Kontakt aufnehmen
 Dauer 14 Stunden

Schulungsübersicht

Einführung in Edge-KI und Nano Banana

  • Wesentliche Merkmale von Edge-KI-Workloads
  • Architektur und Funktionalitäten von Nano Banana
  • Vergleich von Edge- und Cloud-Deployment-Strategien

Vorbereitung der Modelle für den Edge-Deployment

  • Modellauswahl und Baseline-Evaluation
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Exportieren der Modelle für weitere Optimierungen

Techniken zur Modellkomprimierung

  • Strategien zum Beschneiden (Pruning) und strukturelle Sparsity
  • Gewichtete Sharing und Parameterreduktion
  • Bewertung der Auswirkungen der Komprimierung

Quantisierung für Edge-Performance

  • METHODEN der Post-Training-Quantisierung
  • Workflows für die Quantisierungsbewusste Schulung (Quantization-Aware Training)
  • Ansätze mit INT8, FP16 und gemischter Präzision

Beschleunigung mit Nano Banana

  • Nutzung von Nano-Banana-Beschleunigern
  • Integration von ONNX und Hardware-Backends
  • Benchmarks für beschleunigte Inferenz

Deployment auf Edge-Geräte

  • Integration von Modellen in eingebettete oder mobile Anwendungen
  • Runtime-Konfiguration und Überwachung
  • Behebung von Deployment-Problemen

Leistungsprofilierung und Analyse von Abwägungen

  • Latenz, Durchsatz und thermische Einschränkungen
  • Abwägung zwischen Genauigkeit und Leistung
  • Iterative Optimierungsstrategien

Best Practices für die Pflege von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Rückwärtskompatibilität und Kompatibilitätsmanagement der Modelle
  • Erwägungen zu Sicherheit und Integrität

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Machine-Learning-Workflows
  • Erfahrung in der modellbasierten Entwicklung mit Python
  • Vertrautheit mit neuronalen Netzen

Zielgruppe

  • ML-Ingenieure
  • Wissenschaftler für Datenanalyse
  • MLOps-Praktiker

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien