Kontakt aufnehmen

Schulungsübersicht

Einführung in Edge-KI und Nano Banana

  • Wesentliche Merkmale von Edge-KI-Workloads
  • Nano-Banana-Architektur und Funktionsumfang
  • Vergleich von Edge- und Cloud-Deployment-Strategien

Vorbereitung von Modellen für das Edge-Deployment

  • Modellauswahl und Baseline-Bewertung
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Export von Modellen für weitere Optimierungen

Techniken zur Modellkompression

  • Dünnschneidestrategien und strukturelle Dünnheit (Pruning)
  • Gewichtsgemeinsamkeit und Reduzierung der Parameter
  • Bewertung der Auswirkungen der Kompression

Quantisierung für Edge-Performance

  • Post-Training-Quantisierungsverfahren
  • Arbeitsabläufe für quantisierungsbewusstes Training
  • INT8-, FP16- und Mischgenauigkeitsansätze

Beschleunigung mit Nano Banana

  • Nutzung von Nano-Banana-Acceleratoren
  • Integration von ONNX und Hardware-Backends
  • Benchmarks der beschleunigten Inferenz

Bereitstellung auf Edge-Geräten

  • Integration von Modellen in eingebettete oder mobile Anwendungen
  • Laufzeitkonfiguration und Überwachung
  • Fehlerbehebung bei Deployment-Problemen

Leistungsprofilierung und Analyse von Kompromissen

  • Latenz, Durchsatz und thermische Einschränkungen
  • Kompromisse zwischen Genauigkeit und Leistung
  • Iterative Optimierungsstrategien

Best Practices für die Pflege von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Modell-Rollback und Kompatibilitätsmanagement
  • Erwägungen zur Sicherheit und Integrität

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Machine-Learning-Workflows
  • Erfahrung in der modellbasierten Entwicklung mit Python
  • Vertrautheit mit neuronalen Netzwerkarchitekturen

Zielgruppe

  • ML-Engineers
  • Data Scientists
  • MLOps-Praktiker
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien