Struttura del corso
Introduzione all'Edge AI
- Definizione e concetti chiave
- Differenze tra Edge AI e cloud AI
- Vantaggi e casi d'uso dell'Edge AI
- Panoramica dei dispositivi e delle piattaforme edge
Configurazione dell'ambiente Edge
- Introduzione ai dispositivi edge (Raspberry Pi, NVIDIA Jetson, ecc.)
- Installazione del software e delle librerie necessarie
- Configurazione dell'ambiente di sviluppo
- Preparazione dell'hardware per l'implementazione dell'intelligenza artificiale
Sviluppo di modelli di intelligenza artificiale per l'edge
- Panoramica dei modelli di machine learning e deep learning per i dispositivi edge
- Tecniche per l'addestramento di modelli in ambienti locali e cloud
- Ottimizzazione del modello per l'implementazione edge (quantizzazione, sfoltimento, ecc.)
- Strumenti e framework per lo sviluppo di Edge AI (TensorFlow Lite, OpenVINO, ecc.)
Distribuzione di modelli di intelligenza artificiale su dispositivi edge
- Passaggi per la distribuzione di modelli di intelligenza artificiale su vari hardware edge
- Elaborazione e inferenza dei dati in tempo reale su dispositivi periferici
- Monitoraggio e gestione dei modelli distribuiti
- Esempi pratici e casi di studio
Soluzioni e progetti pratici di intelligenza artificiale
- Sviluppo di applicazioni di intelligenza artificiale per dispositivi edge (ad esempio, visione artificiale, elaborazione del linguaggio naturale)
- Progetto pratico: Creazione di un sistema di telecamere intelligenti
- Progetto pratico: implementazione del riconoscimento vocale sui dispositivi periferici
- Progetti di gruppo collaborativi e scenari reali
Valutazione e ottimizzazione delle prestazioni
- Tecniche per la valutazione delle prestazioni del modello nei dispositivi perimetrali
- Strumenti per il monitoraggio e il debug di applicazioni di intelligenza artificiale edge
- Strategie per ottimizzare le prestazioni dei modelli di intelligenza artificiale
- Affrontare le sfide della latenza e del consumo energetico
Integrazione con i sistemi IoT
- Connettere le soluzioni di intelligenza artificiale edge con dispositivi e sensori IoT
- Communication Protocolli e metodi di scambio dati
- Creazione di una soluzione edge AI e IoT end-to-end
- Esempi pratici di integrazione
Considerazioni etiche e di sicurezza
- Garantire la privacy e la sicurezza dei dati nelle applicazioni Edge AI
- Affrontare i pregiudizi e l'equità nei modelli di IA
- Conformità alle normative e agli standard
- Best practice per un'implementazione responsabile dell'IA
Progetti pratici ed esercizi
- Sviluppo di un'applicazione Edge AI completa
- Progetti e scenari del mondo reale
- Esercizi collaborativi di gruppo
- Presentazioni e feedback dei progetti
Riepilogo e prossime tappe
Requisiti
- Comprensione dei concetti di intelligenza artificiale e apprendimento automatico
- Esperienza con i linguaggi di programmazione (Python consigliato)
- Familiarità con i concetti di edge computing
Pubblico
- Gli sviluppatori
- Scienziati dei dati
- Appassionati di tecnologia
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.