Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge KI und Nano Banana

  • Wesentliche Merkmale von Edge-KI-Workloads
  • Architektur und Fähigkeiten von Nano Banana
  • Vergleich von Edge- und Cloud-Deployment-Strategien

Vorbereitung der Modelle für die Edge-Deployment

  • Modellauswahl und Basisevaluation
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Export von Modellen für weitere Optimierung

Techniken zur Modellkompression

  • Beschneidungsstrategien und strukturelle Sparse
  • Gewichteteilung und Parameterreduktion
  • Bewertung der Auswirkungen der Kompression

Quantisierung für Edge-Leistung

  • Methoden der Post-Training-Quantisierung
  • Quantisierungsbewusste Trainingsworkflows
  • INT8, FP16 und Mischgenauigkeitsansätze

Beschleunigung mit Nano Banana

  • Verwendung von Nano Banana-Beschleunigern
  • Integration von ONNX und Hardware-Backends
  • Benchmarks für beschleunigte Inferenz

Bereitstellung auf Edge-Geräten

  • Integration von Modellen in eingebettete oder mobile Anwendungen
  • Laufzeitkonfiguration und Überwachung
  • Fehlerbehebung bei Bereitstellungsproblemen

Leistungsprofilierung und Trade-off-Analyse

  • Latenz, Durchsatz und thermische Einschränkungen
  • Trade-offs zwischen Genauigkeit und Leistung
  • Iterative Optimierungsstrategien

Best Practices für die Pflege von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Modell-Rollback und Kompatibilitätsmanagement
  • Überlegungen zu Sicherheit und Integrität

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Machine-Learning-Workflows
  • Erfahrung mit Python-basierter Modellentwicklung
  • Kenntnis von neuronalen Netzwerkarchitekturen

Zielgruppe

  • ML-Ingenieure
  • Wissenschaftler:innen für Datenanalyse (Data Scientists)
  • MLOps-Fachleute
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien