コース概要

Edge AI と Kubernetes の概要

  • エッジにおける AI の役割の理解
  • 分散環境をオーケストレーションするための Kubernetes
  • 産業横断的な一般的なユースケース

エッジ環境用の Kubernetes ディストリビューション

  • K3s、MicroK8s、KubeEdge の比較
  • インストールと設定ワークフロー
  • ノード要件とデプロイメントパターン

エッジ AI デプロイのアーキテクチャ

  • 中心化、非中心化、およびハイブリッドエッジモデル
  • 制約のあるノード間でのリソース割り当て
  • マルチノードとリモートクラスタのトポロジー

エッジでの機械学習モデルのデプロイ

  • コンテナを使用した推論ワークロードのパッケージ化
  • 利用可能な場合、GPU とアクセラレータハードウェアの使用
  • 分散デバイスでのモデル更新の管理

エッジでの通信および接続戦略

  • 間欠的かつ不安定なネットワーク状況の対処
  • エッジからクラウドへのデータ同期技術
  • メッセージキューとプロトコルの考慮事項

エッジでの監視性とモニタリング

  • 軽量な監視アプローチ
  • リモートノードからのテレメトリー収集
  • 分散推論ワークフローのデバッグ

エッジ AI デプロイのセキュリティ

  • 制約のあるデバイス上のデータとモデルの保護
  • セキュアブートと信頼性の高い実行戦略
  • ノード間での認証と権限付与

エッジワークロードのパフォーマンス最適化

  • 配置戦略を通じた遅延低減
  • ストレージとキャッシュに関する考慮事項
  • 推論効率のための計算リソースの調整

まとめと次なるステップ

要求

  • コンテナ化アプリケーションに関する理解
  • Kubernetes 管理経験
  • エッジコンピューティングの概念に関する知識

対象者

  • 分散デバイスを展開する IoT エンジニア
  • 知能化アプリケーションを開発するクラウドネイティブ開発者
  • 接続された環境を設計するエッジアーキテクト
 21 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (5)

今後のコース

関連カテゴリー