お問い合わせ

コース概要

エッジAIとKubernetesへの導入

  • エッジにおけるAIの役割の理解
  • 分散環境におけるKubernetesのオーケストレーターとしての役割
  • 業界全体の典型ユースケース

エッジ環境向けのKubernetesディストリビューション

  • K3s、MicroK8s、KubeEdgeの比較
  • インストールと設定のワークフロー
  • ノード要件とデプロイメントパターン

エッジAIデプロイメントのアーキテクチャ

  • 集中型、分散型、ハイブリッドのエッジモデル
  • 制約のあるノード間でのリソース割り当て
  • マルチノードおよびリモートクラスタートポロジー

エッジにおける機械学習モデルのデプロイ

  • コンテナを用いた推論ワークロードのパッケージング
  • 利用可能な場合のGPUおよびアクセラレータハードウェアの利用
  • 分散デバイスにおけるモデル更新の管理

通信とコネクティビティ戦略

  • 断続的かつ不安定なネットワーク状態への対応
  • エッジからクラウドへのデータの同期技術
  • メッセージキューおよびプロトコルの検討

エッジにおける可観測性とモニタリング

  • 軽量なモニタリングアプローチ
  • リモートノードからのテレメトリ収集
  • 分散推論ワークフローのデバッグ

エッジAIデプロイメントのセキュリティ

  • 制約のあるデバイス上のデータおよびモデルの保護
  • セキュアブートおよびトラステッドエグゼキューション戦略
  • ノード間での認証と認可

エッジワークロードのパフォーマンス最適化

  • デプロイ戦略によるレイテンシの削減
  • ストレージとキャッシングの検討
  • 推論効率のための計算リソースのチューニング

まとめと次のステップ

要求

  • コンテナ化されたアプリケーションの理解
  • Kubernetes管理の経験
  • エッジコンピューティングの概念への熟悉

対象読者

  • 分散デバイスでデプロイするIoTエンジニア
  • インテリジェントアプリケーションを構築するクラウドネイティブ開発者
  • コネクテッド環境を設計するエッジアーキテクト
 21 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (4)

今後のコース

関連カテゴリー