AI Solutions on Cisco Infractructure

À l'issue de cette formation, les apprenants seront capables de :

• Maîtriser les Fondamentaux et les Tendances de l'IA : concepts fondamentaux de l'IA (traditionnelle, Machine Learning, Deep Learning) et de l'IA Générative, leurs applications, les défis futurs et les nuances méthodologiques 
• Construire une Infrastructure IA Robuste et Efficace : composants essentiels, stratégies de répartition de la charge de travail, interopérabilité, efficacité des coûts et durabilité environnementale. 
• Optimiser le Réseau pour les Charges de Travail IA/ML : défis réseau spécifiques à l'IA/ML, architectures, protocoles haute performance (RDMA, RoCE, ECN, PFC) et technologies (optique/cuivre) pour migrer vers un réseau IA dédié sans perte. 
• Gérer, Surveiller et Opérationnaliser l'Environnement IA : gestion de clusters d'IA/ML, préparation des données, utilisation de l'outillage spécifique (ex. Jupyter Lab, Cisco Nexus Dashboard Insights, NDFC) pour le réglage fin et surveillance proactive des flux de trafic. 
• Intégrer l'IA pour l'Automatisation et la Sécurité Réseau : application concrète de l'IA (incluant la GenAI et les modèles RAG) pour l'automatisation intelligente (écriture de code Python), l'amélioration de la gestion/sécurité des réseaux (analyse prédictive, détection d'anomalies) et le respect des normes de gouvernance.

Tout professionnel informatique évoluant en environnement datacenter Cisco.

Une connaissance des solutions de mise en réseau et de calcul pour centres de données Cisco est un atout, mais n'est pas obligatoire. Il est néanmoins recommandé de connaître :

• L'architecture et l'exploitation du système de calcul Cisco UCS
• La gamme de commutateurs Cisco Nexus et fonctionnalités
• Les technologies de base des centres de données

Ces connaissances peuvent être acquise en suivant la formation Mise en œuvre des technologies de base des centres de données Cisco (DCCOR) 

• Principes fondamentaux de l'IA
• IA générative
• Cas d'utilisation de l'IA
• Clusters et modèles d'IA-ML
• Maîtrise des outils d'IA - Jupyter Notebook
• Infrastructure d'IA
• Répartition et interopérabilité des charges de travail en IA
• Politiques en matière d'IA
• Durabilité de l'IA
• Conception de l'infrastructure de l'IA
• Principaux défis et exigences en matière de réseau pour les charges de travail d'IA
• Transport IA
• Modèles de connectivité
• Réseau d'IA
• Migration d'architecture vers un réseau IA/ML
• Protocoles de niveau application
• Infrastructures convergentes à haut débit
• Construction de tissus sans perte
• Visibilité congestionnée
• Préparation des données pour l'IA
• Performances des données de charge de travail IA/ML
• Matériel permettant l'IA
• Ressources informatiques
• Solutions de ressources informatiques
• Ressources virtuelles
• Ressources de stockage
• Mise en place d'un cluster d'IA
• Déploiement et utilisation de modèles GPT open source pour RAG

Labs

• Ensemble d'outils d'IA — Carnet Jupyter
• Performances des données de charge de travail IA/ML
• Mise en place d'un cluster d'IA
• Déploiement et utilisation de modèles GPT open source pour RAG 

Alternance de théorie et labs pratiques. Support de cours officiel en anglais remis au format numérique.

Mise en oeuvre des modalités d'évaluation en amont et tout au long du parcours de formation : positionnement, pré-requis, atteinte des objectifs.