Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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
