Edge AI Kurs i Oslo

Denne instruktørledede, live opplæringen på Oslo (online eller på stedet) er rettet mot avanserte AI-forskere, datavitere og sikkerhetseksperter som ønsker å implementere federated learning-teknikker for å trene AI-modeller over flere edge-enheter mens de bevarer dataprivatitet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå prinsippene og fordeler med federated learning i Edge AI.
• Implementere federated learning-modeller ved hjelp av TensorFlow Federated og PyTorch.
• Optimere AI-training over fordelte edge-enheter.
• Behandle data-privatet- og sikkerhetsutfordringer i federated learning.
• Deployere og overvåke federated learning-systemer i virkelige applikasjoner.

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot agritekprofesjoneller, IoT-spesialister og AI-ingeniører på begynnernivå til mellomnivå som ønsker å utvikle og implementere Edge AI-løsninger for smart jordbruk.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå rollen til Edge AI i presisjon jordbruk.
• Implementere AI-drevne avlingsovervåknings- og dyreovervåkningsystemer.
• Utvikle automatiserte vanning- og miljøsensingsløsninger.
• Optimalisere jordbrukseffektivitet ved bruk av Edge AI-analytikk i sanntid.

Denne instruktørlede, direkte opplæringskurs i Oslo (online eller på stedet) er rettet mot avanserte cybersecurity-profesjonelle, AI-ingeniører og IoT-utviklere som ønsker å implementere robuste sikkerhetsforanstaltninger og resiliensstrategier for Edge AI-systemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå sikkerhetsrisikoer og sårbarheter i Edge AI-implementeringer.
• Implementere kryptering og autentiseringsteknikker for datasikkerhet.
• Utforme robuste Edge AI-arkitekturer som kan tåle cybertrusler.
• Bruke sikre AI-modell implementeringsstrategier i edge-miljøer.

Denne instruktørledede, live opplæringen på Oslo (online eller på sted) er rettet mot begynnernivå til mellomnivå i retail teknologer, AI-utviklere og forretningsanalytikere som ønsker å bruke Edge AI-løsninger for smarte betalingssystemer, lagerstyring og personlig kundekontakt.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå hvordan Edge AI forbedrer retailoperasjoner og kundeopplevelse.
• Implementere AI-drevet smarte betalingssystemer uten kasserer.
• Optimalisere lagerstyring med sanstidsoppfølging og analyse.
• Bruke datamaskinvisjon og AI for personlige butikkopplevelser.

Denne instruktørledede, live-treningen på Oslo (online eller på stedet) er rettet mot telekom-profesjonelle, AI-ingeniører og IoT-spesialister på mellomnivå som ønsker å utforske hvordan 5G-nettverk akselererer Edge AI-applikasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for 5G-teknologi og dens innvirkning på Edge AI.
• Deploy AI-modeller optimalisert for lav-latens-applikasjoner i 5G-miljøer.
• Implementere sanntidsbeslutningssystemer ved bruk av Edge AI og 5G-kobling.
• Optimalisere AI-belastninger for effektiv ytelse på kant-enheter.

Dette instruktørledte, live-treningen i Oslo (online eller på sted) er rettet mot mellomnivå embedded AI-utviklere og kant-beregningsspesialister som ønsker å finjustere og optimere lettvektige AI-modeller for distribusjon på ressursbegrensete enheter.

Til slutt av denne treningen vil deltakerne kunne:

• Velge og tilpasse forhånds trenede modeller som er egnet for kant-distribusjon.
• Bruke kvantisering, stumfing og andre kompresjonsmetoder for å redusere modellstørrelse og latenstid.
• Finjustere modeller ved hjelp av overføringssjaping for oppgave-spesifikk ytelse.
• Distribuere optimerte modeller på reelle kant-hardwareplattformer.

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot mellomnivå- til avanserte nivå-ingeniører innen datamaskinviten, AI-utviklere og IoT-profesjonelle som ønsker å implementere og optimalisere datamaskinviten-modeller for sanstidsprosessering på edge-enheter.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for Edge AI og dets anvendelser i datamaskinviten.
• Innstille optimaliserte dyplearning-modeller på edge-enheter for sanstidsbilde- og videoanalyse.
• Bruke rammeverk som TensorFlow Lite, OpenVINO og NVIDIA Jetson SDK for modellinnstilling.
• Optimalisere AI-modeller for ytelse, strømspareffektivitet og lav-latens-inferens.

