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
Pengantar Komputasi Edge AI dan Optimisasi Model
- Memahami konsep komputasi edge serta beban kerja AI yang terkait
- Mengenali kompromi antara kinerja dan keterbatasan sumber daya perangkat
- Gambaran umum strategi optimisasi model
Pemilihan Model dan Pelatihan Awal
- Memilih model yang ringan seperti MobileNet, TinyML, atau SqueezeNet
- Memahami arsitektur model yang cocok digunakan pada perangkat edge
- Menggunakan model terlatih sebagai dasar pengembangan
Penyesuaian Model dan Pembelajaran Transfer
- Prinsip-prinsip pembelajaran transfer
- Menyesuaikan model agar cocok dengan kumpulan data khusus
- Proses praktis penyesuaian model secara bertahap
Teknik Kuantisasi Model
- Metode kuantisasi pasca-pelatihan
- Pelatihan model dengan pertimbangan kuantisasi
- Evaluasi hasil serta dampaknya terhadap kinerja model
Pruning dan Kompresi Model
- Berbagai strategi pruning (struktural maupun non-struktural)
- Teknik kompresi serta penghematan bobot model
- Pengujian kinerja model setelah dikompresi
Kerangka Kerja dan Alat Bantu Implementasi
- TensorFlow Lite, PyTorch Mobile, serta ONNX
- Kesesuaian model dengan perangkat hardware edge serta lingkungan eksekusinya
- Alat bantu untuk implementasi lintas platform
Implementasi Praktis Model
- Mengimplementasikan model pada Raspberry Pi, Jetson Nano, serta perangkat mobile
- Analisis profil kinerja dan pengujian efisiensi model
- Penanganan masalah teknis saat implementasi model
Kesimpulan dan Langkah Selanjutnya
Persyaratan
- Pemahaman dasar mengenai konsep machine learning
- Pengalaman menggunakan Python serta framework deep learning
- Pengetahuan tentang sistem tertanam maupun batasan teknis perangkat edge
Target Peserta
- Para pengembang AI yang bekerja dengan sistem tertanam
- Spesialis komputasi edge
- Insinyur machine learning yang berfokus pada implementasi di perangkat edge
14 Jam