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

参加者の人数


参加者1人当たりの料金

お客様の声 (1)

今後のコース

関連カテゴリー