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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien