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 edge y Nano Banana
- Características clave de las cargas de trabajo de IA en el edge
- Arquitectura y capacidades de Nano Banana
- Comparación de estrategias de despliegue entre edge y nube
Preparación de modelos para el despliegue en el edge
- Selección de modelos y evaluación de la línea base
- Consideraciones sobre dependencias y compatibilidad
- Exportación de modelos para una optimización adicional
Técnicas de compresión de modelos
- Estrategias de poda y esparsidad estructural
- Compartición de pesos y reducción de parámetros
- Evaluación del impacto de la compresión
Cuantización para el rendimiento en el edge
- Métodos de cuantización pos-entrenamiento
- Flujos de trabajo de entrenamiento consciente de la cuantización
- Enfoques de INT8, FP16 y precisión mixta
Aceleración con Nano Banana
- Utilización de aceleradores de Nano Banana
- Integración de ONNX y backends de hardware
- Medición de rendimiento de la inferencia acelerada
Despliegue en dispositivos de edge
- Integración de modelos en aplicaciones embebidas o móviles
- Configuración y monitoreo de tiempo de ejecución
- Resolución de problemas de despliegue
Perfilado de rendimiento y análisis de equilibrios
- Restricciones de latencia, capacidad de procesamiento y temperatura
- Equilibrios entre precisión y rendimiento
- Estrategias de optimización iterativa
Buenas prácticas para el mantenimiento de sistemas de IA en el edge
- Control de versiones y actualizaciones continuas
- Restablecimiento de modelos y gestión de compatibilidad
- Consideraciones de seguridad e integridad
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático
- Experiencia en el desarrollo de modelos basados en Python
- Conocimiento de las arquitecturas de redes neuronales
Público objetivo
- ingenieros de ML
- Científicos de datos
- Practicantes 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
