Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in On-Device-KI
- Grundlagen der maschinellen Lernprozesse auf dem Gerät
- Vor- und Nachteile von kleinen Sprachmodellen
- Übersicht über die Hardware-Beschränkungen bei mobilen Geräten und IoT-Geräten
Optimierung von Modellen für die On-Device-Einbettung
- Quantisierung und Scheren der Modelle
- Wissensdistanzierung für kleinere, effizientere Modelle
- Auswahl und Anpassung von Modellen für eine optimale On-Device-Leistung
Plattform-spezifische AI-Werkzeuge und -Frameworks
- Einführung in TensorFlow Lite und PyTorch Mobile
- Nutzung plattformspezifischer Bibliotheken für On-Device-KI
- Strategien zur Plattformübergreifenden Bereitstellung
Echtzeit-Inferenz und Edge Computing
- Techniken für schnelle und effiziente Inferenz auf Geräten
- Nutzung des Edge Computing für On-Device-KI
- Fallstudien zu Anwendungen der Echtzeit-KI
Energieverwaltung und Betriebszeiten von Akkus
- Optimierung von AI-Anwendungen für energieeffiziente Nutzung
- Balance zwischen Leistung und Stromverbrauch
- Strategien zur Erweiterung der Akkulaufzeit in AI-betriebenen Geräten
Sicherheit und Datenschutz in On-Device-KI
- Gewährleistung von Datensicherheit und Datenschutz
- Datenverarbeitung auf dem Gerät zur Erhaltung der Privatsphäre
- Sichere Modelleaktualisierungen und Wartung
Benutzererfahrung und Interaktionsdesign
- Gestaltung intuitiver AI-Interaktionen für Gerätebenutzende Personen
- Integration von Sprachmodellen in die Benutzeroberflächen
- Benutzertests und Rückmeldungen zu On-Device-KI-Anwendungen
Skalierbarkeit und Wartung
- Verwaltung und Aktualisierung von Modellen auf eingesetzten Geräten
- Strategien für skalierbare On-Device-KI-Lösungen
- Überwachung und Analyse eingebetteter AI-Systeme
Projekt und Bewertung
- Entwicklung eines Prototyps in einem gewählten Bereich und Vorbereitung für die Bereitstellung auf einem ausgewählten Gerät
- Präsentation der On-Device-KI-Lösungen
- Bewertung basierend auf Effizienz, Innovation und Anwendbarkeit
Zusammenfassung und weitere Schritte
Voraussetzungen
- Festes Fundament in Machine-Learning- und Tiefen-Lernkonzepten
- Geschicklichkeit im Python-Programmieren
- Grundlegendes Wissen über Hardwarebeschränkungen für AI-Implementierung
Zielgruppe
- Machine-Learning-Ingenieure und AI-Entwickler
- Ingenieure für eingebettete Systeme mit Interesse an AI-Anwendungen
- Produktmanager und technische Leiter, die AI-Projekte überwachen
21 Stunden