Kontakt aufnehmen

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
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien