🟢 طراحی زیرساخت‌های سازمانی AI با NVIDIA

🚀 این کتاب کمک میکنه با اطمینان در اکوسیستم زیرساخت سازمانی AI شرکت NVIDIA حرکت کنی؛ از GPUها و انتقال Data گرفته تا Orchestration، Security، Monitoring، سیستم‌های Edge و Model Serving. مطالب به‌شکلی فشرده و کاربردی تنظیم شدن تا بدون مطالعه یک راهنمای طولانی، شناخت حرفه‌ای و مرتبط با بازار کار از پلتفرم‌های مبتنی بر GPU به دست بیاری.

✨ ویژگی‌های کلیدی

🧠 شناختی کاربردی و مرتبط با مسیر شغلی از اجزای مختلف زیرساخت AI شرکت NVIDIA به دست میاری.

🏗️ یاد میگیری برای Performance، Scalability، Security و Cost تصمیم‌های معماری آگاهانه‌تری بگیری.

🛠️ مطالب با Configurationهای عملی، Deployment Patternها و مطالعه‌های موردی سازمانی آموزش داده میشن.

⚙️ نحوه همکاری CPU، GPU، DPU، Storage، Networking، Software و Orchestration برای اجرای AI Workloadها به‌صورت یکپارچه توضیح داده میشه.

📘 توضیح کتاب

📚 کتاب Designing NVIDIA AI Infrastructure یک راهنمای مرجع فشرده برای متخصصانیه که میخوان بدون عبور از یک Manual طولانی، دانش کاربردی و مرتبط با بازار کار درباره پلتفرم‌های مبتنی بر GPU به دست بیارن.

⚙️ کتاب توضیح میده CPUها، GPUها، DPUها، Storage، Networking، Software و Orchestration چطور در کنار یکدیگر قرار میگیرن تا از AI Workloadها پشتیبانی کنن. این دید جامع کمک میکنه زیرساخت AI را مجموعه‌ای از اجزای جدا نبینی و ارتباط میان بخش‌های مختلف آن را درک کنی.

🧩 در طول کتاب با مدل‌های مدیریت منابع MIG و vGPU، زمان‌بندی با Kubernetes و Slurm، Data Pipelineها، Performance Profiling، Monitoring، بهینه‌سازی با TensorRT، امنیت Multi-Tenant و Governance آشنا میشی.

📡 کتاب همچنین توضیح میده پلتفرم‌های NVIDIA Jetson و Orin چطور از Edge AI پشتیبانی میکنن. نقش NGC و Triton Inference Server در Model Deployment و Serving مقیاس‌پذیر هم به‌طور کامل بررسی میشه.

🛠️ Commandهای منتخب، نمونه‌های Configuration، Architecture Diagramها و سناریوهای سازمانی، این فناوری‌ها را به شرایط واقعی عملیاتی متصل میکنن. به این ترتیب، فقط با اجزای زیرساخت آشنا نمیشی؛ بلکه جایگاه و کاربرد آن‌ها را در محیط‌های واقعی هم درک میکنی.

🌐 کتاب طراحی محیط‌های AI مبتنی بر Cloud، On-Premises، Hybrid و Edge را پوشش میده. همچنین کمک میکنه گزینه‌های رایج معماری، Bottleneckها و Trade-Offهای مربوط به Performance، Scalability، Security و Cost را ارزیابی کنی.

🎯 پس از مطالعه کتاب، میتونی با اطمینان بیشتری درباره زیرساخت AI شرکت NVIDIA صحبت کنی، انتخاب‌های متداول طراحی و Bottleneckهای احتمالی را ارزیابی کنی و هنگام برنامه‌ریزی محیط‌های Cloud، On-Premises، Hybrid و Edge AI از کتاب به‌عنوان یک مرجع سریع استفاده کنی.

🎯 چیزهایی که یاد میگیری

🧩 درک میکنی MIG و vGPU چه منابعی را از یکدیگر جدا میکنن و چه بخش‌هایی را ایزوله نمیکنن.

🔐 یاد میگیری نقش‌های مجزای RBAC، Network Policy و Encryption را از یکدیگر تشخیص بدی.

⚡ میتونی تأثیر Storage، NVLink و InfiniBand را بر میزان استفاده از GPU ارزیابی کنی.

☸️ یاد میگیری مسئولیت ابزارهای مختلف Kubernetes تا کجا ادامه داره و از کجا متوقف میشه.

⚖️ درک میکنی قوانین و چارچوب‌های GDPR، HIPAA و FedRAMP چطور Controlها و Evidenceهای زیرساخت AI را شکل میدن.

📊 میتونی از GPU Profiling و Telemetry Data برای بررسی و پیداکردن Bottleneckها استفاده کنی.

🚀 یاد میگیری NGC، Triton و Ensembleها چطور در یک Serving Pipeline قرار میگیرن.

🌐 میتونی Trade-Offهای AI Clusterهای On-Premises، Cloud و Hybrid را با یکدیگر مقایسه کنی.

👤 این کتاب برای چه کسانیه؟

💻 این کتاب برای متخصصانی نوشته شده که میخوان دانش حرفه‌ای و مرتبط با بازار کار درباره پلتفرم‌های AI مبتنی بر GPU و زیرساخت NVIDIA به دست بیارن، بدون اینکه مجبور باشن یک Manual طولانی را مطالعه کنن.

🏗️ مطالب برای AI Engineerها، Infrastructure Engineerها، Cloud Architectها، DevOps و MLOps Engineerها و متخصصانی مناسبه که در طراحی، استقرار، مدیریت یا ارزیابی محیط‌های Cloud، On-Premises، Hybrid و Edge AI فعالیت میکنن.

