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'IA Edge et à Nano Banana
- Caractéristiques principales des charges de travail IA Edge
- Architecture et capacités de Nano Banana
- Comparaison des stratégies de déploiement Edge et Cloud
Préparation des modèles pour le déploiement sur le Edge
- Sélection des modèles et évaluation de référence
- Considérations sur les dépendances et la compatibilité
- Exportation des modèles pour une optimisation ultérieure
Techniques de compression des modèles
- Stratégies d'élagage (pruning) et sparsité structurelle
- Partage de poids et réduction des paramètres
- Évaluation de l'impact de la compression
Quantification pour les performances Edge
- Méthodes de quantification après entraînement (post-training)
- Flux de travail de quantification-aware training
- Approches INT8, FP16 et précision mixte
Accélération avec Nano Banana
- Utilisation des accélérateurs Nano Banana
- Intégration d'ONNX et des backends matériels
- Benchmarking de l'inférence accélérée
Déploiement sur les appareils Edge
- Intégration des modèles dans les applications embarquées ou mobiles
- Configuration et surveillance du temps d'exécution
- Dépannage des problèmes de déploiement
Profilage des performances et analyse des compromis
- Latence, débit et contraintes thermiques
- Compromis entre précision et performance
- Stratégies d'optimisation itérative
Meilleures pratiques pour la maintenance des systèmes IA Edge
- Gestion des versions et mises à jour continues
- Gestion du rollback des modèles et de la compatibilité
- Considérations sur la sécurité et l'intégrité
Résumé et prochaines étapes
Pré requis
- Une compréhension des flux de travail en apprentissage automatique (machine learning).
- Une expérience du développement de modèles basés sur Python.
- Une connaissance des architectures de réseaux de neurones.
Public cible
- Ingénieurs ML
- Scientifiques des données
- Praticiens MLOps
Nos clients témoignent (1)
Fluidez, ambiance et thème de la présentation
Lukasz Kowalczyk - Allegro Sp. z o.o.
Formation - Google Gemini AI for Data Analysis
Traduction automatique