Denne instruktørledede, levende opplæringen på Oslo (online eller på stedet) er rettet mot mellomnivå-embederte ingeniører, IoT-utviklere og AI-forskere som ønsker å implementere TinyML-teknikker for AI-drevne applikasjoner på energieffektivt utstyr.

Ved avslutning av denne opplæringen vil deltakerne være i stand til:

• Forstå grunnleggende prinsipper om TinyML og edge AI.
• Deployere lettvekts AI-modeller på mikrokontrollere.
• Optimalisere AI-inferens for lav strømforbruk.
• Integrere TinyML med virkelige IoT-applikasjoner.

Denne instruktørledede, live trening i Oslo (online eller på stedet) er rettet mot robotikk-ingeniører, AI-utviklere og automatiseringsfagfolk på mellomnivå til avansert nivå som ønsker å implementere Edge AI for robotikkapplikasjoner.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forstå rollen til Edge AI i autonome systemer.
• Distribuer AI-modeller på edge-enheter for robotikk i sanntid.
• Optimalisere AI-ytelsen for lav-latens beslutningsprosesser.
• Integrere datamaskinvise og sensorfusjon for robotisk autonomi.

Edge & Lightweight Agents er et praktisk kurs fokusert på å deploye agensmessige AI-arbeidslast på ressursbegrensete enheter. Deltakerne lærer å bygge, optimalisere og administrere lyse agents som kan utføre lokal resonering og inferens, noe som forbedrer hastighet, personvern og pålitelighet i distribuerte miljøer. Kurset legger vekt på yteevnestilpassing, lav-latens-design og integrasjon av hard- og programvare.

Dette er et instruktørledet, live-trening (online eller på sted) som er rettet mot mellomnivå profesjonelle som ønsker å implementere og optimalisere on-device agensmessige systemer ved hjelp av Python og edge AI-rammeverk.

Ved slutten av dette treningen, vil deltakerne kunne:

• Forstå arkitektur og utfordringene med å kjøre agensmessig AI på edge-enheter.
• Designe lyse agent-løkker som er egnet for begrensete miljøer.
• Implementere lokal inferens ved hjelp av TensorFlow Lite, PyTorch Mobile og ONNX.
• Integrasjon av agenter med sensorer, aktuatorer og IoT-plattformer.
• Optimalisere yteevne, energibruk og latens for realtid-operasjon.

Kursformat

• Interaktiv forelesning og praktiske demonstrasjoner.
• Praktisk utvikling i lokale eller emulerte miljøer.
• Prosjektbasert læring og veiledet implementasjonsøvelser.

Kursanpassingsmuligheter

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å ordne det.

Denne instruktørledede, levende opplæringen på Oslo (online eller på stedet) er rettet mot avanserte AI-ingeniører, embedded-utviklere og hårdvarespesialister som ønsker å implementere AI-modeller på lavstrømsenheter samtidig som de minimerer energiforbruket.

Ved avslutning av denne opplæringen vil deltakerne kunne:

• Forstå utfordringene ved å kjøre AI på energieffektive enheter.
• Optimalisere neuronnettverk for lavstrømsinferens.
• Bruke kvantisering, beskjæring og modellkomprimeringsteknikker.
• Distribuere AI-modeller på edge-hardware med minimal strømforbruk.

Denne instruktørlede, live opplæringen på Oslo (online eller på sted) er rettet mot mellomnivå AI-utviklere, innbyggede ingeniører og robotteknikere som ønsker å optimalisere og distribuere AI-modeller på NVIDIA Jetson-plattformer for edge-applikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for edge AI og NVIDIA Jetson-hardware.
• Optimalisere AI-modeller for distribusjon på edge-enheter.
• Bruke TensorRT for å akselerere dyplæringsinferens.
• Distribuere AI-modeller ved hjelp av JetPack SDK og ONNX Runtime.

