Kursplan

Introduktion till Edge AI

  • Definition och nyckelbegrepp
  • Skillnader mellan AI på gränsenheter och AI i molnet
  • Fördelar och utmaningar med Edge AI
  • Översikt över Edge AI-program

AI-arkitektur för gränsenheter

  • Komponenter i Edge AI-system
  • Krav på maskinvara och programvara
  • Dataflöde i Edge AI-program
  • Integration med befintliga system

Konfigurera AI-miljön för gränsenheter

  • Introduktion till Edge AI-plattformar (Raspberry Pi, NVIDIA Jetson, etc.)
  • Installera nödvändig programvara och bibliotek
  • Konfigurera utvecklingsmiljön
  • Initiera Edge AI-konfigurationen

Utveckla AI-modeller på gränsenheter

  • Översikt över maskininlärnings- och djupinlärningsmodeller för gränsenheter
  • Träningsmodeller specifikt för gränsdistribution
  • Tekniker för att optimera modeller för gränsenheter
  • Verktyg och ramverk för Edge AI-utveckling (TensorFlow Lite, OpenVINO, etc.)

Data Management och förbehandling för Edge AI

  • Datainsamlingstekniker för gränsmiljöer
  • Förbearbetning och förstärkning av data för gränsenheter
  • Hantera datapipelines på gränsenheter
  • Säkerställa datasekretess och säkerhet i gränsmiljöer

Distribuera AI-program för gränsenheter

  • Steg för att distribuera modeller på olika gränsenheter
  • Tekniker för övervakning och hantering av distribuerade modeller
  • Databearbetning och slutsatsdragning i realtid på gränsenheter
  • Fallstudier och praktiska exempel på införande

Integrera Edge AI med IoT-system

  • Ansluta Edge AI-lösningar med IoT-enheter och sensorer
  • Communication Protokoll och metoder för datautbyte.
  • Skapa en heltäckande Edge AI- och IoT-lösning
  • Praktiska exempel och användningsfall

Use Cases och applikationer

  • Branschspecifika tillämpningar av Edge AI
  • Fördjupade fallstudier inom hälso- och sjukvård, fordon och smarta hem
  • Framgångshistorier och lärdomar
  • Framtida trender och möjligheter inom Edge AI

Etiska överväganden och bästa praxis

  • Säkerställa sekretess och säkerhet i Edge AI-distributioner
  • Hantera partiskhet och rättvisa i Edge AI-modeller
  • Överensstämmelse med regler och standarder
  • Metodtips för ansvarsfull AI-distribution

Praktiska projekt och övningar

  • Utveckla ett komplext Edge AI-program
  • Verkliga projekt och scenarier
  • Gemensamma gruppövningar
  • Projektpresentationer och återkoppling

Sammanfattning och nästa steg

Krav

  • En förståelse för grundläggande AI- och maskininlärningskoncept
  • Erfarenhet av programmeringsspråk (Python rekommenderas)
  • Kunskaper om databehandling på gränsenheter och IoT-begrepp

Publik

  • Utvecklare
  • IT-proffs
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier