Schulungsübersicht

Einführung in die Edge AI-Optimierung

  • Überblick über Edge AI und seine Herausforderungen
  • Bedeutung der Modelloptimierung für Edge-Geräte
  • Fallstudien zu optimierten KI-Modellen in Edge-Anwendungen

Techniken zur Modellkomprimierung

  • Einführung in die Modellkompression
  • Techniken zur Reduzierung der Modellgröße
  • Praktische Übungen zur Modellkompression

Quantisierungsmethoden

  • Überblick über die Quantisierung und ihre Vorteile
  • Arten der Quantisierung (Post-Training, quantisierungsorientiertes Training)
  • Praktische Übungen zur Modellquantisierung

Pruning und andere Optimierungstechniken

  • Einführung in Pruning
  • Methoden zum Pruning von AI-Modellen
  • Andere Optimierungstechniken (z. B. Wissensdestillation)
  • Praktische Übungen zum Pruning und zur Optimierung von Modellen

Einsatz von optimierten Modellen auf Edge-Geräten

  • Vorbereiten der Edge-Device-Umgebung
  • Einsetzen und Testen optimierter Modelle
  • Behebung von Problemen bei der Bereitstellung
  • Praktische Übungen für die Modellbereitstellung

Tools und Frameworks für die Optimierung

  • Überblick über Tools und Frameworks (z. B. TensorFlow Lite, ONNX)
  • Verwendung von TensorFlow Lite für die Modelloptimierung
  • Praktische Übungen mit Optimierungswerkzeugen

Praktische Anwendungen und Fallstudien

  • Rückblick auf erfolgreiche Edge AI-Optimierungsprojekte
  • Diskussion von branchenspezifischen Anwendungsfällen
  • Praktisches Projekt zum Erstellen und Optimieren einer realen Anwendung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von KI und Konzepten des maschinellen Lernens
  • Erfahrung mit der Entwicklung von KI-Modellen
  • Grundlegende Programmierkenntnisse (Python empfohlen)

Zielgruppe

  • KI-Entwickler
  • Ingenieure für maschinelles Lernen
  • Systemarchitekten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer