Implementing Cisco Data Center AI Infrastructure
DCAI

Lernziel

• Erwerben Sie umfassende Fähigkeiten zur Unterstützung, Sicherung und Optimierung von KI-Workloads in modernen Rechenzentrumsumgebungen.
• Verstehen Sie das Design, die Implementierung und die erweiterte Fehlerbehebung von KI-Infrastrukturen, einschliesslich Netzwerkherausforderungen und spezialisierter Hardware.
• Erwerben Sie fundierte Kenntnisse über KI-/ML-Konzepte, generative KI und deren praktische Anwendung im Netzwerkmanagement und in der Automatisierung.
• Wenden Sie praktische Techniken zur Überwachung, Diagnose und Behebung von Problemen an, nutzen Sie Tools wie Splunk und setzen Sie KI ein, um die Produktivität im Netzwerkbetrieb zu steigern.
• Bereiten Sie sich auf die Prüfung 300-640 DCAI v1.0 vor. 

Zielgruppe

Die Schulung vermittelt Fachkräften die erforderlichen Kenntnisse, um KI-Workloads in modernen Data-Center-Umgebungen zu unterstützen, zu sichern und zu optimieren.

• Network Designers 
• Network Administrators 
• Storage Administrators 
• Network Engineers 
• Systems Engineers 
• Data Center Engineers 
• Consulting Systems Engineers 
• Technical Solutions Architects 
• Cisco Integrators/Partners 
• Field Engineers.

Kursinhalt

• Vermittlung zentraler KI‑Konzepte, einschließlich klassischer KI, Machine Learning und Deep Learning, sowie deren praktische Einsatzgebiete.
• Darstellung von Generativer KI, ihren Herausforderungen, Trends und den Unterschieden zwischen traditionellen und modernen KI‑Methoden.
• Erklärung, wie KI Netzwerkmanagement und -sicherheit durch Automatisierung, Vorhersagen und Anomalieerkennung verbessert.
• Überblick über Architektur, Schlüsselprinzipien und Verwaltung von AI/ML‑Clustern sowie den Lebenszyklus vortrainierter Modelle (Erwerb, Feintuning, Optimierung, Einsatz).
• Nutzung von JupyterLab und GenAI zur Automatisierung von Netzwerkaufgaben, Python‑Programmierung und Effizienzsteigerung.
• Beschreibung der wesentlichen Bestandteile einer leistungsfähigen KI‑Infrastruktur und relevanter Planungsaspekte.
• Bewertung von Workload‑Platzierungsstrategien und Sicherstellung von Interoperabilität in KI‑Systemen.
• Überblick über Compliance‑Standards, Richtlinien und Governance‑Modelle im KI‑Umfeld.
• Einführung in nachhaltige KI‑Infrastruktur mit Fokus auf ökologischer und wirtschaftlicher Effizienz.
• Unterstützung bei Infrastrukturentscheidungen zur Optimierung von Leistung und Kosten.
• Darstellung netzwerkbezogener Herausforderungen aus Sicht von KI/ML‑Anwendungen.
• Rolle optischer und kupferbasierter Technologien für Data‑Center‑Workloads im KI‑Kontext.
• Beschreibung von Netzwerkdesigns, Konnektivitätsmodellen sowie relevanten Layer‑2/Layer‑3‑Protokollen für Distributed/Fog‑AI.
• Migration von KI‑Workloads in dedizierte KI‑Netzwerke.
• Erklärung der Funktionsweise von RDMA und RoCE für verlustarme Hochleistungsnetze.
• Verständnis von Architektur und Merkmalen leistungsstarker Ethernet‑Fabrics sowie notwendiger QoS‑Mechanismen.
• Einsatz von ECN und PFC, Nutzung von Cisco Nexus Dashboard Insights zur Engpassanalyse und Betrachtung der Wechselwirkungen zwischen KI‑Phasen und Data‑Center‑Infrastruktur.
• Vermittlung der grundlegenden Schritte und Herausforderungen der Datenvorbereitung.
• Monitoring von KI/ML‑Traffic über Cisco Nexus Dashboard Insights.
• Bedeutung spezialisierter KI‑Hardware zur Beschleunigung von Trainingsprozessen.
• Überblick über Compute‑Hardware, bestehende KI‑Lösungen und Virtualisierungsoptionen.
• Erklärung von Speicherstrategien, Protokollen und Software‑Defined Storage.
• Einsatz von NDFC zur Konfiguration KI‑optimierter Fabrics.
• Nutzung lokal gehosteter GPT‑Modelle mit RAG zur Unterstützung von Netzwerk‑Engineering‑Aufgaben.