Denne instruktørledede, liveopplæring i Oslo (online eller på sted) retter seg mot AI-utviklere, maskinlæringsingeniører og systemarkitekter på mellomnivå som ønsker å optimalisere AI-modeller for utplassering på kanten.

Ved avslutning av denne opplæringen vil deltakerne være i stand til å:

• Forstå utfordringene og kravene ved å utplassere AI-modeller på kantenheter.
• Bruke modellkomprimeringsmetoder for å redusere størrelsen og kompleksiteten til AI-modeller.
• Bruke kvantiseringsmetoder for å øke modellens effektivitet på kantehardware.
• Implementere beskjæring og andre optimaliseringsmetoder for å forbedre modellens ytelse.
• Utplassere optimaliserte AI-modeller på ulike kantenheter.

Denne instruktørlede, live opplæring i Oslo (online eller på stedet) er rettet mot utviklere på mellomnivå, datasientister og teknologientusiaster som ønsker å få praktiske ferdigheter i å distribuere AI-modeller på kant-enheter for ulike applikasjoner.

Ved avslutningen av denne opplæringen vil deltakerne være i stand til:

• Forstå prinsippene for Edge AI og dens fordeler.
• Opprette og konfigurere kant-datamiljøet.
• Utvikle, trene og optimalisere AI-modeller for kant-distribusjon.
• Implementere praktiske AI-løsninger på kant-enheter.
• Vurdere og forbedre ytelsen til kant-distribuerte modeller.
• Ta hensyn til etiske og sikkerhetsaspekter i Edge AI-applikasjoner.

Denne instruktørledede, live trening i Oslo (online eller på sted) er rettet mot mellomnivå finansfagfolk, fintech-utviklere og AI-specialister som ønsker å implementere Edge AI-løsninger i finansielle tjenester.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå rollen til Edge AI i finansielle tjenester.
• Implementere svindeldeteksjonssystemer ved hjelp av Edge AI.
• Forbedre kundeservice gjennom AI-drevne løsninger.
• Bruke Edge AI for risikohåndtering og beslutningstaking.
• Utplassere og administrere Edge AI-løsninger i finansielle miljøer.

Denne instruktørledede, live opplæring i Oslo (online eller på stedet) er rettet mot industriingeniører, produksjonsprofesjonelle og AI-utviklere med mellomnivå-kompetanse som ønsker å implementere Edge AI-løsninger i industriell automatisering.

Ved slutten av denne opplæringen vil deltakerne være i stand til:

• Forstå rollen til Edge AI i industriell automatisering.
• Implementere løsninger for forutseende vedlikehold ved bruk av Edge AI.
• Anvende AI-teknikker for kvalitetskontroll i produksjonsprosesser.
• Optimalisere industrielle prosesser ved bruk av Edge AI.
• Utplassere og administrere Edge AI-løsninger i industrielle miljøer.

Edge AI er utplassering av kunstig intelligensmodeller direkte på enheter og maskiner i nettverkets kant, og gjør det mulig med reeltidsbeslutninger med minimal forsinkelse.

Denne instruktørledede opplæringen (online eller på sted) er rettet mot avanserte embedded- og IoT-profesjonelle som ønsker å utplassere AI-styrte logikk- og styringssystemer i produksjonsmiljøer hvor hastighet, pålitelighet og offlinedrift er kritisk.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå arkitekturen og fordelene ved kant-ai-systemer.
• Bygge og optimalisere AI-modeller for utplassering på embedded-enheter.
• Bruke verktøy som TensorFlow Lite og OpenVINO for lavlatensinferens.
• Integrere kantintelligens med sensorer, aktuatorer og industrielle protokoller.

Kursformat

• Interaktiv forelesning og diskusjon.
• Mange øvelser og praksis.
• Hånds-on-implementering i et levende laboratorie-miljø.

Tilpasningsalternativer for kurset

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å ordne.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivåutviklere, datavitere og AI-praktikere som ønsker å utnyttet TensorFlow Lite for Edge AI-applikasjoner.

