Kursplan

Introduktion till Edge AI

  • Definition och nyckelbegrepp
  • Skillnader mellan Edge AI och Cloud AI
  • Fördelar och utmaningar med Edge AI
  • Översikt över Edge AI-applikationer

Edge AI-arkitektur

  • Komponenter i Edge AI-system
  • Hårdvaru- och programvarukrav
  • Dataflöde i Edge AI-applikationer
  • Integration med befintliga system

Att Sätta upp Edge AI-miljö

  • Introduktion till Edge AI-plattformar (Raspberry Pi, NVIDIA Jetson, etc.)
  • Installation av nödvändig programvara och bibliotek
  • Konfiguration av utvecklingsmiljö
  • Initiering av Edge AI-uppsättning

Utveckling av Edge AI-modeller

  • Översikt över maskininlärnings- och djupinlärningsmodeller för kantenheter
  • Träning av modeller specifikt för kantdistribution
  • Tekniker för att optimera modeller för kantenheter
  • Verktyg och ramverk för Edge AI-utveckling (TensorFlow Lite, OpenVINO, etc.)

Hantering och förbehandling av data för Edge AI

  • Tekniker för datainsamling i kantmiljöer
  • Förbehandling och förstärkning av data för kantenheter
  • Hantering av datapipelines på kantenheter
  • Säkerställande av dataprivat och säkerhet i kantmiljöer

Distribution av Edge AI-applikationer

  • Steg för att distribuera modeller på olika kantenheter
  • Tekniker för övervakning och hantering av distribuerade modeller
  • Real-tidsbearbetning och inferens på kantenheter
  • Fallstudier och praktiska exempel på distribution

Integration av Edge AI med IoT-system

  • Koppling av Edge AI-lösningar med IoT-enheter och sensorer
  • Kommunikationsprotokoll och databytesmetoder
  • Byggande av en slut-till-slut-Edge AI- och IoT-lösning
  • Praktiska exempel och användningsområden

Användningsområden och applikationer

  • Branschspecifika applikationer av Edge AI
  • Djuplodande fallstudier inom hälso- och sjukvård, fordonsindustrin och smarta hem
  • Framgångssagor och lärdomar
  • Framtida trender och möjligheter inom Edge AI

Etiska överväganden och bästa praxis

  • Säkerställande av privat och säkerhet i Edge AI-distributioner
  • Hantering av fördomar och rättvisa i Edge AI-modeller
  • Efterlevnad av regelverk och standarder
  • Bästa praxis för ansvarsfull AI-distribution

Praktiska projekt och övningar

  • Utveckling av en komplex Edge AI-applikation
  • Verkliga projekt och scenarier
  • Gruppövningar i samarbete
  • Projektpresentationer och feedback

Sammanfattning och nästa steg

Krav

  • Förståelse för grundläggande AI och maskininlärningskoncept
  • Erfarenhet av programmeringsspråk (Python rekommenderas)
  • Familjaritet med edge computing och IoT-koncept

Målgrupp

  • Utvecklare
  • IT-professionella
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier