Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge-KI und Nano Banana

  • Wesentliche Merkmale von Edge-KI-Workloads
  • Architektur und Funktionsfähigkeit von Nano Banana
  • Vergleich von Edge- und Cloud-Bereitstellungsstrategien

Vorbereitung von Modellen für den Edge-Einsatz

  • Modellauswahl und Basisevaluation
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Exportieren von Modellen für weitere Optimierung

Techniken zur Modellkompression

  • Pruning-Strategien und strukturelle Sparsity
  • Gewichteteilung und Reduktion von Parametern
  • Bewertung der Auswirkungen der Kompression

Quantisierung für Edge-Leistung

  • Methoden der Quantisierung nach dem Training
  • Quantisierungsbewusste Trainings-Workflows
  • INT8, FP16 und Mischgenauigkeitsansätze

Beschleunigung mit Nano Banana

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

Bereitstellung auf Edge-Geräten

  • Integration von Modellen in Embedded- oder mobile Anwendungen
  • Laufzeitkonfiguration und Überwachung
  • Behebung von Bereitstellungsproblemen

Leistungsprofiling und Abwägungsanalyse

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

Best Practices für die Wartung von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Modell-Rollback und Kompatibilitätsmanagement
  • Überlegungen 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 Netzarchitekturen

Zielgruppe

  • ML-Ingenieurinnen und -Ingenieure
  • Datenwissenschaftlerinnen und -wissenschaftler
  • MLOps-Fachkräfte
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien