Kursplan

Introduktion till Edge AI och Kubernetes

  • Förstå rollen av AI vid kanten
  • Kubernetes som orchestrator för distribuerade miljöer
  • Typiska användningsfall i olika branscher

Kubernetes-distributioner för kantmiljöer

  • Jämför K3s, MicroK8s och KubeEdge
  • Installations- och konfigurationsarbetsflöden
  • Nodkrav och distribueringsmönster

Arkitekturer för Edge AI-distribuering

  • Centraliserade, decentraliserade och hybridkantmodeller
  • Resursallokering över begränsade noder
  • Multi-nod och fjärrklustertopologier

Distribuera maskininlärningsmodeller vid kanten

  • Paketera inferensarbetsbelastningar med containrar
  • Använd GPU och acceleratorhårdvara när det är tillgängligt
  • Hantera modelluppdateringar på distribuerade enheter

Kommunikations- och anslutningsstrategier

  • Hantering av oregelbundna och instabila nätverksförhållanden
  • Synkroniseringstekniker för kant-till-molndata
  • Meddelökoher och protokollbetraktelser

Observabilitet och övervakning vid kanten

  • Lätta övervakningsmetoder
  • Insamling av telemetri från fjärrnoder
  • Felsökning av distribuerade inferensarbetsflöden

Säkerhet för Edge AI-distribueringar

  • Skydda data och modeller på begränsade enheter
  • Säker start och betrodda exekveringsstrategier
  • Autentisering och auktorisering över noder

Prestandaoptimering för kantarbetsbelastningar

  • Minska latens genom distributionsstrategier
  • Lagring och cachningssynpunkter
  • Justering av beräkningsresurser för inferenseffektivitet

Sammanfattning och nästa steg

Krav

  • Förståelse av containrariserade program
  • Erfarenhet av Kubernetes-administration
  • Kännedom om kantberäkningsteori

Målgrupp

  • IoT-ingenjörer som distribuerar decentraliserade enheter
  • Moln-native utvecklare som bygger intelligenta program
  • Kantarkitekter som utformar anslutna miljöer
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (5)

Kommande Kurser

Relaterade Kategorier