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’Edge AI nei sistemi autonomi
- Panoramica sull’Edge AI e sulla sua rilevanza nei contesti di automazione.
- Vantaggi principali ed eventuali ostacoli nell’implementazione dell’Edge AI nei sistemi autonomi.
- Tendenze attuali e innovazioni nell’ambito dell’Edge AI applicato all’autonomia.
- Applicazioni reali e casi di studio emblematici.
Elaborazione in tempo reale nei sistemi autonomi
- Fondamenti dell’elaborazione dei dati in tempo reale.
- Modelli di intelligenza artificiale utili per le decisioni immediate.
- Gestione degli flussi di dati e fusione delle informazioni provenienti da sensori.
- Esempi pratici e casi di studio rappresentativi.
L’Edge AI nei veicoli autonomi
- Modelli di IA per la percezione ambientale e il controllo dei veicoli.
- Sviluppo ed implementazione di soluzioni AI utili per la navigazione in tempo reale.
- Integrazione dell’Edge AI con i sistemi di controllo dei veicoli autonomi.
- Casi di studio riguardanti l’impiego dell’Edge AI nei veicoli autonomi.
L’Edge AI nei droni
- Modelli di intelligenza artificiale per la percezione visiva e il controllo del volo dei droni.
- Elaborazione in tempo reale dei dati e processi decisionali nei droni.
- Implementazione di soluzioni Edge AI per assicurare il volo autonomo e l’evitamento degli ostacoli.
- Esempi pratici e casi di studio significativi.
L’Edge AI nella robotica
- Modelli di intelligenza artificiale utili per la percezione e la manipolazione da parte dei robot.
- Elaborazione in tempo reale e controllo operativo nei sistemi robotici.
- Integrazione dell’Edge AI nelle architetture di controllo delle macchine robotiche.
- Casi di studio sull’utilizzo dell’Edge AI nella robotica.
Sviluppo dei modelli di intelligenza artificiale per applicazioni autonome
- Panoramica sui principali modelli di machine learning e deep learning impiegabili.
- Tecniche di addestramento e ottimizzazione dei modelli per la distribuzione ai margini della rete.
- Strumenti e framework utili nell’ambito dell’Edge AI autonomo (ad esempio TensorFlow Lite, ROS).
- Validazione ed analisi delle prestazioni dei modelli in contesti di automazione.
Distribuzione delle soluzioni Edge AI nei sistemi autonomi
- Fasi necessarie per distribuire i modelli di intelligenza artificiale su diverse piattaforme hardware.
- Elaborazione dei dati in tempo reale e inferenza effettuata dai dispositivi ai margini della rete.
- Monitoraggio e gestione continua dei modelli AI distribuiti.
- Esempi pratici di implementazione con relativi casi di studio.
Aspetti etici e normativi nell’utilizzo dell’Edge AI
- Modalità per garantire sicurezza ed affidabilità nei sistemi autonomi basati sull’IA.
- Gestione dei bias e garanzia di equità nelle soluzioni AI per i sistemi autonomi.
- Conformità alle normative vigenti e agli standard specifici relativi all’automazione.
- Linee guida consigliate per una distribuzione responsabile dell’IA nei sistemi autonomi.
Valutazione delle prestazioni e ottimizzazione dei modelli
- Metodi per valutare l’efficacia operativa dei modelli di intelligenza artificiale nei sistemi autonomi.
- Strumenti utili per il monitoraggio e il debug in tempo reale.
- Strategie pratiche volte ad aumentare le prestazioni dei modelli AI nelle applicazioni di automazione.
- Soluzioni ai problemi legati a latenza, affidabilità e scalabilità nei sistemi autonomi.
Nuovi ambiti d’impiego e casi innovativi
- Applicazioni avanzate dell’Edge AI nei contesti di automazione.
- Analisi approfondita dei casi concreti in diversi ambiti della robotica autonoma.
- Esperienze positive riscontrate e apprendimenti derivati da tali esperienze.
- Prospettive future e opportunità di sviluppo legate all’Edge AI per i sistemi autonomi.
Progetti pratici ed esercitazioni guidate
- Sviluppare un’applicazione completa basata sull’Edge AI destinata a un sistema autonomo.
- Esercitazioni su scenari e problemi realmente riscontrabili nella pratica.
- Attività collaborative da svolgere in gruppo.
- Presentazione dei progetti elaborati con relativo feedback fornito dai docenti.
Riassunto finale e indicazioni per il prosieguo
Requisiti
- Conoscenza di base dei concetti fondamentali legati all’intelligenza artificiale e al machine learning.
- Esperienza nell’uso di linguaggi di programmazione (si consiglia Python).
- Familiarità con la robotica, i sistemi autonomi o tecnologie affini.
Destinatari del corso
- Ingegneri robotici
- Sviluppatori di veicoli autonomi
- Ricercatori nell’ambito dell’intelligenza artificiale
14 ore
Recensioni (1)
Coprindo argomenti avanzati e lavorando con esempi pratici
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Corso - Advanced Edge AI Techniques
Traduzione automatica
