Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Durasi 14 jam
Kerangka Materi
Pengenalan Edge AI dan Nano Banana
- Karakteristik utama beban kerja edge-AI
- Arsitektur dan kemampuan Nano Banana
- Membandingkan strategi penebaran edge vs cloud
Mempersiapkan Model untuk Penebaran di Edge
- Pemilihan model dan evaluasi garis dasar
- Pertimbangan dependensi dan kompatibilitas
- Eksport model untuk optimasi lebih lanjut
Teknik Kompresi Model
- Strategi pruning dan sparsitas struktural
- Weight sharing dan pengurangan parameter
- Evaluasi dampak kompresi
Kuantisasi untuk Kinerja Edge
- Metode kuantisasi pasca-pelatihan
- Alur kerja kuantisasi-aware training
- Pendekatan INT8, FP16, dan presisi campuran
Akselerasi dengan Nano Banana
- Mempergunakan akselerator Nano Banana
- Integrasi ONNX dan backend perangkat keras
- Benchmarking inferensi yang diakselerasi
Penebaran ke Perangkat Edge
- Integrasi model ke dalam aplikasi tertanam atau seluler
- Konfigurasi dan pemantauan runtime
- Memperbaiki masalah penebaran
Profilkinerja dan Analisis Trade-off
- Kendala latensi, throughput, dan termal
- Trade-off antara akurasi dan kinerja
- Strategi optimasi iteratif
Praktik Terbaik untuk Mempertahankan Sistem Edge-AI
- Versi dan pembaruan berkelanjutan
- Rollback model dan manajemen kompatibilitas
- Pertimbangan keamanan dan integritas
Rangkuman dan Langkah Berikutnya
Persyaratan
- Memahami alur kerja machine learning
- Berpengalaman dalam pengembangan model berbasis Python
- Mengenal arsitektur jaringan saraf tiruan
Audience
- Insinyur ML
- Data scientist
- Praktisi MLOps
Testimoni (1)
Alur, suasana, dan topik pada presentasi
Lukasz Kowalczyk - Allegro Sp. z o.o.
Kursus - Google Gemini AI for Data Analysis
Diterjemahkan Mesin
