Kerangka Materi

Pengenalan ke Edge AI dan Nano Banana

  • Karakteristik utama beban kerja edge-AI
  • Arsitektur dan kemampuan Nano Banana
  • Membandingkan strategi penyebaran edge vs cloud

Persiapan Model untuk Penyebaran Edge

  • Pemilihan model dan evaluasi baseline
  • Pertimbangan ketergantungan dan kompatibilitas
  • Mengekspor model untuk optimasi lebih lanjut

Teknik Kompresi Model

  • Strategi pruning dan sparsity struktural
  • Berbagi bobot dan pengurangan parameter
  • Menilai dampak kompresi

Kuantisasi untuk Performa Edge

  • Metode kuantisasi pasca-pelatihan
  • Alur kerja pelatihan yang sadar-kuantisasi
  • Pendekatan INT8, FP16, dan mixed-precision

Percepatan dengan Nano Banana

  • Menggunakan akselerator Nano Banana
  • Integrasi ONNX dan backends perangkat keras
  • Penilaian inferensi yang dipercepat

Penyebaran ke Perangkat Edge

  • Mengintegrasikan model ke dalam aplikasi tertanam atau mobile
  • Konfigurasi dan pemantauan runtime
  • Penyelesaian masalah penyebaran

Profil Performa dan Analisis Trade-off

  • Latensi, throughput, dan batasan termal
  • Trade-off antara akurasi dan performa
  • Strategi optimasi iteratif

Praktik Terbaik untuk Pemeliharaan Sistem Edge-AI

  • Versioning dan pembaruan berkelanjutan
  • Rollback model dan manajemen kompatibilitas
  • Pertimbangan keamanan dan integritas

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang alur kerja pembelajaran mesin
  • Pengalaman dengan pengembangan model berbasis Python
  • Kenalan dengan arsitektur jaringan saraf

Audience

  • Insinyur ML
  • Ilmuwan data
  • Praktisi MLOps
 14 Jam

Jumlah Peserta


Biaya per Peserta

Testimoni (1)

Kursus Mendatang

Kategori Terkait