Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in KI-Anwendungen direkt auf Geräten
- Grundlagen des maschinellen Lernens auf Endgeräten
- Vorteile sowie Herausforderungen kleiner Sprachmodelle
- Überblick über hardwarebezogene Einschränkungen bei mobilen und IoT-Geräten
Modelloptimierung für die Implementierung auf Endgeräten
- Quantisierung sowie Reduktion von Parametern im KI-Modell
- Wissenstransfer zur Erstellung kleinerer, effizienterer Modelle
- Auswahl und Anpassung von Modellen für optimale Leistung auf Endgeräten
Plattformspezifische KI-Werkzeuge und Frameworks
- Einführung in TensorFlow Lite sowie PyTorch Mobile
- Nutzung plattformspezifischer Bibliotheken zur KI-Implementierung auf Endgeräten
- Strategien für den Einsatz von Modellen über verschiedene Plattformen hinweg
Echtzeit-Schlussfolgerungen und Edge Computing
- Techniken für schnelle und effiziente Inferenzprozesse auf Geräten
- Nutzung von Edge Computing zur Verbesserung der KI-Funktionalität auf Endgeräten
- Fallstudien zu realen Anwendungen mit Echtzeit-KI-Funktionen
Energieeffizienz und Auswirkung auf die Akkulaufzeit
- Optimierung von KI-Anwendungen hinsichtlich geringen Energieverbrauchs
- Abwägung zwischen Leistungsfähigkeit und Strombedarf
- Strategien zur Verlängerung der Akkulaufzeit bei KI-gestützten Geräten
Sicherheit und Datenschutz bei KI auf Endgeräten
- Gewährleistung der Daten- sowie Nutzerdatenschutzstandards
- Verarbeitung von Daten direkt auf dem Gerät zur besseren Datensicherheit
- Sichere Aktualisierung und Wartung der implementierten Modelle
Nutzererfahrung sowie Gestaltung der Benutzeroberfläche
- Entwicklung intuitiver Interaktionsmuster für KI-Anwendungen auf Endgeräten
- Integration von Sprachmodellen in gängige Benutzeroberflächen
- Durchführung von Usertests sowie Auswertung der Nutzerfeedbackmeinungen zu KI-Anwendungen
Skalierbarkeit und langfristige Wartung
- Verwaltung sowie Aktualisierung von Modellen auf bereits eingesetzten Geräten
- Ansätze zur skalierbaren Einführung von KI-Lösungen auf Endgeräten
- Überwachung sowie Analyse bereits implementierter KI-Systeme
Projektumsetzung und Abschlussbewertung
- Entwicklung eines Prototypen in einem vorgegebenen Anwendungsbereich sowie Vorbereitung auf dessen Einsatz auf einem ausgewählten Gerät
- Präsentation der fertiggestellten KI-Lösung
- Bewertung anhand von Effizienz, Innovationsgrad sowie praktischem Nutzen
Zusammenfassung und weitere Schritte
Voraussetzungen
- Solides Verständnis der Grundlagen von maschinellem Lernen sowie tiefem Lernen
- Sicherer Umgang mit der Programmiersprache Python
- Grundkenntnisse hinsichtlich hardwarebezogener Einschränkungen bei der KI-Implementierung
Zielgruppe
- Ingenieure im Bereich maschinelles Lernen sowie KI-Entwickler
- Entwickler von eingebetteten Systemen mit Interesse an KI-Anwendungen
- Produktmanager und technische Leiter, die für KI-Projekte verantwortlich sind
21 Stunden