Etter denne opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for TensorFlow Lite og dens rolle i Edge AI.
• Utvikke og optimalisere AI-modeller ved hjelp av TensorFlow Lite.
• Implementere TensorFlow Lite-modeller på forskjellige kantenheter.
• Bruk verktøy og teknikker for modellkonvertering og optimalisering.
• Implementere praktiske Edge AI-applikasjoner ved hjelp av TensorFlow Lite.

Denne instruktørledede, live opplæringen (online eller på stedet) er rettet mot mellomnivå-byplanleggere, sivile ingeniører og smartby-prosjektledere som ønsker å utnytte Edge AI for smartby-initiativ.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå rollen til Edge AI i smartby-infrastrukturer.
• Implementere Edge AI-løsninger for trafikkstyring og overvåking.
• Optimalisere byressurser ved hjelp av Edge AI-teknologier.
• Integrere Edge AI med eksisterende smartby-systemer.
• Behandle etiske og regulerende hensyn i smartby-utplasseringer.

Denne instruktørledede, live opplæring i Oslo (online eller på sted) retter seg mot mellomnivå sikkerhetsprofesjonelle innen cybersikkerhet, systemadministratorer og forskere i AI-etikk som ønsker å sikre og etisk bruke Edge AI-løsninger.

Ved kursets slutt vil deltakerne være i stand til å:

• Forstå sikkerhets- og personvernutfordringene i Edge AI.
• Implementere beste praksis for å sikre enhets- og data på kanten.
• Utvikle strategier for å redusere sikkerhetsrisikoer i Edge AI-utplasseringer.
• Behandle etiske hensyn og sikre overholdelse av reguleringer.
• Utføre sikkerhetsvurderinger og revisjoner for Edge AI-applikasjoner.

Denne instruktørledede, live-opplæring (online eller på sted) er rettet mot mellomnivå robotikkingeniører, utviklere av autonome kjøretøy og AI-forskere som ønsker å utnytte Edge AI for innovative løsninger på autonome systemer.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå rollen og fordelene med Edge AI i autonome systemer.
• Utvikle og distribuere AI-modeller for sanstidsbehandling på edge-enheter.
• Implementere Edge AI-løsninger i autonome kjøretøy, droner og robotikk.
• Utforme og optimalisere styringssystemer ved hjelp av Edge AI.
• Behandle etiske og reguleringsmessige overveielser i autonome AI-applikasjoner.

Dette undervisningsbaserte, live-kurset i Oslo (online eller på stedet) er rettet mot mellomnivå helsefagsfolk, biomedisinske ingeniører og AI-utviklere som ønsker å utnytte Edge AI for innovative helsevesen-løsninger.

Ved slutten av dette kurset vil deltakerne kunne:

• Forstå rollen og fordelen med Edge AI i helsevesenet.
• Utvikle og implementere AI-modeller på edge-enheter for helsevesen-applikasjoner.
• Implementere Edge AI-løsninger i barneledd og diagnostiske verktøy.
• Designe og implementere pasientoversiktssystemer ved hjelp av Edge AI.
• Behandle etiske og reguleringsmessige overvegelser i helsevesen-AI-applikasjoner.

Edge AI gjør det mulig å kjøre kunstige intelligensmodeller direkte på innebyggede eller ressursbegrensete enheter, noe som reduserer latenstid og strømforbruk samtidig som autonomi og privatliv blir økt i robotiske systemer.

Dette instruktørførte, live-treningen (online eller på stedet) er rettet mot mellomnivå innebyggede utviklere og robotikk ingeniører som ønsker å implementere maskinlæring inferens- og optimeringsteknikker direkte på robotikk hardvara ved hjelp av TinyML og Edge AI rammeverk.

Til slutt av denne treningen vil deltakerne kunne:

• Få en forståelse for grunnleggende prinsipper i TinyML og edge AI for robotikk.
• Konvertere og distribuere AI-modeller for inferens på enheten.
• Optimere modeller for hastighet, størrelse og energieffektivitet.
• Integrasjon av edge AI-systemer i robotikk kontrollarkitekturer.
• Vurdere ytelse og nøyaktighet i sanne miljøer.

