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 al Federated Learning
- Panoramica della formazione AI tradizionale vs. federated learning
- Principi fondamentali e vantaggi del federated learning
- Casistiche di utilizzo del federated learning nelle applicazioni Edge AI
Architettura e Workflow del Federated Learning
- Comprendere i modelli client-server e peer-to-peer nel federated learning
- Partizionamento dei dati e formazione del modello decentralizzato
- Protocolli di comunicazione e strategie di aggregazione
Implementazione del Federated Learning con TensorFlow Federated
- Configurare TensorFlow Federated per la formazione AI distribuita
- Creare modelli di federated learning utilizzando Python
- Simulare il federated learning sui dispositivi Edge
Federated Learning con PyTorch e OpenFL
- Introduzione ad OpenFL per il federated learning
- Implementazione di modelli federati basati su PyTorch
- Personalizzazione delle tecniche di aggregazione federata
Ottimizzazione delle Prestazioni per Edge AI
- Accelerazione hardware per il federated learning
- Riduzione dell'overhead di comunicazione e della latenza
- Strategie di apprendimento adattative per dispositivi con risorse limitate
Privacy e Sicurezza dei Dati nel Federated Learning
- Tecniche di preservazione della privacy (Secure Aggregation, Privacy Differenziale, Crittografia Omomorfica)
- Mitigazione dei rischi di fuga dati nei modelli AI federati
- Conformità normativa e considerazioni etiche
Deployment di Sistemi di Federated Learning
- Configurare il federated learning sui dispositivi Edge reali
- Monitoraggio e aggiornamento dei modelli federati
- Scalabilità delle distribuzioni di federated learning in ambienti aziendali
Tendenze Future e Casistiche Pratiche
- Ricerche emergenti nel federated learning ed Edge AI
- Studi di caso reali nel settore sanitario, finanziario e IoT
- Passaggi successivi per avanzare le soluzioni di federated learning
Riepilogo e Passaggi Successivi
Requisiti
- Comprensione solida dei concetti di machine learning e deep learning
- Esperienza con la programmazione Python e i framework AI (PyTorch, TensorFlow o simili)
- Conoscenze di base del calcolo distribuito e networking
- Familiarità con i concetti di privacy e sicurezza dei dati nell'IA
Pubblico
- Ricerca AI
- Data scientists
- Specialisti della sicurezza
21 Ore
