お問い合わせ

コース概要

エッジAIとNano Bananaの概要

  • エッジAIワークロードの主要な特性
  • Nano Bananaのアーキテクチャと機能
  • エッジデプロイとクラウドデプロイ戦略の比較

エッジデプロイに向けたモデルの準備

  • モデルの選定とベースライン評価
  • 依存関係と互換性の考慮事項
  • さらなる最適化のためのモデルのエクスポート

モデル圧縮技術

  • プルーニング戦略と構造的スパース性
  • 重みの共有とパラメータ削減
  • 圧縮の影響評価

エッジパフォーマンスのための量子化

  • 学習後量子化手法
  • 量子化認識トレーニング(QAT)ワークフロー
  • INT8、FP16、および混合精度アプローチ

Nano Bananaによる加速

  • Nano Bananaアクセラレーターの活用
  • ONNXとハードウェアバックエンドの統合
  • 加速された推論のベンチマークテスト

エッジデバイスへのデプロイメント

  • モデルの組み込みまたはモバイルアプリケーションへの統合
  • ランタイム設定と監視
  • デプロイメント問題のトラブルシューティング

パフォーマンスプロファイリングとトレードオフ分析

  • レイテンシー、スループット、熱的制約
  • 精度とパフォーマンスのトレードオフ
  • 反復的な最適化戦略

エッジAISシステムの維持に関するベストプラクティス

  • バージョン管理と継続的な更新
  • モデルのロールバックと互換性管理
  • セキュリティと完全性の考慮事項

まとめと次のステップ

要求

  • 機械学習ワークフローに関する理解
  • Pythonベースのモデル開発の経験
  • ニューラルネットワークアーキテクチャの知識

対象受講者

  • MLエンジニア
  • データサイエンティスト
  • MLOps実務家
 14 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (1)

今後のコース

関連カテゴリー