Kursformat

• Interaktiv forelesning og diskusjon.
• Praktisk øvelse ved hjelp av TinyML- og edge AI-verktøykasser.
• Pedagogiske øvelser på innebyggede og robotikk hardvara platformer.

Kurs tilpasningsmuligheter

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

6G og den intelligente kanten er et fremtidsrettet kurs som utforsker integreringen av 6G-wireless-teknologier med edge computing, IoT-økosystemer og AI-drevet dataanalyse for å støtte intelligente, lav-latens- og anpasselige infrastrukturer.

Dette instruktørledede, live-kurs (online eller på sted) er rettet mot mellomnivå IT-arkitekter som ønsker å forstå og designe neste generasjon distribuerte arkitekturer ved å utnytte synergien mellom 6G-kobling og intelligente edge-systemer.

Ettersom deltakerne har fullført dette kurset, vil de kunne:

• Forstå hvordan 6G vil transformere edge computing og IoT-arkitekturer.
• Designe distribuerte systemer for ultralav latens, høy båndbredde og autonome operasjoner.
• Integrasjon av AI og dataanalyse på edge for intelligent beslutningsprosessering.
• Planlegge skalbare, sikre og motstandsdykte 6G-klare edge-infrastrukturer.
• Vurdere nærings- og operasjonsmodeller som er mulig med 6G-edge-konvergens.

Kursformat

• Interaktive forelesninger og diskusjoner.
• Case studies og anvendte arkitekturdesignøvelser.
• Hånd-on-simulering med valgfrie edge- eller containerverktøy.

Kursanpassningsalternativer

• For å be om anpasset opplæring for dette kurset, vennligst kontakt oss for å ordne det.

Denne instruktørledede, live opplæringskurs i Oslo (online eller på sted) er rettet mot avanserte AI-praktikere, forskere og utviklere som ønsker å mestre de siste fremskrittene innen Edge AI, optimalisere sine AI-modeller for edge-deployering, og utforske spesialiserte applikasjoner innen forskjellige industrier.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Utforske avanserte teknikker innen Edge AI-modellutvikling og optimalisering.
• Implementere fremskrittelige strategier for å deployere AI-modeller på edge-enheter.
• Bruke spesialiserte verktøy og rammeverk for avanserte Edge AI-applikasjoner.
• Optimalisere ytelse og effektivitet i Edge AI-løsninger.
• Utforske innovative bruksområder og fremvoksende trender innen Edge AI.
• Håndtere avanserte etiske og sikkerhetshensyn i Edge AI-deployeringer.

Huaweis Ascend CANN-verktøykasse muliggjør kraftig AI-inferens på edge-enheter som Ascend 310. CANN gir essensielle verktøy for å kompilere, optimere og deploye modeller der beregningskraft og minne er begrenset.

Denne instruktørlede live-treningen (online eller på sted) er rettet mot AI-utviklere og integratorer på mellomnivå som ønsker å deploye og optimere modeller på Ascend-edge-enheter ved hjelp av CANN-verktøykjeden.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forberede og konvertere AI-modeller for Ascend 310 ved hjelp av CANN-verktøy.
• Bygge lette inferens-pipelines ved hjelp av MindSpore Lite og AscendCL.
• Optimerer modellytelse for begrensede beregnings- og minne-miljøer.
• Deployere og overvåke AI-applikasjoner i virkelige edge-brukstilfeller.

Formatet på kurset

• Interaktiv forelesning og demonstrasjon.
• Hånds-på-laboratorium med edge-spesifikke modeller og scenarier.
• Live-deployereksempler på virtuell eller fysisk edge-hardware.

Kurskustomiseringsalternativer

• For å be om en tilpasset trening for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, live treningen (online eller på stedet) er rettet mot utviklere på mellomnivå, systemarkitekter og fagfolk innen industri som ønsker å utnytte Edge AI for å forbedre IoT-applikasjoner med intelligent datahåndtering og analysekapabiliteter.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende prinsipper for Edge AI og dets anvendelse i IoT.
• Opprette og konfigurere Edge AI-miljøer for IoT-enheter.
• Utvikle og distribuere AI-modeller på Edge-enheter for IoT-applikasjoner.
• Implementere sanntids datahåndtering og beslutningsprosesser i IoT-systemer.
• Integtere Edge AI med ulike IoT-protokoller og plattformer.
• Behandle etiske hensyn og beste praksis i Edge AI for IoT.

