività analoghe a quelle richieste sul campo.

Notifica dell'esito    

I risultati ufficiali degli esami vengono forniti esclusivamente da Red Hat Certification Central. Red Hat non autorizza esaminatori o partner di formazione a comunicare i risultati direttamente ai candidati. Gli esiti degli esami vengono solitamente comunicati entro tre giorni lavorativi in base al calendario statunitense.

I risultati degli esami comunicati rappresentano i punteggi totali. Red Hat non fornisce i risultati sulle singole prove, né informazioni su richiesta.

 Destinatari e requisiti

Destinatari dell'esame

  • Architetti di sistemi e software che devono dimostrare di comprendere le caratteristiche e le funzionalità di Red Hat OpenShift AI.
  • Amministratori di sistema o sviluppatori che devono dimostrare di saper configurare, supportare e gestire OpenShift AI.
  • Data scientist che devono dimostrare di saper utilizzare OpenShift AI per sviluppare, addestrare, mettere in produzione, testare e monitorare modelli e applicazioni di AI/ML.

Requisiti per accedere all'esame

I candidati a questo esame devono:

Scegli il Paese

Scopri di più

Altri modi per migliorare le tue competenze

Ottieni il meglio da entrambi i mondi: formazione virtuale con esperti e apprendimento autonomo, oltre all'aiuto di un esperto e a un esame di certificazione. È tutto incluso nella Red Hat Learning Subscription.

Corsi disponibili in sede

Se desideri formare l'intero team, possiamo farlo presso la tua sede, di persona o da remoto.

Red Hat Learning Subscription

Percorsi di formazione e training completi sui prodotti Red Hat, certificazioni riconosciute nel settore e un'esperienza di formazione IT flessibile e dinamica.