Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA en el borde y a Nano Banana
- Características clave de las cargas de trabajo de IA en el borde
- Arquitectura y capacidades de Nano Banana
- Comparación de estrategias de despliegue en el borde versus en la nube
Preparación de modelos para el despliegue en el borde
- Selección de modelos y evaluación de línea base
- Consideraciones sobre dependencias y compatibilidad
- Exportación de modelos para una optimización adicional
Técnicas de compresión de modelos
- Estrategias de podado (pruning) y dispersidad estructural
- Compartición de pesos y reducción de parámetros
- Evaluación de los impactos de la compresión
Cuantización para el rendimiento en el borde
- Métodos de cuantización posterior al entrenamiento (post-training quantization)
- Flujos de trabajo de entrenamiento consciente de la cuantización (quantization-aware training)
- Enfoques de INT8, FP16 y precisión mixta
Aceleración con Nano Banana
- Uso de aceleradores de Nano Banana
- Integración de ONNX y backends de hardware
- Medición del rendimiento (benchmarking) de la inferencia acelerada
Despliegue en dispositivos de borde
- Integración de modelos en aplicaciones embebidas o móviles
- Configuración y monitoreo en tiempo de ejecución
- Resolución de problemas de despliegue
Perfilación de rendimiento y análisis de equilibrios
- Restricciones de latencia, tasa de transferencia (throughput) y térmicas
- Equilibrio entre precisión y rendimiento
- Estrategias de optimización iterativa
Prácticas recomendadas para el mantenimiento de sistemas de IA en el borde
- Versionado y actualizaciones continuas
- Restablecimiento de modelos (rollback) y gestión de compatibilidad
- Consideraciones de seguridad e integridad
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático (machine learning).
- Experiencia en el desarrollo de modelos basados en Python.
- Conocimiento de las arquitecturas de redes neuronales.
Público objetivo
- Ingenieros de ML
- Científicos de datos
- Especialistas en MLOps
14 Horas
Reseñas (1)
Flujo, vibra y tema en la presentación
Lukasz Kowalczyk - Allegro Sp. z o.o.
Curso - Google Gemini AI for Data Analysis
Traducción Automática
