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 Eszközön Belüli MI-be
- Az eszközön belüli gépi tanulás alapjai
- A kis nyelvi modellek előnyei és kihívásai
- A mobil- és IoT eszközök hardveres korlátainak áttekintése
Modelloptimalizálás Eszközön Belüli Telepítéshez
- Modell kvantálás és nyesés
- Tudásdesztilláció kisebb, hatékony modellekhez
- Modellek kiválasztása és adaptálása az eszközön belüli teljesítmény érdekében
Platformspecifikus MI Eszközök és Keretrendszerek
- Bevezetés a TensorFlow Lite és PyTorch Mobile használatába
- Platformsajátos könyvtárak használata az eszközön belüli MI-hez
- Keresztplatformos telepítési stratégiák
Valós Idejű Inferencia és Edge Computing
- Technikák a gyors és hatékony inferenciához eszközökön
- Edge computing kihasználása az eszközön belüli MI-hez
- Valós idejű MI alkalmazások esettanulmányai
Energiagazdálkodás és Akkumulátor Élettartam Megfontolások
- MI alkalmazások optimalizálása energiahatékonyság érdekében
- Teljesítmény és energiafogyasztás egyensúlyozása
- Stratégiák az akkumulátor élettartamának növelésére MI-alapú eszközökben
Biztonság és Adatvédelem Eszközön Belüli MI-ben
- Adatbiztonság és felhasználói adatvédelem biztosítása
- Adatfeldolgozás az eszközön belül az adatvédelem érdekében
- Biztonságos modellfrissítések és karbantartás
Felhasználói Élmény és Interakció Tervezés
- Intuitív MI interakciók tervezése eszközfelhasználók számára
- Nyelvi modellek integrálása felhasználói felületekkel
- Felhasználói tesztelés és visszajelzés az eszközön belüli MI-hez
Skálázhatóság és Karbantartás
- Modellek kezelése és frissítése telepített eszközökön
- Stratégiák skálázható eszközön belüli MI megoldásokhoz
- Monitorozás és elemzés telepített MI rendszerekhez
Projekt és Értékelés
- Prototípus fejlesztése egy kiválasztott területen és előkészítés a telepítésre egy kiválasztott eszközön
- Az eszközön belüli MI megoldás bemutatása
- Értékelés hatékonyság, innováció és gyakorlatiasság alapján
Összefoglalás és Következő Lépések
Követelmények
- Erős alapok a gépi tanulás és mélytanulás fogalmaiban
- Python programozási nyelv magas szintű ismerete
- Alapvető ismeretek az MI telepítésének hardveres korlátairól
Közönség
- Gépi tanulás mérnökök és MI fejlesztők
- Beágyazott rendszerek mérnökei, akik az MI alkalmazások iránt érdeklődnek
- Termékvezetők és technikai vezetők, akik MI projekteket felügyelnek
21 Órák
