Kurzusleírás

Bevezetés az On-Device AI-ba

  • Az eszközön történő gépi tanulás alapjai
  • A kis nyelvi modellek előnyei és kihívásai
  • A mobil- és IoT-eszközök hardveres korlátainak áttekintése

Modelloptimalizálás az eszközön történő telepítéshez

  • Modell kvantálás és metszés
  • Tudáslepárlás kisebb, hatékony modellekhez
  • Modellek kiválasztása és adaptálása a készüléken belüli teljesítményhez

Platform-specifikus AI-eszközök és keretrendszerek

  • A TensorFlow Lite és a PyTorch Mobile bemutatása
  • Platform-specifikus könyvtárak használata az eszközön lévő mesterséges intelligencia számára
  • Platformok közötti telepítési stratégiák

Valós idejű következtetés és Edge Computing

  • Technikák az eszközök gyors és hatékony következtetéséhez
  • Élénk számítástechnika kihasználása az eszközön lévő mesterséges intelligencia számára
  • Esettanulmányok valós idejű AI-alkalmazásokról

Teljesítmény Management és akkumulátor-élettartam szempontjai

  • AI-alkalmazások optimalizálása az energiahatékonyság érdekében
  • A teljesítmény és az energiafogyasztás kiegyensúlyozása
  • Stratégiák az akkumulátor élettartamának meghosszabbítására mesterségesintelligencia-meghajtású eszközökben

Biztonság és adatvédelem az On-Device AI-ban

  • Az adatbiztonság és a felhasználói adatvédelem biztosítása
  • Eszközön végzett adatfeldolgozás az adatvédelem érdekében
  • Biztonságos modellfrissítések és -karbantartás

Felhasználói élmény és interakciós tervezés

  • Intuitív AI interakciók tervezése az eszközök felhasználóinak
  • Nyelvi modellek integrálása felhasználói felülettel
  • Felhasználói tesztelés és visszajelzés az eszközön lévő mesterséges intelligencia számára

Scalaképesség és karbantartás

  • Modellek kezelése és frissítése a telepített eszközökön
  • Stratégiák a méretezhető eszközön lévő mesterséges intelligencia megoldásokhoz
  • A telepített AI-rendszerek megfigyelése és elemzése

Projekt és értékelés

  • Prototípus fejlesztése egy kiválasztott tartományban és előkészítés a telepítésre egy kiválasztott eszközön
  • Az on-device AI megoldás bemutatása
  • Hatékonyságon, innováción és gyakorlatiasságon alapuló értékelés

Összegzés és a következő lépések

Követelmények

  • Erős alap a gépi tanulásban és a mély tanulási koncepciókban
  • Jártasság a Python programozásban
  • Alapvető ismeretek a mesterséges intelligencia telepítésének hardveres korlátairól

Közönség

  • Gépi tanulási mérnökök és AI-fejlesztők
  • Az AI-alkalmazások iránt érdeklődő beágyazott rendszerek mérnökei
  • Az AI-projekteket felügyelő termékmenedzserek és műszaki vezetők
 21 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok