Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge-KI und Nano Banana

  • Wesentliche Merkmale von Edge-AI-Workloads
  • Architektur und Fähigkeiten von Nano Banana
  • Vergleich von Edge- und Cloud-Bereitstellungsstrategien

Vorbereitung von Modellen für die Edge-Bereitstellung

  • Modellauswahl und Basisbewertung
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Exportieren von Modellen für weitere Optimierungen

Techniken zur Modellkomprimierung

  • Pruning-Strategien und strukturelle Sparsity
  • Gewichtsteilung und Reduzierung der Parameter
  • Bewertung der Auswirkungen der Komprimierung

Quantisierung für Edge-Performance

  • Post-Training-Quantisierungsmethoden
  • Quantization-aware Training-Arbeitsabläufe
  • INT8-, FP16- und Mixed-Precision-Ansätze

Beschleunigung mit Nano Banana

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

Bereitstellung auf Edge-Geräten

  • Integration von Modellen in eingebettete oder mobile Anwendungen
  • Runtime-Konfiguration und Überwachung
  • Fehlerbehebung bei Bereitstellungsproblemen

Leistungsprofilierung und Abwägungsanalyse

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

Best Practices für den Erhalt von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Rollback von Modellen und Kompatibilitätsmanagement
  • Sicherheits- und Integritätsaspekte

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlagenverständnis von Machine-Learning-Arbeitsabläufen
  • Erfahrung mit pythonbasierten Modellentwicklungsprozessen
  • Vertrautheit mit neuronalen Netzarchitekturen

Zielgruppe

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien