Kerangka Materi

Pendahuluan Ekosistem AI Huawei

  • Peralatan AI Ascend: 310, 910, dan 910B overview
  • Komponen tingkat tinggi: MindSpore, CANN, AscendCL
  • Posisining industri dan prinsip arsitektur

The Role of CANN in Huawei’s AI Stack

  • Apa itu CANN? Tujuan dan lapisan internal SDK
  • ATC, TBE, dan AscendCL: memkompilasi dan menjalankan model
  • Bagaimana CANN mendukung optimisasi inferensi dan penempatan

Overview dan Arsitektur MindSpore

  • Alur kerja pelatihan dan inferensi di MindSpore
  • Mode grafis, PyNative, dan abstrakasi perangkat keras
  • Integrasi dengan NPU Ascend melalui backend CANN

Kelanjutan Siklus Hidup AI pada Ascend: dari Pelatihan hingga Penempatan

  • Pembuatan model di MindSpore atau konversi dari kerangka kerja lainnya
  • Mengeksport dan mengkompilasi model menggunakan ATC
  • Penempatan pada perangkat keras Ascend menggunakan model OM dan AscendCL

Perbandingan dengan Stack AI Lainnya

  • MindSpore vs. PyTorch, TensorFlow: fokus dan posisining
  • Alur kerja penempatan pada Ascend vs. stack berbasis GPU
  • Peluang dan batasan untuk penggunaan perusahaan

Skenario Integrasi Perusahaan

  • Kasus penggunaan di manufaktur cerdas, AI pemerintah, dan telekomunikasi
  • Skalabilitas, kompliansi, dan pertimbangan ekosistem
  • Penempatan hibrid cloud/on-prem menggunakan stack Huawei

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Ketika sudah terbiasa dengan alur kerja AI atau arsitektur platform
  • Memahami dasar mengenai pelatihan dan penerapan model
  • Tidak perlu memiliki pengalaman praktis dengan CANN atau MindSpore

Penonton

  • Evaluator dan arsitek infrastruktur platform AI
  • Integretor pipeline dan DevOps AI/ML
  • Manajer teknologi dan pembuat keputusan
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait