Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge-AI und Nano Banana

  • Wesentliche Merkmale von Edge-AI-Workloads
  • Architektur und Funktionen von Nano Banana
  • Vergleich von Bereitstellungsstrategien im Edge-Bereich versus Cloud

Vorbereiten von Modellen für die Edge-Bereitstellung

  • Modellauswahl und Baseline-Evaluierung
  • Überlegungen zu Abhängigkeiten und Kompatibilität
  • Exportieren von Modellen für die weitere Optimierung

Techniken zur Modellkompression

  • Pruning-Strategien und strukturelle Sparsity
  • Gewichtete Teilung und Reduzierung der Parameter
  • Bewertung der Auswirkungen von Kompression

Quantisierung für die Edge-Performance

  • Methoden der post-training Quatization
  • Workflows für quantisierungsorientiertes Training
  • INT8-, FP16- und Mixed-Precision-Ansätze

Beschleunigung mit Nano Banana

  • Verwendung von Nano Banana-Acceleratoren
  • Integration von ONNX und Hardware-Backends
  • Benchmarking der beschleunigten Inferenz

Bereitstellung auf Edge-Geräten

  • Einbindung von Modellen in eingebettete oder mobile Anwendungen
  • Runtime-Konfiguration und Monitoring
  • Fehlerbehebung bei Bereitstellungsproblemen

Performance-Profilierung und Trade-off-Analyse

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

Best Practices für die Pflege von Edge-AI-Systemen

  • Versionierung und kontinuierliche Updates
  • Modell-Rollback und Kompatibilitätsmanagement
  • Aspekte der Sicherheit und Integrität

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundkenntnisse über Machine-Learning-Workflows
  • Erfahrung mit der Modellentwicklung auf Python-Basis
  • Vertrautheit mit neuronalen Netzwerkarchitekturen

Zielgruppe

  • ML-Ingenieure
  • Data Scientists
  • MLOps-Praktiker
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien