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 TinyML e all’Intelligenza Artificiale per dispositivi embedded
- Caratteristiche distintive della distribuzione di modelli TinyML
- Vincoli tipici degli ambienti basati su microcontrollori
- Panoramica sugli strumenti e le librerie per l’AI embedded
Fondamenti dell’ottimizzazione dei modelli
- Identificazione dei colli di bottiglia computazionali
- Rilevamento delle operazioni particolarmente gravose in termini di utilizzo della memoria
- Analisi preliminare delle prestazioni dei modelli
Tecniche di quantizzazione
- Strategie di quantizzazione post-addestramento
- Addestramento consapevole della quantizzazione
- Valutazione dei compromessi tra accuratezza e risparmio di risorse hardware
Pruning e compressione dei modelli
- Metodi di pruning strutturato e non strutturato
- Condivisione dei pesi e realizzazione di modelli sparsi
- Algoritmi di compressione volti a ridurre al minimo il carico computazionale in fase di inferenza
Ottimizzazione tenendo conto delle caratteristiche hardware
- Implementazione di modelli su sistemi ARM Cortex-M
- Ottimizzazioni mirate a sfruttare al meglio le estensioni DSP e gli acceleratori hardware
- Considerazioni riguardanti il mapping della memoria e la gestione del flusso dati
Benchmarking e validazione dei modelli
- Analisi della latenza e del throughput generato dai modelli
- Misurazione del consumo energetico durante l’esecuzione
- Test di accuratezza e robustezza dei modelli sviluppati
Flussi di lavoro e strumenti per la distribuzione dei modelli
- Utilizzo di TensorFlow Lite Micro nella fase di implementazione su dispositivi embedded
- Integrazione dei modelli TinyML nei flussi di lavoro offerti da Edge Impulse
- Procedure di test e debugging direttamente sull’hardware reale
Strategie avanzate di ottimizzazione
- Applicazione della ricerca automatica dell’architettura neuronale per il contesto TinyML
- Approcci ibridi che combinano quantizzazione e pruning
- Tecniche di distillazione dei modelli volte a rendere più efficace l’inferenza su risorse limitate
Riassunto finale e prospettive future
Requisiti
- Conoscenza dei principali flussi di lavoro legati all’apprendimento automatico
- Esperienza nello sviluppo di sistemi embedded o nell’utilizzo di microcontrollori
- Familiarità con il linguaggio di programmazione Python
Destinatari del corso
- Ricercatori nel campo dell’Intelligenza Artificiale
- Ingegneri specializzati nello sviluppo di sistemi ML per ambienti embedded
- Professionisti impegnati nella creazione di sistemi di inferenza con risorse limitate
21 ore
