{"IssuedOn":"26/02/2026 00:00:00","LearnerEmail":"roteglia.s@crit-research.it","UriAssertion":"https://api.cboxiqc.com/api/v1.0/OpenBadge/Assertion?idassertion=1191707","Name":"EUROCC2 A test-before-invest approach for scalable and controllable AI","Description":"

EUROCC2

A test-before-invest approach for scalable and controllable AI


26 febbraio 2026

BI-REX






","BadgeType":"Competence Badge","LinkIssuer":"https://www.cboxiqc.com/Companies/ProfileById/1508","EventDateStart":"26/02/2026 00:00:00","EventDateEnd":"26/02/2026 00:00:00","HoursDuration":"4","Objectives":"

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.


","Competence":"

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.


","Valutation":"

Frequenza

","OtherInfo":"




"}