Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Varaktighet 14 timmar
Kursplan
Introduktion till Edge-AI och Nano Banana
- Viktiga egenskaper hos edge-AI-belastningar
- Nano Bananas arkitektur och funktioner
- Jämförelse av edge- och molnimplementationstrategier
Förberedelse av modeller för edge-implementation
- Modellval och baslinjeutvärdering
- Överväganden gällande beroenden och kompatibilitet
- Export av modeller för vidare optimering
Modellkomprimeringstekniker
- Antagningsstrategier och strukturell sparsamhet
- Viktandelning och parameterrreducering
- Utvärdering av effekterna av komprimering
Kvantisering för edge-prestanda
- Metoder för kvantisering efter träning
- Flöden för kvantiseringsmedveten träning
- ANSATZ för INT8, FP16 och blandad precision
Acceleration med Nano Banana
- Användning av Nano Bananas acceleratorkretsar
- Integrering av ONNX och hårmvarubackends
- Benchmarkering av accelererad inferens
Implementation på edge-enheter
- Integrering av modeller i inbäddade eller mobila applikationer
- Konfiguration och övervakning av körtid
- Felsökning av implementationsproblem
Prestandaprofiler och avvägninganalys
- Latens, genomsättning och termiska begränsningar
- Avvägningar mellan noggrannhet och prestanda
- Iterativa optimeringsstrategier
Bästa praxis för underhåll av Edge-AI-system
- Versionshantering och kontinuerliga uppdateringar
- Återgång av modeller och kompatibilitetsstyrning
- Överväganden gällande säkerhet och integritet
Sammanfattning och nästa steg
Krav
- En förståelse av maskininlärningsflöden
- Erfarenhet av modellutveckling baserad på Python
- Genomkunnande i neuronal nätverksarkitektur
Målgrupp
- ML-ingenjörer
- Dataexperter
- MLOps-praktiker
Vittnesmål (1)
Flöde, känsla och ämne i presentationen
Lukasz Kowalczyk - Allegro Sp. z o.o.
Kurs - Google Gemini AI for Data Analysis
Maskintolkat
