Stefano Roteglia
Certificazione digitale 1EdTech
BADGE VALIDATO
Attenzione
La verifica 1EdTech non è andata a buon fine.
Questo badge è stato revocato.
Badge non revocato ma non più in corso di validità.
La verifica 1EdTech dell'Issuer, del Badge, o dell'Assertion non ha auvto esito positivo.
Rilasciato da BI-REX Big Data Innovation & Research Excellence
BI-REX is one of the 8 Italian Competence Centers funded by the Italian Ministry of Enterprises and Made in Italy within the Industry 4.0 National Plan and our main focus is on Big Data.
Data di rilascio
26/02/2026
Data di scadenza
Mai
Codice Badge
1191707
Data dell'evento:
dal 26/02/2026 al 26/02/2026
Durata:
4 h
Descrizione:
EUROCC2
A test-before-invest approach for scalable and controllable AI
26 febbraio 2026
BI-REX
Obiettivi:
Comprendere le architetture ibride HPC–Cloud: acquisire una visione strutturata delle integrazioni tra ambienti HPC e cloud e dei relativi vantaggi operativi.
Saper ottimizzare carichi di lavoro su GPU: sviluppare la capacità di configurare ed eseguire workload ad alte prestazioni sfruttando in modo efficiente le risorse GPU.
Definire strategie di esecuzione efficienti: imparare a pianificare e orchestrare l’esecuzione dei modelli per massimizzare performance e scalabilità.
Introdurre pratiche di osservabilità: comprendere come monitorare performance, qualità e stabilità dei modelli nel tempo.
Gestire il ciclo di vita dei modelli in produzione: acquisire consapevolezza dei processi di deployment, monitoraggio, aggiornamento e manutenzione dei modelli.
Applicare le conoscenze a casi concreti: essere in grado di trasferire quanto appreso in scenari reali attraverso esercitazioni pratiche mirate.
Competenze:
Progettazione di architetture ibride HPC–Cloud: capacità di progettare e integrare infrastrutture che combinano ambienti High Performance Computing e risorse cloud, ottimizzando scalabilità, costi e prestazioni.
Ottimizzazione di workload intensivi su GPU: competenza nell’analizzare, configurare e ottimizzare carichi di lavoro ad alta intensità computazionale sfruttando acceleratori GPU.
Strategie di orchestrazione ed esecuzione: capacità di definire strategie efficaci di scheduling, distribuzione e gestione delle risorse per garantire efficienza e continuità operativa.
Fondamenti di osservabilità dei modelli: comprensione degli strumenti e delle pratiche per monitorare performance, affidabilità e comportamento dei modelli nel tempo.
Gestione del ciclo di vita dei modelli (ML Lifecycle Management): abilità nel governare le fasi di sviluppo, deployment, monitoraggio e aggiornamento dei modelli in ambienti produttivi.
Applicazione pratica a casi d’uso reali: capacità di tradurre concetti teorici in soluzioni concrete attraverso esercitazioni pratiche e scenari applicativi specifici.
Criteri di valutazione:
Frequenza