Denne instruktørledede, live-opplæringen i Oslo (online eller på stedet) er rettet mot IoT-utviklere på middels nivå, innebygde ingeniører og AI-utøvere som ønsker å implementere TinyML for prediktivt vedlikehold, avviksdeteksjon og smarte sensorapplikasjoner.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om TinyML og dets applikasjoner i IoT.
• Sett opp et TinyML utviklingsmiljø for IoT-prosjekter.
• Utvikle og distribuer ML-modeller på mikrokontrollere med lav effekt.
• Implementer prediktivt vedlikehold og oppdagelse av anomalier ved å bruke TinyML.
• Optimaliser TinyML-modeller for effektiv strøm- og minnebruk.

Dette instruktørledede, live-training (online eller på stedet) er rettet mot mellomnivåutviklere og IT-profesjonelle som ønsker å få en omfattende forståelse av Edge AI fra begrep til praktisk implementering, inkludert oppsett og distribusjon.

Ved slutten av dette treningen vil deltakerne være i stand til å:

• Forstå grunnleggende konsepter i Edge AI.
• Opprette og konfigurere Edge AI-miljøer.
• Utvikle, trene og optimalisere Edge AI-modeller.
• Distribuere og administrere Edge AI-applikasjoner.
• Integrere Edge AI med eksisterende systemer og arbeidsflyter.
• Behandle etiske overveielser og beste praksis ved implementering av Edge AI.

Denne instruktørledede, live-treningen på Oslo (online eller på stedet) retter seg mot mellomnivå-embeddede systemingeniører og AI-utviklere som ønsker å deploye maskinlæringsmodeller på mikrocontroller ved bruk av TensorFlow Lite og Edge Impulse.

Ved slutten av denne treningen vil deltakerne være i stand til:

• Forstå grunnleggende prinsipper for TinyML og dets fordeler for edge AI-applikasjoner.
• Opprette en utviklingsmiljø for TinyML-prosjekter.
• Tren, optimalisere og deploye AI-modeller på lavstrøms mikrocontroller.
• Bruke TensorFlow Lite og Edge Impulse for å implementere virkelige TinyML-applikasjoner.
• Optimalisere AI-modeller for strømforbruk og minnebegrensninger.

Cambricon MLUs (Machine Learning Units) er spesialiserte AI-kretser som er optimalisert for inferens og opplæring i edge- og datasenter-scenarier.

Denne instruktørlede, live-undervisningen (online eller på sted) er rettet mot mellomnivåutviklere som ønsker å bygge og distribuere AI-modeller ved bruk av BANGPy-rammeverket og Neuware SDK på Cambricon MLU-hardware.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sette opp og konfigurere BANGPy- og Neuware-utviklingsmiljøene.
• Utvikle og optimalisere Python- og C++-baserte modeller for Cambricon MLUs.
• Distribuere modeller til edge- og datasenter-enheter som kjører Neuware-runtime.
• Integere ML-arbeidsflyter med MLU-spesifikke akselerasjonsfunksjoner.

Kursets format

• Interaktiv forelesning og diskusjon.
• Hånds-on bruk av BANGPy og Neuware for utvikling og distribuering.
• Veiledede øvelser som fokuserer på optimalisering, integrering og testing.

Kursets tilpassingsmuligheter

• For å bestille en tilpasset opplæring for dette kurset basert på din Cambricon-enhetsmodell eller bruksområde, kontakt oss for å avtale.

Denne instruktørledede, live opplæringen på nett eller på stedet, er rettet mot utviklere og IT-profesjonelle på begynnernivå som ønsker å forstå grunnleggende konsepter og introduserende applikasjoner innen Edge AI.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de grunnleggende konseptene og arkitekturen til Edge AI.
• Opprette og konfigurere Edge AI-miljøer.
• Utvikle og distribuere enkle Edge AI-applikasjoner.
• Identifisere og forstå bruksområder og fordeler med Edge AI.