Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione all'ecosistema AI di Huawei
- Hardware AI Ascend: panoramica di 310, 910 e 910B
- Componenti di alto livello: MindSpore, CANN, AscendCL
- Posizionamento nel settore e principi architetturali
Il ruolo di CANN nello stack AI di Huawei
- Cos'è CANN? Scopo del SDK e layer interni
- ATC, TBE e AscendCL: compilazione ed esecuzione dei modelli
- Come CANN supporti l'ottimizzazione dell'inferenza e il deployment
Panoramica e architettura di MindSpore
- Flussi di lavoro per il training e l'inferenza in MindSpore
- Modalità Graph, PyNative e astrazione dell'hardware
- Integrazione con NPU Ascend tramite backend CANN
Ciclo di vita AI su Ascend: dal training al deployment
- Creazione di modelli in MindSpore o conversione da altri framework
- Esportazione e compilazione dei modelli utilizzando ATC
- Deployment su hardware Ascend utilizzando modelli OM e AscendCL
Confronto con altri stack AI
- MindSpore vs. PyTorch, TensorFlow: focus e posizionamento
- Flussi di deployment su Ascend vs. stack basati su GPU
- Opportunità e limiti per l'uso enterprise
Scenari di integrazione enterprise
- Casi d'uso nella smart manufacturing, AI governativa e telecomunicazioni
- Scalabilità, conformità e considerazioni sull'ecosistema
- Deployment ibrido cloud/on-premise utilizzando lo stack Huawei
Riepilogo e prossimi passi
Requisiti
- Familiarità con i flussi di lavoro AI o con l'architettura delle piattaforme
- Comprendere di base il training e il deployment dei modelli
- Non sono richieste esperienze pratiche pregresse con CANN o MindSpore
Destinatari
- Valutatori di piattaforme AI e architetti infrastrutturali
- DevOps AI/ML e specialisti nell'integrazione di pipeline
- Manager tecnologici e decisori
14 ore
