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 su dispositivi e piattaforme edge
Impostazione dell'Ambiente Edge
- Introduzione ai dispositivi edge (Raspberry Pi, NVIDIA Jetson, ecc.)
- Installazione dei software e delle librerie necessari
- Configurazione dell'ambiente di sviluppo
- Preparazione dell'hardware per il deployment di AI
Sviluppo di Modelli di AI per l'Edge
- Panoramica sui modelli di machine learning e deep learning per dispositivi edge
- Technique per l'addestramento dei modelli in ambienti locali e cloud
- Ottimizzazione dei modelli per il deployment su edge (quantizzazione, pruning, ecc.)
- Strumenti e framework per lo sviluppo di Edge AI (TensorFlow Lite, OpenVINO, ecc.)
Deployment di Modelli di AI su Dispositivi Edge
- Passi per il deployment di modelli di AI su diversi hardware edge
- Elaborazione dati in tempo reale e inferenza su dispositivi edge
- Monitoraggio e gestione dei modelli deployment
- Esempi pratici e casi di studio
Soluzioni e Progetti Pratici di AI
- Sviluppo di applicazioni AI per dispositivi edge (es. computer vision, elaborazione del linguaggio naturale)
- Progetto pratico: Creazione di un sistema di smart camera
- Progetto pratico: Implementazione del riconoscimento vocale su dispositivi edge
- Progetti di gruppo collaborativi e scenari reali
Valutazione delle Prestazioni e Ottimizzazione
- Technique per valutare le prestazioni dei modelli su dispositivi edge
- Strumenti per il monitoraggio e la debug delle applicazioni Edge AI
- Strategie per ottimizzare le prestazioni dei modelli di AI
- Affrontare le sfide di latenza e consumo energetico
Integrazione con Sistemi IoT
- Connessione di soluzioni Edge AI con dispositivi e sensori IoT
- Protocolli di comunicazione e metodi di scambio dati
- Creazione di una soluzione End-to-End Edge AI e IoT
- Esempi pratici di integrazione
Considerazioni Etiche e di Sicurezza
- Garantire privacy e sicurezza dei dati nelle applicazioni Edge AI
- Affrontare il bias e l'equità nei modelli di AI
- Conformità a regolamenti e standard
- Best practice per il deployment responsabile di AI
Progetti ed Esercizi Pratici
- Sviluppo di un'applicazione Edge AI completa
- Progetti e scenari reali
- Esercizi di gruppo collaborativi
- Presentazioni dei progetti e feedback
Requisiti
- Conoscenza dei concetti di AI e machine learning
- Esperienza con i linguaggi di programmazione (consigliato Python)
- Familiarità con i concetti di edge computing
Pubblico Obiettivo
- Sviluppatori
- Data scientist
- Appassionati di tecnologia
Recensioni (3)
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
Lavorare partendo dai principi fondamentali in modo concentrato, e passare all'applicazione di casi pratici nello stesso giorno
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduzione automatica
Stava utilizzando dati reali di una società. Il formatore aveva un approccio molto efficace, coinvolgendo i partecipanti e incentivando la competizione
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Corso - Applied AI from Scratch in Python
Traduzione automatica