Profesional Certificado por NVIDIA
LLM de IA Generativa
(NCP-GENL)
Sobre Esta Certificación
La certificación profesional en LLM de IA Generativa es una credencial de nivel intermedio que valida la capacidad de un candidato para diseñar, entrenar y ajustar LLM de vanguardia, aplicando estrategias de optimización y técnicas de entrenamiento distribuidas avanzadas para ofrecer soluciones de IA de alto desempeño. El examen es en línea y se supervisa de forma remota, incluye 60–70 preguntas y tiene un límite de tiempo de 120 minutos.
Revise cuidadosamente nuestras preguntas frecuentes de certificación y políticas de exámenes antes de programar su examen.
Si tiene alguna pregunta, contáctenos aquí.
Nota importante: para acceder al examen, deberá crear una cuenta de Certiverse.
Preparación Para El Examen
Ruta de Aprendizaje de Certificación
Esquema del Examen
La siguiente tabla proporciona una descripción general de las áreas temáticas cubiertas en el examen de certificación y especifica cuánto del examen se centra en ese tema.
| Áreas Temáticas | % del Examen | Temas Abarcados |
|---|---|---|
| Arquitectura de LLM | 6 % | Comprensión y aplicación de estructuras y mecanismos fundamentales de LLM. |
| Ingeniería de prompts | 13 % | Adaptación de los LLM a nuevos dominios, tareas o distribuciones de datos a través de la ingeniería de instrucciones, la cadena de pensamiento (CoT), la adaptación de dominios, el aprendizaje de cero/uno/pocos ejemplos y el control de resultados. |
| Preparación de datos | 9 % | Preparación de datos para el preentrenamiento, el ajuste fino o la inferencia mediante la limpieza, la selección, el análisis y la organización de conjuntos de datos, la tokenización y la gestión de vocabulario. |
| Optimización de Modelos | 17 % | Implementación de LLM en entornos de producción. Incluye el desarrollo de pipelines de inferencia en contenedores, la configuración del servicio y la orquestación de modelos (por ejemplo, Kubernetes, NVIDIA Triton™), la implementación del monitoreo en tiempo real, la optimización de la implementación en función de la latencia y el rendimiento, y la administración de actualizaciones de modelos. |
| Ajuste Fino | 13 % | Creación de documentos de mapeo de datos conceptuales, importaciones, exportaciones y scripts personalizados para el intercambio de datos con OpenUSD. |
| Evaluación | 7 % | Evaluación de LLM a través de métricas cuantitativas y cualitativas, diseño de frameworks, evaluación comparativa, análisis de errores y evaluación escalable. |
| Aceleración y Optimización de GPU | 14 % | Escalado y optimización del entrenamiento/la inferencia de LLM en hardware de GPU. Implica configuraciones de GPU múltiples o distribuidas, técnicas de paralelismo, resolución de problemas, optimización de memoria y lotes, y creación de perfiles de desempeño. |
| Implementación de Modelos | 9 % | Implementación de LLM en la producción a través de pipelines en contenedores, orquestación escalable, servicio eficiente por lotes/modelos y monitoreo en tiempo real. |
| Monitoreo y Confiabilidad de la Producción | 7 % | Establecimiento de paneles de monitoreo y métricas de confiabilidad, mientras se rastrean registros y anomalías para el análisis de causa raíz y la evaluación comparativa de los agentes en comparación con versiones anteriores. Implementación del ajuste automatizado, el reentrenamiento y el control de versiones para garantizar el tiempo de actividad continuo, la transparencia y la confianza en las implementaciones de producción. |
| Seguridad, Ética y Cumplimiento | 5 % | Responsable de las prácticas de IA a lo largo de todo el ciclo de vida de los LLM. Incluye la auditoría de sesgo y equidad, la implementación de barreras de seguridad, la configuración del monitoreo para el cumplimiento ético y la aplicación de estrategias de detección y mitigación de sesgos para garantizar la implementación y el uso responsables de los LLM. |
Guía de Estudio Del Examen
Explore la Guía de Estudio