Schulungsübersicht

Einführung in Edge-AI und Nano Banana

  • Wesentliche Charakteristika von Edge-AI-Aufgaben
  • Architektur und Fähigkeiten von Nano Banana
  • Vergleich von Edge- und Cloud-Bereitstellungsstrategien

Vorbereitung von Modellen für die Edge-Bereitstellung

  • Modellauswahl und Basisevaluierung
  • Abhängigkeits- und Kompatibilitätsaspekte
  • Export von Modellen für weitere Optimierungen

Modelkompressionsverfahren

  • Pruning-Strategien und strukturelle Sparsity
  • Weight-Sharing und Parameterreduktion
  • Bewertung der Kompressionsauswirkungen

Quantisierung für Edge-Leistung

  • Post-Training-Quantisierungsverfahren
  • Quantization-aware Training-Workflows
  • 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-Geräte

  • Integration von Modellen in eingebettete oder mobile Anwendungen
  • Laufzeiteinstellungen und -überwachung
  • Behebung von Bereitstellungsproblemen

Leistungsprofiling und Abwägungsanalyse

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

Best Practices für die Wartung von Edge-AI-Systemen

  • Versionierung und kontinuierliche Aktualisierungen
  • Modell-Rollback und Kompatibilitätsmanagement
  • Sicherheits- und Integritätsaspekte

Zusammenfassung und Nächste Schritte

Voraussetzungen

  • Grundverständnis von Machine-Learning-Workflows
  • Erfahrung mit der Modellentwicklung in Python
  • Vertrautheit mit neuronalen Netzarchitekturen

Zielgruppe

  • ML-Ingenieure
  • Datenwissenschaftler
  • MLOps-Praktiker
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien