Cisco Black Belt AI Fundamental

 Q1. What is the primary role of programming languages in AI development?

1. They enable the creation and management of databases that store and organize the data used by AI models.

2. They help write the instructions that tell computers how to learn and process information.

3. They help monitor AI systems by providing the syntax and structures necessary for developing software that tracks performance metrics and system health.

4. They facilitate the networking of various AI systems by providing the code that enables communication and data exchange between disparate systems.

Ans : 2.

Q2. What is the primary advantage of using generative models like GANs and VAEs?

1. They streamline data processing.

2. They reduce the need for data labeling. 

3. They generate new, realistic data instances.

4. They simplify the deployment of AI models.

Ans : 3.

Q3. Why is robust infrastructure important for AI development?

1. It helps ensure that AI applications can be developed without programming languages. 

2. It provides unlimited scalability for AI systems across all types of cloud environments. 

3. It makes AI systems less dependent on machine-learning frameworks.

4. It supports the high computational demands and large data volumes typical in AI workloads.

Ans : 4

Q4. What is a key benefit of effective monitoring in AI systems?

1. It helps ensure that systems operate smoothly and efficiently.

2. It eliminates the need for manual data labeling.

3. It replaces the need for machine-learning frameworks.

4. It reduces the importance of programming languages in AI.

Ans : 1

Q5. attach the following components of the AI tech stack with their descriptions:

Machine-Learning Frameworks

Structures that simplify the development, training, and deployment of ML models.

Vector Databases

Specialized storage solutions that support high-dimensional data used in AI applications.

Monitoring

Process for tracking performance metrics to gain optimal operation of AI systems.

Data Processing and Labeling

Operations that prepare data to enhance the performance of AI models.

K8s 入門補充資料

1. OS選用 大型企業用 RedHat 比較多 , 個人或是開發者用 Ubuntu 比較多 

www.redhat.com

www.ubuntu.com

2. K8s安裝部分 ： 

2.1 印度阿伯帶你學系列，可以練習印度式英文 

https://www.youtube.com/watch?v=uUupRagM7m0&list=PL2We04F3Y_41jYdadX55fdJplDvgNGENo 

2.2 搞笑IT KOL帶你學K8s, 聽概念 

https://www.youtube.com/watch?v=7bA0gTroJjw 

2.3 沈浸式K8s學習 

https://www.youtube.com/watch?v=2T86xAtR6Fo 

3. 大聯盟採用K8s

https://technology.mlblogs.com/anthos-on-bare-metal-how-mlb-turned-ball-parks-into-on-prem-k8-clusters-295031253a33

祝各位學習順利

Red Hat 離線安裝 Kubernetes 1.32 步驟

在 Red Hat 上離線安裝 Kubernetes 1.32

1. 準備工作

• 下載 Kubernetes 二進位檔案：

  從 Kubernetes 官方下載 kubeadm、kubelet 和 kubectl，然後傳輸到 Red Hat 系統。

• 設置本地 YUM 儲存庫：

  將所有必要的 RPM 套件下載到本地，然後建立 YUM 儲存庫：

  [kubernetes]
  name=Kubernetes
  baseurl=file:///path/to/your/local/repo
  enabled=1
  gpgcheck=0
              

2. 安裝 Docker

下載並安裝 Docker RPM 套件，然後啟用 Docker。

3. 安裝 Kubernetes 套件

使用以下命令安裝 kubelet、kubeadm 和 kubectl：

sudo yum install -y kubelet kubeadm kubectl --disablerepo=* --enablerepo=kubernetes
    

啟用並啟動 kubelet：

sudo systemctl enable --now kubelet
    

4. 安裝 CNI 插件

下載並安裝 CNI 網路插件：

CNI_PLUGINS_VERSION="v1.3.0"
ARCH="amd64"
DEST="/opt/cni/bin"
sudo mkdir -p "$DEST"
curl -L "https://github.com/containernetworking/plugins/releases/download/${CNI_PLUGINS_VERSION}/cni-plugins-linux-${ARCH}-${CNI_PLUGINS_VERSION}.tgz" | sudo tar -C "$DEST" -xz
    

