Zkuste nás kontaktovat

Návrh Školení

Úvod do Edge AI a Nano Banana

  • Klíčové charakteristiky úloh Edge AI
  • Architektura a schopnosti Nano Banana
  • Porovnání strategií nasazení v edge prostředí a v cloudu

Příprava modelů pro nasazení na hraniční zařízeních

  • Výběr modelů a základní hodnocení
  • Zohlednění závislostí a kompatibility
  • Export modelů pro další optimalizaci

Techniky komprese modelů

  • Strategie ořezávání (pruning) a strukturní ředění
  • Sdílení vah a redukce parametrů
  • Hodnocení dopadu komprese

Kvantizace pro výkon v edge prostředí

  • Metody kvantizace po tréninku
  • Pracovní postupy kvantizace-aware tréninku
  • Přístupy INT8, FP16 a smíšené precision

Urychlení pomocí Nano Banana

  • Použití akcelerátorů Nano Banana
  • Integrace ONNX a hardwarových backendů
  • Benchmarking urychlené inference

Nasazení na hraniční zařízení

  • Integrace modelů do vestavěných nebo mobilních aplikací
  • Konfigurace a monitorování běhu
  • Odstraňování potíží při nasazování

Profilování výkonu a analýza kompromisů

  • Latence, propustnost a tepelná omezení
  • Kompromisy mezi přesností a výkonem
  • Iterativní strategie optimalizace

Nejlepší praktiky pro údržbu systémů Edge AI

  • Verzování a průběžné aktualizace
  • Vracení se k předchozím verzím modelů a správa kompatibility
  • Bezpečnostní aspekty a integrita

Shrnutí a další kroky

Požadavky

  • Pochopení pracovních procesů strojového učení
  • Zkušenosti s vývojem modelů v jazyce Python
  • Oznámenost s architekturami neuronových sítí

Cílové publikum

  • Inženýři strojového učení (ML)
  • Science data (Data scientists)
  • Praktici MLOps
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (1)

Nadcházející kurzy

Související kategorie