Kontakt aufnehmen
 Dauer 14 Stunden

Schulungsübersicht

Einführung in Edge-KI und Nano Banana

  • Wesentliche Merkmale von Edge-KI-Workloads
  • Architektur und Funktionen von Nano Banana
  • Vergleich der Bereitstellungsstrategien Edge vs. Cloud

Vorbereitung von Modellen für Edge-Deployments

  • Modellauswahl und Baseline-Evaluation
  • Berücksichtigung von Abhängigkeiten und Kompatibilität
  • Export von Modellen für weitere Optimierung

Techniken zur Modellkompression

  • Pruning-Strategien und strukturelle Sparsity
  • Gewichteteilung und Parameterreduzierung
  • Bewertung der Auswirkungen der Kompression

Quantisierung für Edge-Performance

  • Post-Training-Quantisierungsmethoden
  • Quantisierungs-aware-Trainings-Workflows
  • Ansätze für INT8, FP16 und Mixed Precision

Beschleunigung mit Nano Banana

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

Deployment auf Edge-Geräte

  • Integration von Modellen in Embedded- oder Mobile-Anwendungen
  • Konfiguration und Überwachung zur Laufzeit
  • Behebung von Deployment-Problemen

Performance-Profiling und Analyse von Trade-offs

  • Latenz, Durchsatz und thermische Einschränkungen
  • Trade-offs zwischen Genauigkeit und Performance
  • Iterative Optimierungsstrategien

Best Practices für die Wartung von Edge-KI-Systemen

  • Versionierung und kontinuierliche Updates
  • Modell-Rollback und Kompatibilitätsmanagement
  • Überlegungen zu Sicherheit und Integrität

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Machine-Learning-Workflows
  • Erfahrung mit der Modellentwicklung auf Basis von Python
  • Kenntnis neuronaler Netzarchitekturen

Zielgruppe

  • ML-Engineers
  • Data Scientists
  • MLOps-Practitioner

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien