Installazione di Red Hat OpenShift AI (RHOAI)

Configurazione e gestione di RHOAI

• • Gestione delle autorizzazioni e le risorse di utenti e gruppi
  • Gestione degli oggetti DataScienceCluster
  • Creazione e pubblicazione di immagini di notebook personalizzate
  • Importazione di immagini dei notebook personalizzati
  • Gestione dell’eliminazione dei notebook inattivi
  • Personalizzazione dell’ambiente di lavoro predefinito e delle dimensioni del server modello

Elaborazione di progetti di data science

• • Creazione, modifica ed eliminazione di progetti di data science
  • Gestione delle autorizzazioni dei progetti di data science

Utilizzo degli ambienti di lavoro di data science

• • Comprensione dell’ecosistema Jupyter
  • Creazione, modifica ed eliminazione degli ambienti di lavoro
  • Avvio e arresto degli ambienti di lavoro
  • Gestione delle connessioni dati
  • Gestione degli oggetti delle attestazioni di volume persistenti
  • Esame delle risorse dell’ambiente di lavoro

Utilizzo di Git per gestire i notebook Jupyter in modo collaborativo

• • Caricamento di un notebook esistente da un repository Git
  • Invio di notebook aggiornati a un repository Git

Utilizzo dei modelli di machine learning

• • Comprensione dei concetti di base del machine learning
  • Addestramento di modelli in Python utilizzando le librerie di base più diffuse
  • Caricamento di dati in modo scalabile
  • Monitoraggio e valutazione del processo di formazione

Salvataggio e caricamento dei modelli

• • Salvataggio, esportazione e condivisione dei modelli
  • Distribuzione dei modelli come applicazioni Python
  • Creazione di runtime personalizzati in KServe
  • Distribuzione di un modello utilizzando ModelMesh

Creazione di pipeline di data science

• • Creazione di pipeline con Elyra
  • Creazione di pipeline con Kubeflow