Struttura del corso

Introduzione all'Edge AI e Nano Banana

  • Caratteristiche principali dei carichi di lavoro edge-AI
  • Architettura e capacità di Nano Banana
  • Confronto tra strategie di deployment su edge e cloud

Preparazione dei Modelli per il Deployment su Edge

  • Selezione del modello e valutazione base
  • Considerazioni di dipendenza e compatibilità
  • Esportazione dei modelli per ulteriori ottimizzazioni

Tecniche di Compressione del Modello

  • Strategie di pruning e sparsità strutturale
  • Condivisione dei pesi e riduzione dei parametri
  • Valutazione degli impatti della compressione

Quantizzazione per le Prestazioni su Edge

  • Metodi di quantizzazione post-training
  • Workflow di training con consapevolezza della quantizzazione
  • Approcci INT8, FP16 e a precisione mista

Accelerazione con Nano Banana

  • Utilizzo degli acceleratori di Nano Banana
  • Integrazione con ONNX e backends hardware
  • Benchmarking dell'inferenza accelerata

Deployment su Dispositivi Edge

  • Integrazione dei modelli in applicazioni embedded o mobili
  • Configurazione e monitoraggio di runtime
  • Risoluzione dei problemi di deployment

Profilatura delle Prestazioni e Analisi degli Scambi

  • Latenza, throughput e vincoli termici
  • Scambi tra precisione e prestazioni
  • Strategie di ottimizzazione iterativa

Best Practices per la Manutenzione dei Sistemi Edge-AI

  • Versionamento e aggiornamenti continui
  • Rollback del modello e gestione della compatibilità
  • Considerazioni di sicurezza e integrità

Riepilogo e Passi Successivi

Requisiti

  • Comprensione dei workflow di apprendimento automatico
  • Esperienza nello sviluppo di modelli basati su Python
  • Familiarità con le architetture delle reti neurali

Pubblico di Riferimento

  • Ingegneri ML
  • Data scientists
  • Praticanti MLOps
 14 Ore

Numero di Partecipanti


Prezzo per Partecipante

Recensioni (1)

Corsi in Arrivo

Categorie relative