Gratis proefexamen — EX267

1. Wat is de rol van Red Hat OpenShift AI ten opzichte van Red Hat OpenShift Container Platform?

OpenShift AI bouwt bovenop OpenShift en voegt een geïntegreerd MLOps-platform toe voor het bouwen, trainen, serveren en monitoren van AI/ML-modellen OpenShift AI is een volledig los product dat geen relatie heeft met OpenShift OpenShift AI vervangt OpenShift Container Platform volledig OpenShift AI is uitsluitend een monitoringtool zonder trainings- of serving-functionaliteit

2. Wat is een “data science project” binnen OpenShift AI?

Een logische werkruimte waarbinnen notebooks, data-connecties, pipelines en modellen voor een specifiek initiatief worden georganiseerd Een term die uitsluitend slaat op de broncode-repository van een model Een verplicht jaarlijks auditrapport Een synoniem voor een individuele Jupyter-notebook

3. Wat is het doel van GPU-toewijzing (accelerator profiles) binnen OpenShift AI?

Workloads die versnelde hardware nodig hebben (zoals modeltraining) toegang geven tot GPU-resources binnen het cluster, gecontroleerd en gedeeld tussen teams GPU-toewijzing is alleen relevant voor het serveren van modellen, nooit voor training Elke notebook krijgt automatisch en zonder configuratie toegang tot alle GPU's in het cluster GPU-profielen zijn uitsluitend een kostenrapportagefunctie zonder technisch effect

4. Waarom zou je een custom notebook image gebruiken in plaats van een standaard meegeleverde image?

Om specifieke libraries, versies of tooling toe te voegen die je team nodig heeft, zodat de werkomgeving reproduceerbaar en consistent is Omdat standaard images nooit werken binnen OpenShift AI Omdat custom images geen resourcebeheer vereisen Custom images zijn uitsluitend nodig voor het serveren van modellen, niet voor ontwikkeling

5. Welke resources beheert een cluster- of platformbeheerder typisch in OpenShift AI? (meerdere antwoorden mogelijk)

Toewijzing van rekenresources (CPU/GPU/geheugen) aan notebooks en workloads Gebruikers- en groepstoegang tot projecten De broncode van elk individueel ML-model Updates en versies van platformcomponenten