Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à l’IA edge et à Nano Banana
- Caractéristiques clés des charges de travail IA edge
- Architecture et capacités de Nano Banana
- Comparaison des stratégies de déploiement edge et cloud
Préparation des modèles pour le déploiement edge
- Sélection des modèles et évaluation de la performance de base
- Prise en compte des dépendances et de la compatibilité
- Exportation des modèles pour une optimisation ultérieure
Techniques de compression des modèles
- Stratégies d’élagage (pruning) et sparsité structurelle
- Partage de poids et réduction des paramètres
- Évaluation des impacts de la compression
Quantification pour les performances edge
- Méthodes de quantification post-entraînement
- Flux de travail de quantification consciente de l’entraînement
- Abordages INT8, FP16 et précision mixte
Accélération avec Nano Banana
- Utilisation des accélérateurs Nano Banana
- Intégration d’ONNX et des backends matériels
- Benchmark de l’inférence accélérée
Déploiement sur les appareils edge
- Intégration des modèles dans des applications embarquées ou mobiles
- Configuration et surveillance d’exécution
- Dépannage des problèmes de déploiement
Profilage des performances et analyse des compromis
- Contraintes de latence, de débit et de thermique
- Compromis entre précision et performance
- Stratégies d’optimisation itératives
Bonnes pratiques pour le maintien des systèmes d’IA edge
- Gestion des versions et mises à jour continues
- Retour en arrière des modèles et gestion de la compatibilité
- Prise en compte de la sécurité et de l’intégrité
Résumé et prochaines étapes
Pré requis
- Compréhension des flux de travail du machine learning
- Expérience en développement de modèles basés sur Python
- Connaissance des architectures de réseaux de neurones
Public cible
- Ingénieurs en machine learning
- Scientifiques des données
- Praticiens MLOps
Nos clients témoignent (1)
Fluidez, ambiance et thème de la présentation
Lukasz Kowalczyk - Allegro Sp. z o.o.
Formation - Google Gemini AI for Data Analysis
Traduction automatique