5. 初始化 Kubernetes 叢集

使用 kubeadm 初始化叢集：

sudo kubeadm init --pod-network-cidr=10.244.0.0/16
    

設定 kubectl：

mkdir -p $HOME/.kube
sudo cp -i /etc/kubernetes/admin.conf $HOME/.kube/config
sudo chown $(id -u):$(id -g) $HOME/.kube/config
    

6. 部署 Pod 網路

選擇並部署適合的 Pod 網路插件，例如 Flannel 或 Calico。

備註： 離線安裝前，請確保所有必要的套件與依賴已準備就緒。

技術通報：Kubernetes 1.31.7 のサポートと HSPC マルチパス設定ガイド

一、通報の目的

Kubernetes 1.31.7 のアップグレード計画および Hitachi HSPC の最新サポート戦略に対応するため、システムアップグレードの注意点と正しい SAN マルチパス設定方法を提供し、システムの安定運用とマウント失敗問題の回避を目的としています。

二、影響範囲

• Hitachi HSPC を利用してストレージリソースを管理している Kubernetes クラスター環境
• Hitachi HSPC ストレージドライバーを展開し、SAN 経由でストレージにアクセスしているユーザー

三、技術ガイド

1. アップグレード順序の推奨

以下の順序でアップグレードを実施してください：

1. Hitachi HSPC を Kubernetes 1.31.7 をサポートするバージョンにアップグレード
2. Kubernetes クラスターを 1.31.7 にアップグレード

2. Multipath 設定の要求

SAN 環境でのストレージデバイスのマウントの安定性を確保するため、/etc/multipath.conf ファイルに以下の設定を行ってください：

find_multipaths no

3. 禁止設定（マウント失敗の原因）

以下の設定値は使用しないでください。 使用すると、マウントエラーが発生する可能性があります：

• find_multipaths: yes
• find_multipaths: smart

4. Trident のサポートポリシー

Trident はリリース以来、find_multipaths: no 設定を推奨しており、これによりマルチパス処理ロジックとの互換性が確保されます。

四、今後の対応提案

• システム管理者は現在の multipath 設定ファイルを直ちに確認してください
• すべてのアップグレードプロセスが本通報の推奨手順に従っていることを確認してください
• 問題が発生した場合、内部 IT サポートチームまたはシステムインテグレーターに連絡してください

---

📌 技術連絡先

• 三井ユナイテッド海外営業所

本體論（Ontology）介紹

一. 本體論（Ontology）介紹

1. 一般定義

本體論（Ontology）是研究存在、事物的本質及其相互關係的學科，最初起源於哲學，但現已廣泛應用於電腦科學、人工智慧（AI）和資訊科學等領域。

2. 本體論在電腦科學與AI中的應用

在技術領域，本體論指的是一種結構化框架，用來定義特定領域內的概念、分類及其關係，主要用於知識表示、語意網技術和人工智慧推理。

• 本體論的組成要素

  • 概念（Classes）：代表特定領域內的事物或物件。
  • 屬性（Attributes）：描述概念的特徵或性質。
  • 關係（Relationships）：定義不同概念之間的聯繫。
  • 實例（Instances）：概念的具體實例。

• 應用領域

  • 語意網（Semantic Web）：幫助機器理解與處理人類知識，提高數據互通性。
  • 人工智慧與機器學習：增強AI的推理能力，使其更好地理解上下文資訊。
  • 醫療與生物領域：應用於醫學本體論（如疾病分類、基因數據），幫助研究與診斷。

3. 例子

以「汽車」為例，簡單的本體論可能包括：

• 概念：汽車（Car）、引擎（Engine）、輪胎（Wheel）、製造商（Manufacturer）
• 屬性：汽車具有引擎、輪胎與品牌。
• 關係：製造商生產汽車、引擎為汽車提供動力。

總結

本體論提供了一種結構化的知識表示方式，幫助不同系統之間的數據互通，提高機器推理能力，並在人工智慧、醫療、語意網等領域發揮重要作用。

加權卡帕係數（Quadratic Weighted Kappa, QWK）

一、定義與用途

• 定義：加權卡帕係數是 Cohen's Kappa 的加權版本，用於衡量兩組分類結果（通常是預測值與實際值）之間的一致性。
• 用途：
  • 適合用於序數型資料，考慮分類間的距離，例如成績評分或醫學診斷。
  • 評估分類器在排序分類問題上的準確性。

