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.
Kerangka Materi
Pendahuluan Federated Learning
- Tinjauan tentang pelatihan AI tradisional vs. federated learning
- Prinsip-prinsip kunci dan keuntungan dari federated learning
- Kasus penggunaan federated learning dalam aplikasi Edge AI
Arsitektur dan Alur Federated Learning
- Memahami model federated learning client-server dan peer-to-peer
- Pembagian data dan pelatihan model terdesentralisasi
- Protokol komunikasi dan strategi agregasi
Menerapkan Federated Learning dengan TensorFlow Federated
- Menyiapkan TensorFlow Federated untuk pelatihan AI terdistribusi
- Membangun model federated learning menggunakan Python
- Mensimulasikan federated learning pada perangkat tepi
Federated Learning dengan PyTorch dan OpenFL
- Pendahuluan OpenFL untuk federated learning
- Menerapkan model federated berbasis PyTorch
- Menyesuaikan teknik agregasi federated
Memaksimalkan Kinerja untuk Edge AI
- Percepatan perangkat keras untuk federated learning
- Meningkatkan beban komunikasi dan keterlambatan
- Strategi belajar adaptif untuk perangkat terbatas sumber daya
Keamanan dan Privasi Data di Federated Learning
- Teknik pelindungan privasi (Secure Aggregation, Differential Privacy, Homomorphic Encryption)
- Mengurangi risiko kebocoran data dalam model AI federated
- Kepatuhan regulasi dan pertimbangan etika
Menyiapkan Sistem Federated Learning
- Menyiapkan federated learning pada perangkat tepi nyata
- Memantau dan memperbarui model federated
- Menjajarkan penyebaran federated learning di lingkungan perusahaan
Tren Masa Depan dan Studi Kasus
- Penelitian terbaru tentang federated learning dan Edge AI
- Studi kasus dunia nyata di bidang kesehatan, keuangan, dan IoT
- Langkah-langkah selanjutnya untuk memajukan solusi federated learning
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Memiliki pemahaman yang kuat tentang konsep machine learning dan deep learning
- Memiliki pengalaman dengan pemrograman Python dan framework AI (PyTorch, TensorFlow, atau yang serupa)
- Memiliki pengetahuan dasar tentang perhitungan terdistribusi dan jaringan
- Memiliki kemampuan untuk memahami konsep privasi dan keamanan data dalam AI
Target Peserta
- Peneliti AI
- Ilmuwan data
- Ahli keamanan
21 Jam
