Temario del curso
Introducción a la optimización de IA en el borde
- Panorama general de la IA en el borde y sus desafíos.
- Importancia de la optimización de modelos para dispositivos de borde.
- Estudios de caso de modelos de IA optimizados en aplicaciones de borde.
Técnicas de compresión de modelos
- Introducción a la compresión de modelos.
- Técnicas para reducir el tamaño del modelo.
- Ejercicios prácticos sobre compresión de modelos.
Métodos de cuantización
- Panorama general de la cuantización y sus beneficios.
- Tipos de cuantización (post-entrenamiento, entrenamiento consciente de la cuantización).
- Ejercicios prácticos sobre cuantización de modelos.
Poda y otras técnicas de optimización
- Introducción a la poda.
- Métodos para podar modelos de IA.
- Otras técnicas de optimización (por ejemplo, destilación de conocimiento).
- Ejercicios prácticos sobre poda y optimización de modelos.
Despliegue de modelos optimizados en dispositivos de borde
- Preparación del entorno del dispositivo de borde.
- Despliegue y prueba de modelos optimizados.
- Solución de problemas de despliegue.
- Ejercicios prácticos sobre despliegue de modelos.
Herramientas y marcos de trabajo para optimización
- Panorama general de herramientas y marcos de trabajo (por ejemplo, TensorFlow Lite, ONNX).
- Uso de TensorFlow Lite para la optimización de modelos.
- Ejercicios prácticos con herramientas de optimización.
Aplicaciones del mundo real y estudios de caso
- Revisión de proyectos exitosos de optimización de IA en el borde.
- Discusión de casos de uso específicos de la industria.
- Proyecto práctico para construir y optimizar una aplicación del mundo real.
Resumen y siguientes pasos
Requerimientos
- Conocimiento de conceptos de inteligencia artificial y aprendizaje automático.
- Experiencia en el desarrollo de modelos de IA.
- Habilidades básicas de programación (se recomienda Python).
Audiencia
- Desarrolladores de IA.
- Ingenieros de aprendizaje automático.
- Arquitectos de sistemas.
Testimonios (2)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, Docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Disfruté participando en el entrenamiento de Kubeflow, que se llevó a cabo de manera remota. Este entrenamiento me permitió consolidar mi conocimiento sobre los servicios de AWS, K8s y todas las herramientas de DevOps relacionadas con Kubeflow, que son las bases necesarias para abordar el tema adecuadamente. Quiero agradecer a Malawski Marcin por su paciencia y profesionalismo en la formación y los consejos sobre mejores prácticas. Malawski aborda el tema desde diferentes ángulos, utilizando diferentes herramientas de despliegue como Ansible, EKS kubectl y Terraform. Ahora estoy definitivamente convencido de que me dirijo hacia el campo de aplicación correcto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curso - Kubeflow
Traducción Automática
