Kurs | KI-gestütztes Testen von Rechenzentrumsnetzwerken

Lektion 1 – Einführung in KI/ML-Rechenzentrumsnetzwerke

Dieses Bootcamp für KI-Netzwerke untersucht die Unterschiede zwischen maschinellem Lernen und Inferenz in Rechenzentren und beleuchtet GPU-Leistung, Netzwerkengpässe, Workflow-Fehler und Skalierungsherausforderungen. Es legt den Schwerpunkt auf die Optimierung von Latenz, Zuverlässigkeit und Infrastruktur, um leistungsstarke KI-Workloads effektiv zu unterstützen.

White Paper

Lektion 2 – Wie sich KI-/ML-Netzwerke von traditionellen Netzwerken unterscheiden

Künstliche Intelligenz (KI) und maschinelles Lernen (ML) führen zu großen Veränderungen in Rechenzentrumsnetzwerken - einschließlich neuer Anforderungen, Verkehrsmuster und Technologien. Entdecken Sie, wie Keysight-Lösungen bei der Optimierung von KI-Netzwerken helfen.

Lektion 3 – Maximierung der Backend-Performance von KI/ML

Keysights KAI Data Center Builder optimiert das Design von KI-Rechenzentren durch die Emulation von GPU-Workloads, die Messung der Backend-Netzwerkleistung und die Identifizierung von Engpässen. Er ermöglicht skalierbare und kostengünstige Tests der Infrastruktur für KI-Training und -Inferenz, ohne dass physische GPUs im Labor benötigt werden.

White Paper

Lektion 4 – Benchmarking kollektiver Abläufe

Das Benchmarking der Netzwerkleistung spielt eine entscheidende Rolle bei der Identifizierung von Möglichkeiten zur Verbesserung des Gesamtdurchsatzes ohne zusätzliche Hardwarekosten. Das Benchmarking kollektiver Operationen ist eine grundlegende Methode zum Verständnis der Leistungsgrenzen verteilter KI-Infrastrukturen. Dies white paper erklärt die Funktionsweise von KI-Kollektiven, definiert die Terminologie und überprüft die gängigsten Metriken im Zusammenhang mit dem Benchmarking von KI-Netzwerken.

White Paper

Lektion 5 – Verbesserung der Skalierbarkeit in KI-Rechenzentrumsclustern

Da KI-Modelle immer komplexer und größer werden, ist die effektive Skalierung von Rechenzentrumsclustern zu einer geschäftskritischen Priorität für Unternehmen geworden, die wettbewerbsfähig bleiben wollen. Dies white paper untersucht den Aufstieg von KI-Clustern, hebt die wichtigsten Skalierungsherausforderungen hervor – insbesondere innerhalb der Netzwerkinfrastruktur – und zeigt, wie fortschrittliche Emulationslösungen Ihnen helfen können, diese Hindernisse zu überwinden.

Lektionen

Lektion 6 – Demonstration der AI Fabric Testmethodik von Keysight

Diese Session präsentiert Keysights Testmethodik für KI-Netzwerke mithilfe des KAI Data Center Builders. Sie behandelt Schlüsselkonzepte wie Topologie-Design, Staukontrolle und Leistungskennzahlen und zeigt, wie automatisierte Tests und Konfigurationsoptimierung die Leistung von KI-Netzwerken verbessern. Eine Live-Demo verdeutlicht die Vorteile der Staukontrolle hinsichtlich maximaler Bandbreite und Effizienz.

Applikationsberichte

Lektion 7 – Methodik für KI-Gewebetests

Im Zusammenhang mit Systemen der Künstlichen Intelligenz (KI), insbesondere Large Language Models (LLMs), bezieht sich eine Netzwerkstruktur auf die zugrundeliegende Infrastruktur, die die verschiedenen Komponenten oder Knoten innerhalb des Systems verbindet und die Kommunikation zwischen ihnen ermöglicht. Die Netzwerkstruktur ist entscheidend für den effizienten und effektiven Betrieb von KI-Systemen, einschließlich LLM-Training.

Lektion 8 – Einführung in die Validierung von Front-End-Netzwerken für KI-Rechenzentren

Keysights Cyperf ermöglicht sicheres Testen von Front-End-KI-Rechenzentrumsnetzwerken mit geringer Latenz und gewährleistet so eine effiziente Datenerfassung und Hochgeschwindigkeitskommunikation. Es validiert Bandbreite, Latenz und Sicherheit und optimiert die Infrastruktur für skalierbares, leistungsstarkes Training großer Sprachmodelle.

Lektionen

Lektion 9 – Validierung von Front-End-KI-Netzwerken

LM-Schulung mit Schwerpunkt auf Keysights CyPerf zum Testen von Leistung, Skalierbarkeit und Sicherheit in KI-Rechenzentrumsnetzwerken.

Applikationsberichte

Lektion 10 – Hochleistungsfähige Netzwerk-Offloads für KI-/ML-fokussierte Cloud-Plattformen

Ein Ansatz zur Validierung und Prüfung der Leistung von SmartNIC, der zugrunde liegenden LLM-Infrastruktur und verschiedener Netzwerkkomponenten

Lektion 11 – Fallstudien und Strategien zur Vernetzung von KI-Rechenzentren

In dieser letzten Session präsentieren Kunden Anwendungsbeispiele aus der Praxis für die im Bootcamp behandelten Keysight-Tools. Zum Abschluss des Programms gibt Ram Periakaruppan, ein Manager von Keysight, einen umfassenden Überblick über die KI-Rechenzentrumslösungen von Keysight, die Rechen-, Verbindungs-, Netzwerk- und Stromversorgungsinfrastruktur umfassen.

Fallstudien

Lektion 12 – Erfolgsgeschichte: Aufbau von KI-Netzwerken der nächsten Generation

Keysight unterstützt Juniper bei der Validierung der Netzwerkstruktur der nächsten Generation durch die Emulation der kollektiven Kommunikationsarbeitslast einer großen Anzahl von KI-Beschleunigern.

Berichte

Lektion 13 – Tolly-Testbericht: Dell PowerEdge und Broadcom AI-Leistungsvergleich

Künstliche Intelligenz (KI) stellt neue und noch nie dagewesene Anforderungen an Server und die Netzwerkstruktur. Während des KI-Trainingsprozesses müssen riesige Datenmengen zwischen Servern ausgetauscht werden. Dell beauftragte Tolly mit dem Benchmarking der IPv6-RDMA-Offload-Leistung des Broadcom 57508 Dual-Port 100 Gb/s Ethernet-Controllers (LAN-Adapter), der in den Dell PowerEdge R760xa Rack-Servern läuft, durch Tests mit Keysight AI-Benchmarks.

eBooks

Lektion 14 – 5 Schlüsselstrategien zur Optimierung und Skalierung von KI-Rechenzentren

Das eBook befasst sich mit der Skalierung von KI-Rechenzentren, der Optimierung von GPUs, Hochgeschwindigkeitsverbindungen, Energieeffizienz und Netzwerkzuverlässigkeit. Es hebt die KI-Lösungen von Keysight (KAI) für Validierung, Benchmarking und Optimierung hervor.

Zugehöriges Produkt

Verwandter Anwendungsfall