お問い合わせを送信いただきありがとうございます!当社のスタッフがすぐにご連絡いたします。
予約を送信いただきありがとうございます!当社のスタッフがすぐにご連絡いたします。
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特性
- Nano Bananaアーキテクチャと機能
- エッジデプロイメント戦略とクラウドデプロイメント戦略の比較
エッジデプロイメント用モデルの準備
- モデル選択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にモデルをエクスポートする
モデル圧縮技術
- トリミング戦略と構造的疎さ
- 重み共有とパラメータ削減
- 圧縮の影響を評価する
エッジパフォーマンスのための量子化
- ポストトレーニング量子化手法
- 量子化アウェアトレーニングワークフロー
- INT8、FP16、および混合精度アプローチ
Nano Bananaを用いた高速化
- Nano Bananaアクセラレータの使用
- ONNXとハードウェアバックエンドの統合
- 加速推論のベンチマーク
エッジデバイスへのデプロイ
- 埋め込みまたはモバイルアプリケーションにモデルを統合する
- ランタイム構成と監視
- デプロイメントの問題解決
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、スループット、および熱制約
- 精度対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AI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
- モデルロールバックと互換性管理
- セキュリティと整合性の考慮事項
まとめと次なるステップ
要求
- 機械学習ワークフローの理解
- Pythonベースのモデル開発経験
- ニューラルネットワークアーキテクチャに関する知識
対象者
- MLエンジニア
- データサイエンティスト
- MLOps実践者
14 時間
お客様の声 (1)
プレゼンテーションにおける流れ、雰囲気、およびトピック
Lukasz Kowalczyk - Allegro Sp. z o.o.
コース - Google Gemini AI for Data Analysis
機械翻訳