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 alla distribuzione di modelli di visione artificiale ed elaborazione del linguaggio naturale con CANN
- Il ciclo di vita dei modelli AI: dall’addestramento alla distribuzione
- Aspetti fondamentali per garantire prestazioni ottimali in applicazioni in tempo reale
- Panoramica degli strumenti forniti da CANN SDK e del loro ruolo nell’integrazione dei modelli
Preparazione dei modelli di visione artificiale ed elaborazione del linguaggio naturale
- Esportazione di modelli da PyTorch, TensorFlow e MindSpore
- Gestione degli input/output adatti a compiti basati su immagini o testo
- Utilizzo dell’ATC per convertire i modelli nel formato OM
Distribuzione di pipeline di inferenza con AscendCL
- Esecuzione di inferenze di visione artificiale e elaborazione del linguaggio naturale tramite l’API AscendCL
- Pipeline di pre-elaborazione: ridimensionamento delle immagini, tokenizzazione e normalizzazione dei dati
- Fasi post-elaborazione: estrazione di bounding box, calcolo dei punteggi di classificazione e generazione del testo
Tecniche di ottimizzazione delle prestazioni
- Analisi delle prestazioni dei modelli con gli strumenti integrati in CANN
- Riduzione della latenza grazie all’uso di calcoli a precisione mista e al tuning dei batch
- Gestione efficiente della memoria e delle risorse computazionali in contesti di elaborazione continua
Casi d’uso nella visione artificiale
- Studio di caso: rilevamento di oggetti per sistemi di sorveglianza intelligente
- Studio di caso: controllo qualitativo visivo nei processi produttivi
- Realizzazione di pipeline analitiche su video in tempo reale sfruttando l’hardware Ascend 310
Casi d’uso nell’elaborazione del linguaggio naturale
- Studio di caso: analisi del sentiment e rilevamento delle intenzioni espresse
- Studio di caso: classificazione e sintesi automatica dei documenti
- Integrazione in tempo reale di modelli linguistici con API REST e sistemi di messaggistica
Riepilogo e prossimi passi
Requisiti
- Conoscenza basilare del deep learning applicato alla visione artificiale o all’elaborazione del linguaggio naturale
- Esperienza con Python e framework di intelligenza artificiale come TensorFlow, PyTorch o MindSpore
- Conoscenza di base dei processi di distribuzione e inferenza dei modelli
Destinatari del corso
- Professionisti della visione artificiale e dell’elaborazione del linguaggio naturale che utilizzano la piattaforma Ascend di Huawei
- Data scientist ed ingegneri AI impegnati nello sviluppo di modelli per il riconoscimento in tempo reale
- Sviluppatori responsabili dell’integrazione di pipeline CANN in contesti industriali, di sorveglianza o analisi dei media
14 ore
