Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Kursplan
Innføring i TinyML og innsatt KI
- Kjennetegn ved utplassering av TinyML-modeller
- Begrensninger i miljøer med mikrokontrollere
- Oversikt over verktøykasser for innsatt KI
Grunnleggende kjennskap til modell-optimalisering
- Forståelse av beregningsmessige flaskehals
- Identifisering av minnekrevende operasjoner
- Profiling av basisytelse
Kvantiseringsteknikker
- Strategier for kvantisering etter trening (post-training)
- Trening med hensyn til kvantisering (quantization-aware training)
- Utvikling av kompromisser mellom nøyaktighet og ressurser
Beskjæring (pruning) og kompresjon
- Metoder for strukturert og ustrukturert beskjæring
- Vektdeling og modellsparhet
- Kompresjonsalgoritmer for lettvektsinferens
Maskinvarebevisst optimalisering
- Utplassering av modeller på ARM Cortex-M-systemer
- Optimalisering for DSP- og akseleratorutvidelser
- Hensyn til minnekartlegging og dataflyt
Benchmarking og validering
- Analys av forsinkelse og gjennemstrømning (throughput)
- Måling av strøm- og energiforbruk
- Testing av nøyaktighet og robusthet
Utplasseringsarbeidsflyter og verktøy
- Bruk av TensorFlow Lite Micro for innsatt utplassering
- Integrasjon av TinyML-modeller med Edge Impulse-pipelines
- Testing og feilsøking på faktisk maskinvare
Avanserte optimaliseringsstrategier
- Søk etter neuronale arkitekturer for TinyML (Neural Architecture Search)
- Hybride tilnærminger som kombinerer kvantisering og beskjæring
- Modelldestillasjon for innsatt inferens
Oppsummering og neste trinn
Krav
- Kunnskaper om maskinlæringsarbeidsflyter
- Erfaring med innsatte systemer eller utvikling basert på mikrokontrollere
- Kunnskaper i Python-programmering
Målgruppe
- AI-forskere
- Ingeniører innen innsatt maskinlæring (Embedded ML)
- Fagpersoner som jobber med inferenssystemer med begrenset ressursbruk
21 Timer