お問い合わせ

コース概要

デバイス上でのAI利用に関する基礎知識

  • デバイス内蔵型機械学習の基本要素
  • 小型言語モデルがもたらす利点と課題
  • モバイル・IoT機器におけるハードウェア制約の概要

デバイス導入向けAIモデルの最適化手法

  • モデル量子化および不要な構成要素削除処理
  • サイズや効率性を向上させる知識蒸留法
  • 導入先のデバイス環境に適したモデルの選定・調整方法

プラットフォーム別AIツールおよびフレームワーク解説

  • TensorFlow LiteおよびPyTorch Mobileの基礎紹介
  • 各種プラットフォーム専用ライブラリを利用したモデル実装法
  • 多様なプラットフォームに跨る導入戦略の提示

リアルタイム推論処理およびエッジコンピューティング技術

  • デバイス上での迅速かつ効率的な推論を行うテクニック
  • エッジコンピューティングを活用したAI処理の実現法
  • リアルタイム対応AIアプリケーションの事例紹介

電力管理およびバッテリー寿命延長策について

  • AIアプリケーションにおける省エネ化最適化手法
  • 処理性能と消費電力のバランス調整法
  • AI搭載デバイスにおける長時間駆動を可能にする戦略提示

デバイス上でのAI活用時のセキュリティおよびプライバシー対策

  • データ保護や個人情報漏洩防止の基本手法
  • プライバシーを保護するためのデバイス側での処理手順
  • AIモデルの安全な更新管理および維持作業について

ユーザー体験向上およびインタラクション設計技法

  • 端末利用者にとって使いやすいAI対話設計法
  • UI要素と言語モデルを有機的に連携させる方法
  • 実際のユーザーからフィードバックを得るための検証手法

スケーラビリティ確保および継続的なメンテナンス法

  • 実用環境下にあるデバイス群向けモデルの更新管理手法
  • ​大規模な導入を想定した効率的な運用戦略提示
  • 稼働中のAIシステムに対するモニタリングおよびデータ分析手法

最終課題作成および評価プロセス概要

  • 各自が選択した分野に基づく実用モデル開発と対象機器向け導入準備作業
  • ​作成済みのデバイスAIソリューション紹介セッション
  • 効率性・革新性および実用性を基準とした総合評価方法

講座のまとめおよび今後の展望説明

要求

  • 機械学習およびディープラーニングに関する確かな基礎知識
  • Pythonプログラミングに熟達していること
  • AI導入時におけるハードウェアの制約事項に関する基本的な認識

対象者

  • 機械学習エンジニアおよびAI開発担当者
  • AI応用分野に興味がある組込みシステムの技術者
  • AIプロジェクトを統括する製品マネージャーや技術リーダー
 21 時間

参加者の人数


参加者1人あたりの価格

今後のコース

関連カテゴリー