二、特性與公式

• 計算公式：

QWK = 1 - Σ(Wᵢⱼ × Oᵢⱼ) / Σ(Wᵢⱼ × Eᵢⱼ)

• Wᵢⱼ：權重矩陣，表示分類 i 與 j 間的距離。

Wᵢⱼ = (i - j)² / (n - 1)²

• Oᵢⱼ：觀察到的頻率矩陣。
• Eᵢⱼ：期望的頻率矩陣。
• 取值範圍：
• QWK = 1：完全一致。
• QWK = 0：與隨機分類相同。
• QWK < 0：一致性低於隨機分類。
• 權重處理：考慮分類間的距離，更適合排序型問題。

三、優缺點

• 優點：
  • 能考慮分類間的相對距離，對排序問題有更高的解釋力。
  • 提供統一分數，便於模型比較與優化。
• 缺點：
  • 計算較為複雜，尤其在類別數量較多時。
  • 對數據分佈敏感，需謹慎解讀結果。

舉例應用

假設評分範圍為 1-5，評審員給出實際值 [1, 2, 3, 4, 5]，模型預測值為 [1, 3, 3, 4, 4]。使用 QWK 評估模型性能，會考慮到模型在接近實際值的分類上是否更準確，而非單純的準確率。

AlphaTensor-Quantumの深層強化学習アーキテクチャの革新点

Source :  https://arxiv.org/pdf/2402.14396

AlphaTensor-Quantumは、深層強化学習に基づくテンソル分解手法であり、テンソルの低ランクWaring分解を探索し、量子回路のTゲート数（T-count）を最適化することを目的としています。標準的なAlphaTensorや他の既存のT-count最適化手法と比較して、AlphaTensor-Quantumの深層強化学習アーキテクチャには以下の革新点があります：

• 対称テンソルランクの最適化：AlphaTensor-Quantumは、強化学習環境とアクションを修正し、テンソルの対称分解（Waring分解）を提供します。これにより、アクションの探索空間が縮小され、標準的なAlphaTensorよりも大きなテンソルを処理できるようになります。
• 大規模テンソルへのスケーラビリティ：AlphaTensor-Quantumは、対称化層を含む革新的なニューラルネットワークアーキテクチャを採用しており、より大きなテンソルへのスケーラビリティを実現しています。サイズが30のテンソルの場合、同じ層数で対称化軸方向のアテンション演算速度は約4倍速く、メモリ消費は3倍減少します。
• ドメイン知識の活用：AlphaTensor-Quantumは、「ガジェット」と呼ばれる量子ゲートの代替実装を活用することで、ドメイン知識を統合しています。これらのガジェットは、追加の補助量子ビットや操作（例：Cliffordゲートや測定に基づく修正）を導入することで、Tゲートの数を減少させます。AlphaTensor-Quantumは、強化学習環境にToffoliガジェットや制御S（CS）ガジェットを活用する効果的な手法を組み込んでいます。
  • 各アクションを実行する際、AlphaTensor-Quantumは、それが直前の6つのアクションと組み合わせてToffoliゲートを形成するか、直前の2つのアクションと組み合わせてCSゲートを形成するかを確認します。Toffoliゲートが完成した場合、7つのアクション全体で-7の報酬（Tゲート7つに相当）ではなく、-2の報酬（Tゲート2つに相当）を与えることで、正の報酬を割り当てます。CSゲートが完成した場合、3つのアクション全体で-2の報酬を与えるように報酬を調整します。
  • AlphaTensor-Quantumは、これらのアクションパターンを識別し活用する方法をデータから学習し、ガジェットを使用するアクションと使用しないアクションの間で適切なバランスを見つけます。

総じて、AlphaTensor-Quantumの深層強化学習アーキテクチャは、対称テンソルランクの最適化、大規模テンソルへのスケーラビリティ、ドメイン知識の活用を通じて、量子回路のTゲート数の最適化において顕著な進展を遂げています。これらの革新により、量子計算分野でさらなるブレークスルーが期待される強力な自動化回路最適化手法となっています。