企業級儲存廠商已不再將儲存視為單純的「容量池」，而是作為餵飽 GPU 叢集、消除 I/O 瓶頸與落實 RAG 資料治理的運算延伸。
Dell、HPE 與 NetApp 針對旗下認證與技術考綱，全面圍繞 AI/ML 資料管線（Data Pipeline） 進行架構級重組。
三大儲存原廠 AI/ML 認證與考科更新重點
| 原廠 | 核心產品線與架構考點 | 核心認證考科與代表代碼 | AI/ML 管線關鍵考核主題 |
| Dell Technologies | PowerScale (OneFS) PowerStore / PowerMax ObjectScale | • Dell Proven Professional • PowerScale Solutions Specialist • Infrastructure AI Solutions 相關架構師科目 | • GPUDirect Storage (GDS) 與 RDMA 加速架構 • NVIDIA SuperPOD / BasePOD 儲存節點整合設計 • 訓練（Checkpointing）與微調所需的高吞吐循序寫入優化 • 巨量非結構化資料湖建立（Multi-protocol: NFS/SMB/S3） |
| NetApp | ONTAP 體系 A-Series (All-Flash) StorageGRID (Object) BlueXP Control Plane | • NetApp Certified AI Expert (NS0-901) • NetApp & NVIDIA Co-skilled: AI Data Infrastructure Expert • NCDA ONTAP 延伸模組 | • 向量資料庫（Vector DB）與 RAG 檢索管線架構 • FlexCache 在分散式 GPU 節點邊緣快取的部署實作 • 搭配 NVIDIA NeMo 與 Base Command 的儲存資源排程 • 透過 ONTAP 內建自主勒索軟體防護（ARP）防禦 AI 訓練集中毒 |
| HPE | Alletra Storage MP HPE GreenLake for File Storage Cray ClusterStor | • HPE0-V31 (HPE AI Solutions) • HPE Solutions Certified – GreenLake • HPE Master ASE – Storage Solutions | • VAST Data 軟體架構整合（Disaggregated Shared-Everything, DASE） • 消除前端快取、支援百萬級 IOPS 隨機小檔讀取的 GenAI 訓練管線 • Slingshot 高速互連與 RoCEv2 乙太網路儲存調優 • GreenLake 雲端控制台對混合雲 AI 運算儲存資源的計量與配額管理 |
三階段 AI/ML 管線在認證試題中的實務考點
1. 資料攝取與準備階段（Data Ingestion & Preparation）
- 考點重點：傳統 NAS 難以承受預處理階段海量小檔案的頻繁存取。
- 題型設計：
- NetApp 考科強調 BlueXP 分類（Classification） 配合物件儲存（StorageGRID）進行敏感資料過濾與自動標籤標註。
- Dell 考科要求考生掌握 PowerScale SmartConnect 如何在不同前處理節點間做負載平衡，並利用 S3 API 達成即時資料落地。
2. 模型訓練與微調階段（Training & Fine-Tuning）
- 考點重點：GPU 閒置等待（GPU Starvation）與訓練檢查點（Checkpointing）的 I/O 峰值。
- 題型設計：
- RDMA / GDS 組態：要求考生配置繞過 CPU/System Memory、直接由儲存控制器向 GPU HBM 記憶體輸送資料的網路與儲存介面。
- Checkpoint 最佳實踐：大型模型在定期儲存數百 GB 權重檔時，如何透過分散式平行寫入（如 HPE Alletra MP 或 PowerScale F-系列）避免模型訓練出現停頓。
3. 推論與檢索增強生成階段（Inference & RAG）
- 考點重點：低延遲、高並行與跨地雲存取。
- 題型設計：
- NetApp FlexCache：針對跨站點/多雲 RAG 部署，考核如何只快取熱門向量知識庫資料，降低回傳延遲。
- 資料資安與版本回溯：考題聚焦在如何利用 Snapshot 與不可變儲存（WORM / SnapLock）防止訓練資料集遭受投毒攻擊（Data Poisoning Attack）。
Leave a Reply