Contattataci

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
 14 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (3)

Corsi in Arrivo

Categorie relative