Schulungsübersicht
Einführung in Edge AI
- Definition und Kernkonzepte
- Unterschiede zwischen Edge AI und Cloud AI
- Vorteile und Anwendungsfälle von Edge AI
- Überblick über Edge-Geräte und Plattformen
Einrichten der Edge-Umgebung
- Einführung in Edge-Geräte (z. B. Raspberry Pi, NVIDIA Jetson)
- Installation der erforderlichen Software und Bibliotheken
- Konfiguration der Entwicklungsumgebung
- Vorbereitung der Hardware für den KI-Einsatz
Entwicklung von KI-Modellen für die Edge
- Überblick über Machine-Learning- und Deep-Learning-Modelle für Edge-Geräte
- Methoden zum Training von Modellen in lokalen und Cloud-Umgebungen
- Optimierung von Modellen für die Edge (Quantisierung, Pruning usw.)
- Werkzeuge und Frameworks für die Edge-AI-Entwicklung (z. B. TensorFlow Lite, OpenVINO)
Deployment von KI-Modellen auf Edge-Geräten
- Schritte zum Deployment von KI-Modellen auf verschiedenen Edge-Hardware-Plattformen
- Echtzeitdatenverarbeitung und Inferenz auf Edge-Geräten
- Überwachung und Verwaltung eingesetzter Modelle
- Praktische Beispiele und Fallstudien
Praktische KI-Lösungen und Projekte
- Entwicklung von KI-Anwendungen für Edge-Geräte (z. B. Computer Vision,自然 Sprache Verarbeitung)
- Praxisprojekt: Aufbau eines intelligenten Kamera-Systems
- Praxisprojekt: Implementierung der Spracherkennung auf Edge-Geräten
- Kooperative Gruppenprojekte und reale Anwendungsszenarien
Leistungsbewertung und -optimierung
- Techniken zur Bewertung der Modellleistung auf Edge-Geräten
- Werkzeuge zum Monitoring und Debuggen von Edge-AI-Anwendungen
- Strategien zur Optimierung der KI-Modellleistung
- Umgang mit Herausforderungen bezüglich Latenz und Energieverbrauch
Integration in IoT-Systeme
- Verbindung von Edge-AI-Lösungen mit IoT-Geräten und Sensoren
- Kommunikationsprotokolle und Methoden des Datenaustauschs
- Aufbau einer durchgängigen Edge-AI- und IoT-Lösung
- Praktische Integrationsbeispiele
Ethische und sicherheitsrelevante Aspekte
- Garantierung von Datenschutz und Sicherheit in Edge-AI-Anwendungen
- Erkundigung von Bias und Fairness in KI-Modellen
- Einhaltung von Vorschriften und Standards
- Best Practices für ein verantwortungsvolles KI-Deployment
Praxisnahe Projekte und Übungen
- Entwicklung einer umfassenden Edge-AI-Anwendung
- Praktische Projekte aus der realen Welt
- Kooperative Gruppenübungen
- Projektdarstellungen und Feedback
Voraussetzungen
- Grundlegendes Verständnis von KI- und Machine-Learning-Konzepten
- Erfahrung in Programmiersprachen (Python empfohlen)
- Vertrautheit mit Konzepten im Bereich Edge Computing
Zielgruppe
- Entwickler
- Data Scientists
- Technikinteressierte
Erfahrungsberichte (3)
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
Dass es reale Firmendaten verwendete. Der Trainer hatte einen sehr guten Ansatz, indem er die Teilnehmer aktiv einbezog und sie miteinander wetteifern ließ.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Maschinelle Übersetzung