Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Varighet 14 timer
Kursplan
Introduksjon til kant-AI og Nano Banana
- Kjennetegn ved kant-AI-arbeidslast
- Nano Banana arkitektur og evner
- Sammenligning av kant- vs. skyimplementeringstrategier
Forberedelse av modeller for kantimplementering
- Modellvalg og basisevaluering
- Hensyn til avhengigheter og kompatibilitet
- Eksport av modeller for videre optimalisering
Modellkomprimeringsteknikker
- Tynningsstrategier og strukturell sparsomhet
- Vektdeling og parameterreduksjon
- Evaluering av komprimeringseffekter
Kvantisering for kantytelse
- Metoder for posttrening kvantisering
- Kvantiseringsbevisste treingsarbeidsflyter
- INT8, FP16 og blandet presisjonstilnærminger
Akselerering med Nano Banana
- Bruk av Nano Banana akseleratorer
- Integrasjon av ONNX og maskinvarebakender
- Avstemming av akselerert inferanse
Implementering på kantenheter
- Integrasjon av modeller i innebygde eller mobile applikasjoner
- Kjøre konfigurasjon og overvåking
- Feilsøking av implementeringsproblemer
Ytelsesprofiling og sammenhengsanalyse
- Latens, gjennomstrømning og termiske begrensninger
- Sammenhenger mellom nøyaktighet og ytelse
- Iterative optimaliseringsstrategier
Beste praksis for vedlikehold av kant-AI-systemer
- Versjonering og kontinuerlige oppdateringer
- Modelltilbakestillinger og kompatibilitetsstyring
- Hensyn til sikkerhet og integritet
Oppsummering og neste steg
Krav
- Forståelse for maskinlæringsarbeidsflyter
- Erfaring med modellutvikling basert på Python
- Kjennskap til neurale nettverksarkitekturer
Målgruppe
- ML-ingeniører
- Datavitenskapsmenn
- MLOps-profesjonelle
Referanser (1)
Flyt, vib og tema i presentasjonen
Lukasz Kowalczyk - Allegro Sp. z o.o.
Kurs - Google Gemini AI for Data Analysis
Maskinoversatt
