Kurzusleírás
Az Edge AI bemutatása
- Definíció és kulcsfogalmak
- Az Edge AI és a felhő AI közötti különbségek
- Az Edge AI előnyei és használati esetei
- Az éleszközök és platformok áttekintése
Az Edge környezet beállítása
- Bevezetés az éleszközökbe (Raspberry Pi, NVIDIA Jetson stb.)
- A szükséges szoftverek és könyvtárak telepítése
- A fejlesztői környezet konfigurálása
- A hardver előkészítése az AI telepítéséhez
AI modellek fejlesztése az Edge számára
- Az éleszközök gépi tanulási és mély tanulási modelljeinek áttekintése
- Modellek betanítási technikái helyi és felhőkörnyezetekben
- Modelloptimalizálás az élek telepítéséhez (kvantálás, metszés stb.)
- Eszközök és keretrendszerek az Edge AI fejlesztéséhez (TensorFlow Lite, OpenVINO stb.)
AI-modellek telepítése Edge-eszközökön
- Lépések az AI-modellek telepítéséhez különféle hardvereken
- Valós idejű adatfeldolgozás és következtetés az éleszközökön
- A telepített modellek figyelése és kezelése
- Gyakorlati példák és esettanulmányok
Gyakorlati AI-megoldások és projektek
- AI-alkalmazások fejlesztése éleszközökhöz (pl. számítógépes látás, természetes nyelvi feldolgozás)
- Gyakorlati projekt: Intelligens kamerarendszer kiépítése
- Gyakorlati projekt: Hangfelismerés megvalósítása szélső eszközökön
- Együttműködő csoportos projektek és valós forgatókönyvek
Teljesítményértékelés és -optimalizálás
- A modell teljesítményének kiértékelési technikái éleszközökön
- Eszközök az élvonalbeli AI-alkalmazások figyeléséhez és hibakereséséhez
- Stratégiák az AI-modell teljesítményének optimalizálására
- A várakozási idővel és az energiafogyasztással kapcsolatos kihívások kezelése
Integráció az IoT rendszerekkel
- Élvonalbeli AI-megoldások összekapcsolása IoT-eszközökkel és érzékelőkkel
- Communication protokollok és adatcsere-módszerek
- Végpontok közötti Edge AI és IoT megoldás készítése
- Gyakorlati integrációs példák
Etikai és biztonsági szempontok
- Adatvédelem és biztonság biztosítása az Edge AI alkalmazásokban
- Az elfogultság és az igazságosság kezelése a mesterséges intelligencia modellekben
- Az előírásoknak és szabványoknak való megfelelés
- A felelős mesterséges intelligencia bevezetésének legjobb gyakorlatai
Gyakorlati projektek és gyakorlatok
- Átfogó Edge AI alkalmazás fejlesztése
- Valós projektek és forgatókönyvek
- Együttműködő csoportos gyakorlatok
- Projektbemutatók és visszajelzések
Összegzés és a következő lépések
Követelmények
- Az AI és a gépi tanulási koncepciók megértése
- Programozási nyelvekkel kapcsolatos tapasztalat (Python ajánlott)
- Az élszámítási fogalmak ismerete
Közönség
- Fejlesztők
- Adattudósok
- Technika szerelmesei
Vélemények (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.