Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés az edge AI-ba és a Nano Bananába
- Az edge-AI-munkaterhelések fő jellemzői
- A Nano Banana architektúrája és képességei
- Edge- és felhőtelepítési stratégiák összehasonlítása
Modellek előkészítése edge-telepítéshez
- Modellválasztás és alapállapot-értékelés
- Függőségi és kompatibilitási szempontok
- Modellek exportálása további optimalizáláshoz
Modelltömörítési technikák
- Pruning-stratégiák és strukturális ritkaság
- Súlymegosztás és paramétercsökkentés
- A tömörítés hatásainak értékelése
Kvantálás az edge-teljesítményért
- Képzés utáni kvantálási módszerek
- Kvantálás-tudatos képzési munkafolyamatok
- INT8, FP16 és vegyes pontosságú megközelítések
Gyorsítás a Nano Bananával
- A Nano Banana-gyorsítók használata
- ONNX és hardveres háttérrendszerek integrálása
- A gyorsított inferencia teljesítményének mérése
Telepítés edge-eszközökre
- Modellek integrálása beágyazott vagy mobilalkalmazásokba
- Futásidejű konfiguráció és megfigyelés
- Telepítési problémák hibaelhárítása
Teljesítményprofilozás és kompromisszum-elemzés
- Késleltetési, átviteli és hőkorlátok
- Pontosság és teljesítmény közötti kompromisszumok
- Iteratív optimalizálási stratégiák
Az edge-AI-rendszerek karbantartásának legjobb gyakorlatai
- Verziókezelés és folyamatos frissítések
- Modell-visszaállítás és kompatibilitáskezelés
- Biztonsági és integritási szempontok
Összefoglalás és következő lépések
Követelmények
- A gépi tanulási munkafolyamatok ismerete
- Tapasztalat Python-alapú modellfejlesztésben
- Neurális hálózati architektúrák ismerete
Célközönség
- ML-mérnökök
- Adattudósok
- MLOps-szakemberek
14 Órák
Vélemények (1)
Folyam, hangulat és téma a bemutatón
Lukasz Kowalczyk - Allegro Sp. z o.o.
Kurzus - Google Gemini AI for Data Analysis
Gépi fordítás