Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod do Federated Learning
- Přehled tradičního školení AI vs. federované učení
- Klíčové principy a výhody federovaného učení
- Případy použití federovaného učení v aplikacích Edge AI
Federated Learning Architektura a pracovní postup
- Pochopení federovaných modelů učení klient-server a peer-to-peer
- Rozdělení dat a trénink decentralizovaných modelů
- Communication protokoly a agregační strategie
Implementace Federated Learning pomocí TensorFlow Federated
- Nastavení TensorFlow Federováno pro distribuovaný výcvik AI
- Vytváření federovaných modelů učení pomocí Python
- Simulace federovaného učení na okrajových zařízeních
Federated Learning s PyTorch a OpenFL
- Úvod do OpenFL pro federované učení
- Implementace federovaných modelů založených na PyTorch
- Přizpůsobení technik federované agregace
Optimalizace výkonu pro Edge AI
- Hardwarová akcelerace pro federované učení
- Snížení komunikační režie a latence
- Adaptivní učební strategie pro zařízení s omezenými zdroji
Ochrana osobních údajů a bezpečnost v Federated Learning
- Techniky ochrany soukromí (bezpečná agregace, diferenciální soukromí, homomorfní šifrování)
- Snížení rizik úniku dat ve federovaných modelech umělé inteligence
- Dodržování předpisů a etické aspekty
Nasazování Federated Learning systémů
- Nastavení federovaného učení na skutečných okrajových zařízeních
- Monitorování a aktualizace federovaných modelů
- Škálování nasazení federovaného učení v podnikových prostředích
Budoucí trendy a případové studie
- Vznikající výzkum ve federovaném učení a Edge AI
- Případové studie z reálného světa ve zdravotnictví, financích a internetu věcí
- Další kroky pro pokrok v řešení federovaného učení
Shrnutí a další kroky
Požadavky
- Silné porozumění konceptům strojového učení a hlubokého učení
- Zkušenosti s Python programováním a AI frameworky (PyTorch, TensorFlow nebo podobné)
- Základní znalost distribuovaných výpočtů a sítí
- Znalost konceptů ochrany osobních údajů a zabezpečení v AI
Publikum
- výzkumníci AI
- Datoví vědci
- Bezpečnostní specialisté
21 hodiny