📌 کتاب با Configurationهای عملی، Commandهای منتخب، Deployment Patternها، Architecture Diagramها و سناریوهای سازمانی پیش میره. در اطلاعات منبع، پیش‌نیاز فنی مشخصی برای مطالعه آن ذکر نشده است.

📖 فهرست مطالب

فصل ۱. مبانی زیرساخت AI

فصل ۲. مدیریت منابع GPU و Virtualization

فصل ۳. Storage، Networking و Data Pipelineها برای AI

فصل ۴. Orchestration و Scalability در AI Clusterها

فصل ۵. بهینه‌سازی Performance و Monitoring

فصل ۶. Security، Compliance و Data Governance

فصل ۷. زیرساخت Edge AI و یکپارچه‌سازی

فصل ۸. NGC، Triton Inference Server و Deployment

فصل ۹. زیرساخت AI در دنیای واقعی و Workflowهای سازمانی

فصل ۱۰. فعال‌کردن مزایای اختصاصی

👤 درباره نویسنده

🧠 Vivian Aranha از مدیران حوزه AI و مدرس فناوریه که هدایت School of AI را بر عهده داره؛ یک پلتفرم آموزشی جهانی که بیش از هشتاد دوره در زمینه Generative AI، مدیریت محصول AI، Quantum Computing، فناوری‌های Cloud و حوزه‌های مرتبط ارائه میده.

📊 این پلتفرم از آوریل ۲۰۲۵ تاکنون بیش از ۱٫۵ میلیون ثبت‌نام داشته و به بیش از ۳۵۰ هزار دانشجو دسترسی پیدا کرده است.

🏢 Vivian Aranha طی بیش از هشت سال فعالیت در Delta Air Lines، در تدوین استراتژی سازمانی AI و پروژه‌های Digital Transformation مشارکت داشته است.

🎬 او همچنین به‌عنوان AI Pioneer با HeyGen همکاری میکنه و تمرکزش بر نوآوری در ویدئوهای مبتنی بر AI است.

🎓 Vivian از طریق طراحی Curriculum، تولید ویدئو و ساخت Labهای تعاملی تلاش میکنه آموزش فنی باکیفیت را در دسترس افراد بیشتری قرار بده و به نسل آینده متخصصان فناوری برای توسعه مهارت‌های عملی AI کمک کنه.

Navigate NVIDIA’s enterprise AI infrastructure with confidence, from GPUs and data movement to orchestration, security, monitoring, edge systems, and model serving.

Key Features:

• Build career-relevant knowledge of the NVIDIA AI infrastructure stack
• Make informed architecture decisions for performance, scalability, security, and cost
• Learn through practical configurations, deployment patterns, and enterprise case studies

Designing NVIDIA AI Infrastructure is a concise reference guide for professionals who want to develop career-relevant knowledge of GPU-powered platforms without working through a lengthy manual.

The book explains how CPUs, GPUs, DPUs, storage, networking, software, and orchestration combine to support AI workloads. You will explore MIG and vGPU resource models, Kubernetes and Slurm scheduling, data pipelines, performance profiling, monitoring, TensorRT optimization, multi-tenant security, and governance. You will also learn how NVIDIA Jetson and Orin support edge AI and how NGC and Triton Inference Server contribute to model deployment and scalable serving.

Selected commands, configuration examples, architecture diagrams, and enterprise scenarios connect these technologies to operational contexts. By the end, you will be able to discuss the NVIDIA AI infrastructure stack with greater confidence, evaluate common design choices and bottlenecks, and use the book as a quick reference when planning cloud, on-premises, hybrid, and edge AI environments.

What You Will Learn:

• Understand what MIG and vGPU isolate and what they don’t
• Distinguish RBAC, network policy, and encryption’s separate roles
• See how storage, NVLink, and InfiniBand affect GPU utilization
• Recognize where Kubernetes tools’ responsibilities stop
• Understand how GDPR, HIPAA, and FedRAMP shape AI infrastructure controls and evidence
• Use GPU profiling and telemetry data to investigate bottlenecks
• Learn how NGC, Triton, and ensembles fit a serving pipeline
• Compare on-prem, cloud, and hybrid AI cluster trade-offs

Table of Contents

Chapter 1. Foundations of AI Infrastructure

Chapter 2. GPU Resource Management and Virtualization

Chapter 3. Storage, Networking, and Data Pipelines for AI

Chapter 4. AI Cluster Orchestration and Scalability

Chapter 5. Performance Optimization and Monitoring

Chapter 6. Security, Compliance, and Data Governance

Chapter 7. Edge AI Infrastructure and Integration

Chapter 8. NGC, Triton Inference Server, and Deployment

Chapter 9. Real-World AI Infrastructure and Enterprise Workflows

Chapter 10. Unlock Your Exclusive Benefits

About the Author

Vivian Aranha is an AI leader and technical educator who leads School of AI, a global learning platform offering more than 80 courses across generative AI, AI product management, quantum computing, cloud technologies, and related fields. Since April 2025, the platform has recorded over 1.5 million enrollments and reached more than 350,000 students. During more than eight years at Delta Air Lines, he has contributed to enterprise AI strategy and digital transformation initiatives. He also works with HeyGen as an AI Pioneer, focusing on AI-driven video innovation. Through curriculum design, video production, and interactive labs, Vivian is committed to making high-quality technical education accessible and helping the next generation of technology professionals develop practical AI skills.