Advancing AI a HPC kompetence na vysokých školách: Jak NVIDIA podporuje výuku přes DLI platformu, teaching kits a certifikační zkoušky

Jako první věc si chci ujasnit, co mě na tomto přístupu nejvíc zaujalo: výuka AI a HPC na univerzitách není jen o tom, „co“ se učí, ale také o tom, „jak“ se to učí. NVIDIA podle mých zkušeností staví celé výukové ekosystémy tak, aby studenti dostali praxi na skutečných GPU v cloudu, učitelé měli k dispozici hotové výukové materiály a zároveň aby výsledky šly doložit uznatelnou certifikací.

V praxi to znamená tři hlavní pilíře: cloudová výuková platforma s reálnými GPU (DLI), stažitelné semestrální výukové balíčky (teaching kits) a prokatorované online certifikační zkoušky. K tomu se přidávají instructor-led workshopy a dva programy pro zapojení univerzit a pedagogů: DLI Ambassador Program a Teaching Kits Program (často zmiňovaný i jako „Teaching It“). Níže popisuji, jak to celé do sebe zapadá a jak bych do toho šel já, pokud bych chtěl zrychlit nasazení AI do výuky.

Obsah

• Co je DLI a proč na „GPU v cloudu“ tolik záleží 🚀
• Jak vypadají instructor-led workshopy a co typicky pokrývají 🧠
• Učitelé a programy pro univerzity: Ambassador Program vs. Teaching Kits 👩‍🏫
• Teaching kits jako stavebnice: modularita, teorie a praxe 🧩
• Certifikační zkoušky: prokatorované online examy a co to znamená pro studenty 🎯
• Jak do toho zapadá přístup jedné univerzity: ECPI a skutečné nasazení v praxi 🏫
• Flexibilita v nasazení: lze workshopy dělit do více dní? ⏱️
• Otázky a odpovědi, které by mě zajímaly jako prvního: integrace, poplatky, role staff 🍀
• Jak bych postupoval já při zavádění AI a HPC výuky na univerzitě 🧭
• Čím se vyučování může lišit podle domén: od LLM po physical AI 🤖
• Proč to celé dává smysl: kombinace obsahu, infrastrukturního řešení a kariérního výstupu 🎁
• Další krok: jak se zapojit (v režimu, který vám sedí) 🔗

Co je DLI a proč na „GPU v cloudu“ tolik záleží 🚀

Když se řekne „AI výuka“, mnoho lidí si představí powerpointy a domácí úkoly, které se pak řeší na vlastním notebooku. Jenže skutečné trénování modelů a práce s GPU jsou pro studenty často největší překážkou: buď nemají odpovídající hardware, nebo nemají čas nastavovat lab prostředí.

DLI (Deep Learning Institute) řeší právě tohle. Nabízí kurzy, typicky 6 až 8 hodin v různých režimech:

• Instructor-led (vedené certifikovaným instruktorem),
• online self-paced (samostudium),
• společné téma: vše běží na upravené open edX platformě, kterou NVIDIA přizpůsobila tak, aby studenti měli přístup k reálným GPU v cloudu.

To je klíčové. Studentům nejde o „hezké demo“. Jde jim o to, aby mohli dělat lab experimenty a vyvíjet aplikace postavené na tématech, která se v kurzech probírají. V pozadí to zajišťuje právě DLI platforma.

Auto-grading a certifikát jako výsledkový artefakt ✅

Další část, kterou bych vnímal jako velké plus, jsou hodnocení uvnitř kurzu. Kurzy obsahují assessment s auto gradingem. Jinými slovy: student prochází úkoly, které se vyhodnotí automaticky, a když uspěje, získá unikátní certifikát se jménem studenta.

Takový certifikát může jít na LinkedIn nebo do portfolia na resume. Z pohledu kariérní hodnoty to dává smysl, protože nejde jen o „splnil předmět“, ale o prokazatelné zvládnutí konkrétního obsahu.

Jak vypadají instructor-led workshopy a co typicky pokrývají 🧠

Vedle self-paced kurzů NVIDIA zmiňuje i instructor-led workshopy. V průběhu událostí typu GTC probíhají i vícedenní workshopy (včetně toho, že se část akcí uskutečnila v den „zero“). Pro akademickou sféru je to praktické, protože studenti dostanou strukturu, termíny a možnost řešit dotazy s certifikovaným lektorem.

Co se týče obsahu, workshopy se dají tematicky rozdělit zhruba do těchto oblastí:

• Generative AI a LLM (včetně agentic AI a práce s velkými jazykovými modely),
• Deep learning a základy hlubokých neuronových sítí,
• konkrétnější aplikace jako data science, accelerated computing,
• a také simulation a physical AI.

Workshopy typicky obsahují několik modulů během jednoho dne a přirozené pauzy mezi nimi. Přínos instructor-led je zřejmý: máte certifikovaného lektora, který vás provede a pomůže s problémy v průběhu práce.

Například „Fundamentals of Deep Learning“: známý výchozí bod 🎓

Z přehledu kurzů, které NVIDIA univerzitám umožňuje zapojovat, je „Fundamentals of Deep Learning“ označený jako nejpopulárnější i v akademickém prostředí. Proč?

• Studentům stačí základní background v Pythonu,
• workshop je praktický: práce s pre-trained modely, velké jazykové modely a inference úlohy,
• a celé to běží na reálných GPU v cloudu.

Důležitý organizační detail: učitelé se nemusí starat o konfiguraci lab prostředí. NVIDIA to zajistí. To je v reálném akademickém provozu často rozdíl mezi „můžeme to zařadit do výuky“ a „nestihneme to postavit do týdne“.

Učitelé a programy pro univerzity: Ambassador Program vs. Teaching Kits 👩‍🏫

V blogu o výuce AI se obvykle soustředí na studenty. Já ale považuji za zásadní část enablement pro faculty (tedy pro pedagogy). NVIDIA zmiňuje dvě cesty, jak se univerzita může zapojit.

1) DLI Ambassador Program: vyšší „touch“, ale přináší největší kontrolu 📌

DLI Ambassador Program je cílený na pedagogy, kteří chtějí certifikované workshopy učit na vlastní akademické půdě (nebo je používat v rámci dalších aktivit). Tento program má:

• certifikační proces pro instruktory (application-based vetting),
• žadatel získá přístup k workshopu, projde jej online jako student (včetně assessment),
• proces vyústí v interview s expertem NVIDIA, který je zapojený do certifikace lektorů daného workshopu,
• po úspěchu získá možnost workshop reálně vyučovat.

Proč by se někdo do toho pouštěl? NVIDIA uvádí několik motivací, které mi přijdou „lidské“:

• Obsah: cutting-edge materiály přímo od NVIDIA,
• nejnovější workshopy se často objeví nejdřív jako instructor-led a univerzity k nim potřebují certifikaci,
• credential: učitel získá vlastní unikátní certifikát s jménem,
• komunita: tight-knit síť ambassadorů, networking, společné vývojové aktivity a tvorba certifikačních zkoušek.

Jsou tu i praktické podpory. NVIDIA zmiňuje například možnost reimburse až 500 USD na workshop (v návaznosti na „catering“ a organizaci), a také úhradu cestovních nákladů, pokud učitel prezentuje workshop na jiných univerzitách nebo na konferencích.

V komunitě se počítá, kolik workshopů a studentů se zapojí. Čím víc dodáváte a čím víc studentů získá certifikáty, tím víc se odemykají další výhody. NVIDIA zmiňuje například finanční odměny a různé benefity kolem GTC (slevy na vstup nebo registrace).

Z pohledu eligibility NVIDIA uvádí, že ambassadorem má být typicky:

• fakulta nebo full-time lecturer,
• případně i lidé zodpovědní za training na HPC centrech,
• zatímco žádostí je prý hodně, a studenti nebo PhD se často odhlašují z kapacitních důvodů.

Očekává se také aktivita: ambasadoři mají učit alespoň pár workshopů každých 12 měsíců, aby zůstali v programu.

2) Teaching Kits Program: nejjednodušší cesta, jak začít 🎒

Pro většinu univerzit, které chtějí rychle začít, se jako výchozí doporučuje Teaching Kits Program. Je to méně náročné než Ambassador certifikace.

Jak to funguje? V podstatě jde o portál, kde si edukátoři stáhnou semester-long teaching materials ve větších balících. NVIDIA zmiňuje, že existuje několik teaching kitů (sedm teaching kits v době zmínky), které pokrývají široké spektrum oblastí technologií spojených s NVIDIA.

Každý kit typicky obsahuje:

• lecture slides,
• lecture videos,
• Jupyter notebooks (budované v free Colab instancích),
• případně textbook, Q&A a problem sets,
• a důležité: do kitů se „tahají“ i self-paced DLI kurzy jako integrální část.

Nejde jen o obsah. NVIDIA zdůrazňuje i licenční stránku: vše je pod non-commercial Creative Commons licencí, což dává akademické sféře možnost materiály upravovat.

Teaching kits jako stavebnice: modularita, teorie a praxe 🧩

Teaching kits jsou postavené tak, aby šly skládat. To je obrovský rozdíl proti tomu, když dostanete jeden monolitární kurz, který se buď celý „nasadí“, nebo se do výuky nikdy nevejde.

NVIDIA popisuje, že materiály jsou modulární, takže učitelé mohou:

• vybírat jednotlivé moduly a vkládat je do vlastního kurzu,
• nebo postavit celý předmět na kitových modulech,
• nebo si vzít „slices“, tedy jen části, které potřebují pro svůj plán.

Jaké teaching kits jsou k dispozici (a čím se liší) 📚

V textu se zmiňuje několik kitů, které mají různou pedagogickou i technologickou orientaci. Níže je shrnu tak, aby si je čtenář uměl spojit s typem předmětu.

• Deep learning teaching kit

  To je druhý kit, který NVIDIA postavila a který je zčásti založený na kurzu Jana Lacouna z NYU. Jde hodně do teorie a matematiky kolem trénování deep neural networks. Výborně doplňuje DLI kurzy, které jsou více hands-on a aplikované.

• Accelerated data science

  Kit vychází z Rapids open source frameworku pro akceleraci tradičních ML algoritmů v data science. Pokud máte na škole předmět typu data analytics nebo ML pro data, tohle zní jako přirozená volba.

• Edge AI a robotics

  Postavený na embedded systémech, například Jetson nebo Nano. NVIDIA popisuje, že kit prochází velkou aktualizací a má být vydán na podzim.

• Deep learning for science and engineering

  Tohle je kit pro ML ve vědě a inženýrství, popsaný přes physics NEMO platform. Příklady domén zahrnují computational fluid a biomedicínu.

• Gen AI teaching kit

  Jeden z nejnovějších kitů. Je postavený s profesorem z Dartmouth a je „unikátní“ mimo jiné tím, že kromě self-paced course bloků připravuje i na větší certifikační exam v DLI. Exam prep má být sladěný s obsahem kitu.

• OpenUSD teaching kit

  Nově oznamovaný kit zaměřený na 3D grafiku a simulaci (OpenUSD) a v návaznosti na physical AI. Zároveň má alignovat s novým OpenUSD certifikačním examem.

Pořád platí, že do kitů NVIDIA vkládá i self-paced DLI kurzy a že se dá postupovat „po částech“ podle toho, jak to odpovídá vašemu semestrálnímu schématu.

Certifikační zkoušky: prokatorované online examy a co to znamená pro studenty 🎯

V určité chvíli je pro školy potřeba přejít od „učení“ k „měřitelné dovednosti“. NVIDIA uvádí, že v jejím programu existují certifikační zkoušky:

• prokatorované online (sledované přes třetí stranu),
• mají associate i professional úrovně,
• a jsou to jediné části, kde se objevuje cost, protože proctoring zajišťuje třetí strana (zmiňovaná je Certiverse).

Pro mě je důležité, že examy jsou zmiňované jako rostoucí trend směrem k tomu, aby zaměstnavatelé měli „jasnější signál“ o dovednostech absolventa. Jinými slovy: student je prokazatelně připraven.

Zároveň NVIDIA zmiňuje, že na GTC byly examy nabízené i zdarma (v čase konference se měly dát zkusit).

Prakticky: když si student vezme self-paced kurzy v rámci kitů, připravuje se na obsah, který pak navazuje na certifikační testy. V případě Gen AI kitu NVIDIA uvádí, že exam prep je sladěný přímo s obsahem.

Jak do toho zapadá přístup jedné univerzity: ECPI a skutečné nasazení v praxi 🏫

Nechci zůstat jen u programových popisů. V textu vystupuje také profesor Paul Nussbaum, který popisuje, jak NVIDIA programy konkrétně využívá na ECPI University. To je pro mě důležité, protože největší riziko při zavádění AI výuky je, že to zůstane „pilot“, který nikdo dlouhodobě neuvede.

ECPI je popisována jako kariérně orientovaná škola s akcelerovanými studijními programy (bez „football teams“, spíš rychlá cesta k profesnímu cíli). Paul zmiňuje, že studenti jsou nervózní ohledně budoucího uplatnění a že škola se snaží připravit studenty na prostředí, kde budou:

• AI řešení možná sami vytvářet, nebo
• AI řešení používat v praxi.

Workshopy mimo hlavní čas, ale s velkým zájmem 📈

Profesor popisuje, že jeho studenti musí vyhradit čas navíc mimo běžné kurikulum, protože workshopy nejsou součástí „main“ coursework. Přesto se prý workshopy rychle plní. Je uváděno, že:

• jde o eight-hour workshopy,
• kapacita se dá navýšit díky teaching assistantům,
• a workshop se pravidelně vyplní až do vyšších kapacit (v textu se uvádí pravidelně 100 studentů v rámci kapacitních možností).

Takový vzorec bych interpretoval jako signál, že studentům jde o kvalitu značky a o to, aby měli certifikát, který „něco váží“.

„Nejde to podvést“: proč assessment dává smysl ✅

Paul zmiňuje, že NVIDIA workshop má assessmenty tak, že se „nechecčuje“, tedy že student nemůže snadno projít bez reálného zvládnutí. V kontextu certifikace to posiluje důvěru v hodnotu výsledku.

Dává smysl i to, co říká o „numbered and traceable“ certifikátech. V praxi to může být rozdíl mezi „mám certifikát“ a „tento certifikát je konkrétně dohledatelný a jedinečný“.

Jaké workshopy učí a proč: od fundamentals k aplikacím 🔍

Paul popisuje, že od roku 2022 učil přes tisíc studentů. Jako nejčastější volbu uvádí Fundamentals of Deep Learning jako předpoklad pro pokročilejší workshopy. Pak následují oblasti jako:

• anomaly detection (zejména pro cybersecurity, detekce neobvyklých aktivit v obrovských log souborech),
• predictive maintenance (v procesu restrukturalizace do většího scope),
• diffusion models (atraktivní a zábavné, „text to picture“, a zároveň důležité pro physical AI, například v motor torque control),
• Jetson workshopy (lehčí, bez nutnosti Python programování; studenti trénují data a re-trénují model pomocí transfer learningu; v příkladu rozpoznávání thumbs up vs thumbs down, práce s variacemi trénovacích dat).

Zmiňuje také typický způsob výuky: není to „lean-back webinar“, ale „lean-forward hands-on“. Studenti musí měnit kód, číst kód, trénovat modely. A hezky to ilustruje metafora: když jezdíte na GPU od NVIDIA, je to jako „řízení Ferrari“, a na vlastním notebooku to bývá pomalejší.

Kariérní dopad: od certifikátu k povýšení a magisterskému programu 🧾

Paul zmiňuje, že studenti mají různé výstupy:

• získání přijetí do magisterského programu,
• povýšení na pozice lead AI development teamů v organizacích,
• co je důležité: právě díky dohledatelnému certifikátu, který mají a nikdo jiný v týmu.

Tohle je pro mě jeden z nejsilnějších argumentů: certifikace se netýká jen školy, ale stává se součástí pracovního „signal systému“.

Flexibilita v nasazení: lze workshopy dělit do více dní? ⏱️

V rámci otázek zaznělo, jak se dají workshopy zařadit, když studenti nemají čas ve stejném bloku. Odpověď byla v zásadě velmi praktická: workshopy lze rozdělit do více dní.

Konkrétně se uvádí, že:

• 6 až 8 hodinové workshop lze rozdělit například na kratší bloky (například 1,5 hodiny nebo 1 hodinu),
• je nutné hlídat, aby studenti zastavili GPU instance mezi bloky,
• jinak by běžely v pozadí a zbytečně by se pálil GPU čas.

Tohle je detail, který by bez takové odpovědi mohl univerzity odrazovat. A právě proto se mi líbí, že přístup počítá s realitou výukového rozvrhu.

Otázky a odpovědi, které by mě zajímaly jako prvního: integrace, poplatky, role staff 🍀

„Jak to vložit do akademických předmětů, když máme vlastní sylaby?“

Padla otázka z univerzity mimo USA (Hong Kong Polytechnic University) a odpověď byla v duchu teaching kits: právě kit umožňuje vybrat moduly a vložit je do kurzu. NVIDIA přizpůsobuje materiály tak, aby učitel mohl rozhodnout, jak je integruje.

„Musí studenti dělat assessmenty v rámci stejného osmihodinového bloku?“

Odpověď byla, že workflow lze rozdělit podle bloků, ale musí se hlídat GPU instance. Assessment je součástí course flow, ale časové plánování lze přizpůsobit.

„Je pro studenty poplatek?“

V kontextu workshopů zaznělo, že studenti neplatí za samotnou účast na workshopu, alespoň v uvedeném příkladu. Cena se spíš váže k prokatorovaným certifikačním examům.

„Může být ambassadorem i staff member, ne jen faculty?“

Odpověď naznačila, že záleží hlavně na zaměstnaneckém „levelu“ a na tom, co člověk v praxi dělá. Pokud staff member reálně trénuje a učí workshopy, může být způsobilý.

Jak bych postupoval já při zavádění AI a HPC výuky na univerzitě 🧭

Teď se dostávám k tomu, co je nejvíc užitečné pro čtenáře: konkrétní postup v několika krocích. Neberte to jako rigidní šablonu, berte jako mapu.

Krok 1: Vyberu si výchozí „chodník“ podle toho, co mám připravené 🧱

• Pokud chcete rychle začít s výukou a nezabývat se certifikací lektorů, začněte teaching kits.
• Pokud chcete, aby váš tým dlouhodobě učil instructor-led workshopy a budoval interní kapacitu, zvažte DLI Ambassador Program.

Krok 2: Začnu základy, pokud chci navázat na pokročilé kurzy 🔗

Z praxe vyplývá, že „Fundamentals of Deep Learning“ často funguje jako předstupeň. Pokud chcete později diffusion modely, LLM nebo physical AI, dává smysl připravit studenty nejdřív.

Krok 3: Naplánuji čas jako bloky, ale pohlídám GPU čas ⏲️

Pokud nevychází 6 až 8 hodin v kuse, rozdělím workshop na více dní. Zároveň budu studenty instruovat, aby vždy správně ukončili GPU session mezi výukovými bloky.

Krok 4: Propojím výuku s certifikací (když to dává smysl) 🎓

Certifikační examy nejsou „nutnost“, ale v akademické praxi mohou být skvělým cílem. NVIDIA zároveň zdůrazňuje, že některé teaching kits jsou přímo sladěné s exam prep.

Krok 5: Zavedu promyšlenou cestu studentů (prerekvizity, sekvence) 🧠

Paul zmiňuje, že se objevuje přístup „sekvence workshopů“ a že existuje i certifikační portál pro studenty, který ukazuje prerequisites a přípravu. To je přesně ten typ organizace, který zvyšuje šanci na úspěch.

Čím se vyučování může lišit podle domén: od LLM po physical AI 🤖

U výuky AI se často zapomíná na to, že studenti mohou jít různými směry. NVIDIA proto zmiňuje šíři obsahu: od agentic AI po physical AI, od generative AI a LLM po accelerated computing a edge computing.

Pokud vyučujete:

• software a data, pravděpodobně vás bude zajímat Gen AI a data science segment,
• inženýrství a simulace, OpenUSD a physical AI kit mohou být přirozený krok,
• kyberbezpečnost, anomaly detection může být skvělý „use case“ pro log data,
• embedded a robotics, Jetson workshopy a edge AI kit dávají praktický směr.

Můj oblíbený detail je, že tento ekosystém nesází jen na „AI jako jednu věc“. V popisu se zmiňuje i accelerated computing s CUDA pro akceleraci algoritmů, které nemusejí být přímo AI. To je důležité, protože HPC komunita má vlastní logiku a časové zvyklosti.

Proč to celé dává smysl: kombinace obsahu, infrastrukturního řešení a kariérního výstupu 🎁

Když to shrnu, tak NVIDIA navrhuje takový model, kde se spojí tři věci:

1. Výukový obsah (self-paced kurzy, instructor-led workshopy, teaching kits),
2. praktické prostředí (DLI platforma a reálné GPU v cloudu, lab experimenty),
3. výsledky pro studenta (certifikáty po splnění a certifikační examy prokatorované online).

Tohle je přesně ten typ „end-to-end“ přístupu, který snižuje tření. Učitel nedobíhá infrastrukturu, student nedobíhá hardware a výsledky se dají doložit.

Další krok: jak se zapojit (v režimu, který vám sedí) 🔗

V závěru se zmiňuje, že Teaching Kits Program je nejjednodušší cesta: stačí krátká aplikace, přibližně v řádu minut. Ambassador Program je pak náročnější, protože vyžaduje ověření technického backgroundu pro vybrané workshopy a má i část rozhovoru.

Pokud bych si měl vybrat jeden konzervativní start, řekl bych:

• Chci rychle nasadit AI do kurikula → začnu teaching kity a vyberu moduly podle domény.
• Chci budovat dlouhodobou kapacitu a učit instructor-led workshopy → jdu do Ambassador Programu.
• Chci studentům dát jasný kariérní signál → popíšu cesty ke certifikaci a skládám sekvence workshopů tak, aby prerequisites seděly.

Ať už zvolíte kteroukoliv cestu, ten nejdůležitější princip zůstává: vzdělávání v AI se musí spojit s praxí na GPU a s měřitelným výstupem, aby se z akademického učení stala připravenost pro průmysl.

---

Vložte sem vhodné odkazy z poskytnutého seznamu (aktuálně je seznam prázdný: links = []), aby bylo možné navrhnout konkrétní místa v článku a URL adresy. Jakmile pošlete seznam odkazů, doplním návrhy přesně podle vašich pravidel (text 1–3 slova, v rámci odstavce, relevance k okolnímu obsahu).