Hubungi Kami

Kerangka Materi

Pengenalan Edge AI dan Nano Banana

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

Persiapan Model untuk Pengerjaan di Edge

  • Seleksi model dan evaluasi garis dasar (baseline)
  • Pertimbangan dependensi dan kompatibilitas
  • Ekspor model untuk optimalisasi lebih lanjut

Teknik Kompresi Model

  • Strategi pemangkasan (pruning) dan kelangkaan struktural (structural sparsity)
  • Pembagian bobot (weight sharing) dan pengurangan parameter
  • Evaluasi dampak kompresi

Kuantisasi untuk Kinerja Edge

  • Metode kuantisasi pasca-pelatihan (post-training quantization)
  • Alur kerja pelatihan sadar kuantisasi (quantization-aware training)
  • Pendekatan INT8, FP16, dan presisi campuran (mixed-precision)

Akselerasi dengan Nano Banana

  • Penggunaan akselerator Nano Banana
  • Integrasi ONNX dan backend hardware
  • Uji coba (benchmarking) inferensi yang diakselerasi

Pengerjaan ke Perangkat Edge

  • Integrasi model ke dalam aplikasi tertanam (embedded) atau mobile
  • Konfigurasi runtime dan pemantauan
  • Perbaikan masalah (troubleshooting) pada pengerjaan

Profiling Kinerja dan Analisis Kompromi

  • Kendala latensi, throughput, dan termal
  • Kompromi antara akurasi dan kinerja
  • Strategi optimalisasi iteratif

Praktik Terbaik untuk Pemeliharaan Sistem Edge-AI

  • Penomoran versi (versioning) dan pembaruan berkelanjutan
  • Rollback model dan manajemen kompatibilitas
  • Pertimbangan keamanan dan integritas

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pemahaman tentang alur kerja machine learning
  • Pengalaman dalam pengembangan model berbasis Python
  • Kepalaian dengan arsitektur jaringan saraf (neural network)

Audiens

  • Insinyur ML
  • Data scientist
  • Praktisi MLOps
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (1)

Kursus Mendatang

Kategori Terkait