Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à l'Edge AI
- Définition et concepts clés
- Différences entre l'Edge AI et l'IA dans le cloud
- Avantages et cas d'utilisation de l'Edge AI
- Vue d'ensemble des dispositifs et plateformes d'edge
Configuration de l'environnement d'edge
- Introduction aux dispositifs d'edge (Raspberry Pi, NVIDIA Jetson, etc.)
- Installation des logiciels et bibliothèques nécessaires
- Configuration de l'environnement de développement
- Préparation du matériel pour le déploiement de l'IA
Développement de modèles d'IA pour l'edge
- Vue d'ensemble des modèles d'apprentissage automatique et de deep learning pour les dispositifs d'edge
- Techniques pour entraîner des modèles dans des environnements locaux et cloud
- Optimisation des modèles pour le déploiement en périphérie (quantification, élagage, etc.)
- Outils et frameworks pour le développement d'Edge AI (TensorFlow Lite, OpenVINO, etc.)
Déploiement de modèles d'IA sur les dispositifs d'edge
- Étapes pour déployer des modèles d'IA sur divers matériels d'edge
- Traitement des données en temps réel et inférence sur les dispositifs d'edge
- Surveillance et gestion des modèles déployés
- Exemples pratiques et études de cas
Solutions et projets d'IA pratiques
- Développement d'applications d'IA pour dispositifs d'edge (par exemple : vision par ordinateur, traitement du langage naturel)
- Projet pratique : Construction d'un système de caméra intelligente
- Projet pratique : Implémentation de la reconnaissance vocale sur des dispositifs d'edge
- Projets de groupe collaboratifs et scénarios réels
Évaluation des performances et optimisation
- Techniques pour évaluer les performances des modèles sur les dispositifs d'edge
- Outils pour la surveillance et le débogage des applications d'Edge AI
- Stratégies pour optimiser les performances des modèles d'IA
- Relever les défis liés à la latence et à la consommation d'énergie
Intégration avec les systèmes IoT
- Connexion des solutions d'Edge AI avec les dispositifs et capteurs IoT
- Protocoles de communication et méthodes d'échange de données
- Construction d'une solution complète Edge AI et IoT de bout en bout
- Exemples d'intégration pratiques
Considérations éthiques et de sécurité
- Assurer la confidentialité et la sécurité des données dans les applications d'Edge AI
- Aborder les biais et l'équité dans les modèles d'IA
- Conformité aux réglementations et normes
- Meilleures pratiques pour un déploiement responsable de l'IA
Projets et exercices pratiques
- Développement d'une application Edge AI complète
- Projets et scénarios du monde réel
- Exercices de groupe collaboratifs
- Présentations de projets et retours d'expérience
Pré requis
- Compréhension des concepts d'IA et d'apprentissage automatique.
- Expérience avec des langages de programmation (Python recommandé).
- Familiarité avec les concepts de calcul en périphérie (edge computing).
Public cible
- Développeurs
- Scientifiques de données
- Passionnés de technologie
Nos clients témoignent (2)
Offrir à ceux qui n'ont jamais utilisé l'IA une initiation aux bases de la formulation de requêtes, et inviter les utilisateurs expérimentés à explorer des méthodes alternatives pour l'employer.
Matthew Gay - Tarsus Pharmaceuticals
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique