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.
Duración 14 horas
Temario del curso
Introducción a la IA en el borde y 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 frente a la nube.
Preparación de modelos para el despliegue en el borde
- Selección de modelos y evaluación de línea de base.
- Consideraciones de dependencias y compatibilidad.
- Exportación de modelos para una optimización posterior.
Técnicas de compresión de modelos
- Estrategias de poda y dispersidad estructural.
- Compartir 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.
- Flujos de trabajo de entrenamiento consciente de la cuantización.
- Enfoques de INT8, FP16 y precisión mixta.
Aceleración con Nano Banana
- Uso de aceleradores de Nano Banana.
- Integración de ONNX y backends de hardware.
- Benchmarking de inferencia acelerada.
Despliegue en dispositivos de borde
- Integración de modelos en aplicaciones integradas o móviles.
- Configuración y monitoreo del tiempo de ejecución.
- Resolución de problemas de despliegue.
Perfiles de rendimiento y análisis de compromisos
- Restricciones de latencia, throughput y térmicas.
- Compromisos entre precisión y rendimiento.
- Estrategias de optimización iterativas.
Mejores prácticas para el mantenimiento de sistemas de IA en el borde
- Versionado y actualizaciones continuas.
- Reversión de modelos y gestión de compatibilidad.
- Consideraciones de seguridad e integridad.
Resumen y próximos pasos
Requerimientos
- Comprensión de flujos de trabajo de aprendizaje automático.
- Experiencia en desarrollo de modelos basados en Python.
- Conocimiento de arquitecturas de redes neuronales.
Público objetivo
- Ingenieros de ML.
- Científicos de datos.
- Profesionales de MLOps.
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
