EX267

Red Hat Certified Developer in AI

Visão geral

Oferta especial

Esse exame está associado ao curso "Developing and Deploying AI/ML Applications on Red Hat OpenShift AI". O Red Hat Learning Subscription Course (AI267LS) está disponível com 50% de desconto no preço sugerido local até 31 de dezembro de 2026. A compra do curso inclui uma tentativa do exame, que pode ser usada para realizar o Red Hat Certified Developer in AI (EX267). Se quiser se preparar para o exame fazendo o curso, navegue até a página do curso, clique em começar e selecione AI267LS para receber esta oferta. O desconto será aplicado na finalização da compra e não pode ser combinado com outras ofertas ou descontos. 

Descrição do exame

O exame Red Hat Certified Specialist in OpenShift AI testa a capacidade dos candidatos de implantar o OpenShift AI e configurá-lo para desenvolver, implantar e gerenciar modelos de machine learning para dar suporte a aplicações com IA.

Ao ser aprovado neste exame, você se tornará um Red Hat Certified Developer in AI.

Este exame é baseado no Red Hat OpenShift AI versão 3.3 e Red Hat OpenShift Container Platform versão 4.20.

 Objetivos

Tópicos de estudo para o exame

Os candidatos ao exame Red Hat Certified Specialist in OpenShift AI devem ser capazes de realizar as tarefas a seguir.  Será fornecida a documentação específica da solução relevante, mas os candidatos devem estar preparados para realizar estas tarefas sem ajuda.

  • Entender a arquitetura e os fundamentos do Red Hat OpenShift AI
    • Entender a relação do RHOAI com o OpenShift Container Platform
    • Entender os conceitos de MLOps, GenAIOps, inteligência artificial e machine learning
    • Saber como os componentes do RHOAI funcionam em projetos de ciência de dados
  • Gerenciar workbenches e projetos de ciência de dados
    • Criar, configurar e gerenciar projetos e permissões
    • Criar e editar workbenches com imagens, versões e tamanhos personalizados
    • Desenvolver e importar imagens personalizadas de workbench
    • Monitorar o uso de recursos e os processos de treinamento com o TensorBoard
  • Configurar conexões de dados
    • Criar conexões (S3, banco de dados etc.)
    • Armazenar e recuperar dados e artefatos de serviços externos
  • Identificar e alocar recursos
    • Usar nodeSelectors e tolerâncias
    • Alocar workbenches e servidores de modelos para nós específicos
  • Implantar e disponibilizar modelos
    • Compreender o fluxo de trabalho de model serving e a arquitetura do KServe
    • Implantar modelos usando os modos Standard e Advanced
    • Armazenar modelos em buckets S3, containers OCI ou PVCs
    • Disponibilizar modelos preditivos com runtime do OpenVINO
    • Implantar e disponibilizar LLMs com runtime de vLLM
    • Criar e configurar runtimes de execução personalizados
  • Gerenciar modelos com Model Registry
    • Empacotar modelos como artefatos de imagem OCI
    • Registrar e controlar a versão de modelos no Model Registry
    • Implantar modelos do Model Registry
    • Consultar a API do Model Registry
  • Monitorar desempenho e modelos de IA
    • Monitorar vieses do modelo e desvios de dados com TrustyAI
    • Monitorar o consumo de hardware com o stack de monitoramento do OpenShift e Grafana
    • Analisar e otimizar a utilização de recursos com base nos insights de monitoramento
  • Criar e gerenciar pipelines de ciência de dados
    • Criar servidores de pipeline e pipelines com SDK do KubeFlow e Elyra
    • Usar componentes de containers e gerenciar artefatos
    • Configurar funcionalidades do Kubernetes em pipelines
    • Usar experimentos para comparar execuções de pipeline
  • Otimizar e avaliar modelos
    • Selecionar modelos do catálogo do RHOAI e Hugging Face
    • Otimizar modelos com o compressor de LLM (compactação e quantização)
    • Avaliar o desempenho do LLM com LMEval usando benchmarks padrão e personalizados
  • Desenvolver aplicações com gen AI
    • Compreender e aplicar padrões de aplicações com gen AI
    • Desenvolver aplicações simples com gen AI e respostas de streaming
    • Desenvolver aplicações de RAG com bancos de dados vetoriais e processamento de documentos
    • Desenvolver aplicações com agentes por meio de ferramentas e raciocínio em várias etapas
    • Implementar salvaguardas para segurança de conteúdo e validação de entrada/saída
  • Colaborar com Git e desenvolver modelos de machine learning
    • Gerenciar Jupyter notebooks com controle de versão do Git
    • Treinar modelos em Python usando bibliotecas fundamentais de machine learning
    • Carregar dados com escalabilidade e salvar/exportar modelos
  • Implantar e armazenar modelos
    • Implantar modelos usando a interface do OpenShift AI (modos Standard e Advanced)
    • Armazenar modelos usando buckets S3, containers OCI ou declarações de volume persistente
    • Entender os locais de armazenamento de modelos compatíveis
    • Definir configurações de implantação de modelos
 O que você precisa saber

Preparação

A Red Hat recomenda a participação no curso Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267) como preparação para o exame.

Formato do exame

Leia o guia do Red Hat Certification Program para se familiarizar com todas as políticas oficiais e procedimentos do exame antes de agendar sua sessão.

Este exame é uma avaliação baseada em desempenho que testa se o candidato tem as habilidades e os conhecimentos necessários para configurar e gerenciar o Red Hat OpenShift AI. O candidato vai realizar as tarefas de configuração e administração de rotina com o Red Hat OpenShift Container Platform e Red Hat OpenShift AI e será avaliado durante a execução de tarefas rotineiras de configuração e administração, com base em critérios objetivos específicos. Nos exames baseados em desempenho, os candidatos precisam realizar tarefas semelhantes às que realizam no trabalho.

Pontuações e resultados    

As pontuações oficiais dos exames serão fornecidas exclusivamente pelo Red Hat Certification Central. A Red Hat não autoriza os examinadores ou parceiros de treinamento a informarem os resultados diretamente aos candidatos. Os resultados dos exames, normalmente, são divulgados em até três dias úteis (EUA).

Os resultados do exame são divulgados como pontuações totais. A Red Hat não divulga o desempenho em itens individuais, nem oferece informações adicionais mediante solicitação.

 Público e pré-requisitos

Público-alvo do exame

  • Arquitetos de sistema e software que precisam comprovar conhecimento sobre as funcionalidades do Red Hat OpenShift AI.
  • Administradores de sistemas ou desenvolvedores que precisam demonstrar a capacidade de configurar, suportar e manter o OpenShift AI para dar suporte a aplicações com IA.
  • Cientistas de dados que precisam demonstrar que sabem usar o OpenShift AI para desenvolver, treinar, servir, testar e monitorar aplicações e modelos de inteligência artificial e machine learning.

Pré-requisitos do exame

Os candidatos deste exame devem:

Para iniciar, selecione seu país:

Enviar

Mais maneiras de desenvolver suas habilidades

O melhor dos dois mundos em um só lugar: treinamento virtual com especialistas, aprendizado individualizado, suporte especializado e exame de certificação. Tudo incluso no Red Hat Learning Subscription.

Disponibilidade para treinamento no local

Se você quer que toda a sua equipe receba treinamento, podemos fazer no seu local, pessoalmente ou de forma remota.

Red Hat Learning Subscription

Trajetórias de aprendizagem e treinamentos abrangentes sobre as soluções Red Hat, certificações reconhecidas pelo setor e uma experiência de aprendizado de TI dinâmica e flexível.