Kom i kontakt

Kursplan

Introduktion till Edge AI och Kubernetes

  • Förstå rollen för AI vid kanten
  • Kubernetes som orkestrator för distribuerade miljöer
  • Typiska användningsfall inom olika branscher

Kubernetes-fördelningar för edge-miljöer

  • Jämföra K3s, MicroK8s och KubeEdge
  • Installations- och konfigurationsflöden
  • Nodkrav och distributionsmönster

Arkitekturer för Edge AI-distribution

  • Centraliserade, decentraliserade och hybrid-edge-modeller
  • Resursallokering över begränsade noder
  • Multi-nod och fjärrklustertopologier

Distribution av maskininlärningsmodeller vid kanten

  • Forpackning av inferensarbetsbelastningar med containrar
  • Användning av GPU- och acceleratorhårdvara när tillgängligt
  • Hantering av modelluppdateringar på distribuerade enheter

Kommunikations- och kopplingsstrategier

  • Hantering av tillfälliga och instabila nätverksförhållanden
  • Synkroniseringstekniker för edge-till-cloud-data
  • Medskönad av köer och protokollöverväganden

Observability och övervakning vid kanten

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

Säkerhet för Edge AI-distributioner

  • Skydd av data och modeller på begränsade enheter
  • Säker start och trovärdig exekveringsstrategier
  • Auktorisering och auktorisation över noder

Prestandaoptimering för edge-arbetsbelastningar

  • Minskning av fördröjning genom distributionsstrategier
  • Överväganden kring lagring och cachning
  • Justering av beräkningsresurser för inferenseffektivitet

Sammanfattning och nästa steg

Krav

  • En förståelse för containeriserade applikationer
  • Erfarenhet av Kubernetes-administration
  • Kännedom om edge-bearbetningskoncept

Målgrupp

  • IoT-ingenjörer som distribuerar distribuerade enheter
  • Cloud-native-utvecklare som bygger intelligenta applikationer
  • Edge-arkitekter som designar anslutna miljöer
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (4)

Kommande Kurser

Relaterade Kategorier