Examen de Certificación Multimodal de IA Generativa de NVIDIA

Conocimiento de algoritmos, convenciones y técnicas que permiten a las computadoras aprender y hacer predicciones o tomar decisiones

• Controle la estabilidad de entrenamiento en entornos multimodales.
• Desarrolle contenido que introduzca funciones de pérdida multimodal.
• Aplique los fundamentos de machine learning (ingeniería de funciones, comparación de modelos, validación cruzada).
• Explique las redes neuronales no secuenciales y las conexiones residuales.
• Diseñe análisis estadísticos para evaluar pipelines multimodales.
• Desarrolle contenido para el aprendizaje por transferencia específico de multimodalidad.
• Realice un seguimiento de las tendencias y tecnologías multimodales emergentes.
• Contribuya al diseño, el desarrollo y la implementación de modelos de IA multimodales con eficiencia energética y confiables.
• Aplique principios de ingeniería de prompts para crear prompts que logren los resultados deseados.
• Trabaje con frameworks de deep learning como TensorFlow o PyTorch.

Peso del examen:
20 %

Inspeccionar, limpiar, transformar y modelar datos con el objetivo de descubrir información útil, informar conclusiones y respaldar la toma de decisiones.

• Conciencia del proceso de extracción de información de grandes conjuntos de datos mediante minería de datos, visualización de datos y técnicas similares.
• Desarrolle contenido para mapas de atención en entornos multimodales.
• Cree gráficos, tablas u otras visualizaciones para transmitir los resultados del análisis de datos mediante software especializado.
• Identifique relaciones y tendencias o cualquier factor que pueda afectar los resultados de la investigación.

10 %
del peso del examen

El estudio de cómo realizar, evaluar e interpretar experimentos, incluida la evaluación de modelos de IA y la evaluación de varias arquitecturas de modelos.

• Ayude a desarrollar y probar modelos de IA multimodales.
• Administre y preprocese datos de varias fuentes.
• Use modelos multimodales para mejorar la capacidad de explicación.
• Pruebe la calidad y la consistencia de los datos en un entorno multimodal.
• Pruebe modelos de IA para garantizar su precisión y eficacia.

25 %
Peso del Examen

Los datos multimodales implican la integración, la selección y la evaluación de calidad de diversos tipos de datos, como texto, imágenes, audio, series temporales e información geoespacial, a la vez que abordan desafíos relacionados con la información faltante o incompleta en estas diferentes modalidades.

• Ayude en la implementación y las evaluaciones de la escalabilidad, el desempeño y la confiabilidad de modelos bajo la supervisión de un miembro sénior del equipo.
• Desarrolle casos de uso de LLM, como la generación aumentada por recuperación (RAG), chatbots y resumidores.
• Familiaridad con las capacidades de los paquetes de lenguaje natural de Python (spaCy, NumPy, bases de datos vectoriales, etc.).
• Identifique los componentes de software, hardware o datos del sistema necesarios para satisfacer las necesidades de los usuarios.
• Monitoree el funcionamiento de la recopilación de datos, los experimentos y otros procesos de software.
• Use paquetes de Python (spaCy, NumPy, Keras, etc.) para implementar análisis de machine learning tradicionales específicos.
• Escriba componentes de software o scripts bajo la supervisión de un miembro sénior del equipo.

Peso del examen:
15 %

La optimización del desempeño en IA implica el refinamiento de modelos de IA multimodales para la eficiencia energética, la confiabilidad y la precisión a través de contribuciones de diseño, el desarrollo de contenido de aprendizaje por transferencia, las mejoras de entrenamiento supervisado, el ajuste de hiperparámetros, las pruebas rigurosas y los avances de computación.

• Mejore la eficiencia computacional y la precisión de los resultados en modelos de IA.
• Optimice el desempeño de los modelos de IA, incluido el ajuste de hiperparámetros.
• Desarrolle contenido para el aprendizaje por transferencia específico de multimodalidad.
• Ayude en el entrenamiento y la optimización del entrenamiento de modelos bajo la supervisión de un miembro del equipo sénior.

10 %
del peso del examen

Diseñe e implemente arquitecturas de redes neuronales, como U-Nets para tareas de generación de imágenes, integre modelos de IA de texto a imagen como CLIP y aplique ingeniería de prompts para refinar y dirigir las capacidades generativas de estos sistemas. Incluye familiaridad con los SDK de NVIDIA, como NVIDIA NeMo™ y NVIDIA Triton™ Inference Server.

• Colabore con el cliente durante la adquisición de requisitos, la recopilación de datos, la generación de informes sobre el progreso, la implementación y la integración.
• Garantice la adherencia a las mejores prácticas y mantenga altos estándares de calidad y confiabilidad del software.
• Use ingeniería de prompts para influir mejor en el resultado de los modelos de IA Generativa.
• Desarrolle un U-Net para generar imágenes a partir de ruido puro y como un tipo de autocodificador.
• Genere imágenes a partir de prompts de texto en inglés mediante CLIP y use CLIP para entrenar un modelo de difusión de texto a imagen.

Peso del examen:
15 %

Cree y evalúe sistemas de inteligencia artificial éticos, con conciencia de energía y confiables que sean capaces de interpretar e integrar varias formas de datos, lo que garantiza que estén diseñados y aplicados de manera transparente, justa y verificable.

• Describa los principios éticos de la IA confiable.
• Describa el equilibrio entre la privacidad de los datos y la importancia del consentimiento de los datos.
• Describa cómo usar NVIDIA y otras tecnologías para mejorar la confiabilidad de la IA.
• Describa cómo minimizar el sesgo en los sistemas de IA.

5 %
Peso del Examen