Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Introduction à l'IA de bord et à Nano Banana
- Caractéristiques clés des charges de travail IA de bord
- Architecture et capacités de Nano Banana
- Comparaison des stratégies de déploiement bord vs cloud
Préparation des modèles pour le déploiement sur le bord
- Sélection des modèles et évaluation de base
- Considérations relatives aux dépendances et à la compatibilité
- Exportation des modèles pour une optimisation supplémentaire
Techniques de compression des modèles
- Stratégies de taille (pruning) et parcimonie structurelle
- Partage de poids et réduction des paramètres
- Évaluation des impacts de la compression
Quantisation pour les performances de bord
- Méthodes de quantisation après entraînement
- Flux de travail d'entraînement tenant compte de la quantisation
- Approches INT8, FP16 et à précision mixte
Accélération avec Nano Banana
- Utilisation des accélérateurs Nano Banana
- Intégration d'ONNX et des backends matériels
- Évaluation comparative (benchmarking) de l'inférence accélérée
Déploiement sur les appareils de bord
- Intégration des modèles dans des applications embarquées ou mobiles
- Configuration et surveillance à l'exécution
- Dépannage des problèmes de déploiement
Profilage des performances et analyse des compromis
- Latence, débit (throughput) et contraintes thermiques
- Compromis entre précision et performance
- Stratégies d'optimisation itératives
Meilleures pratiques pour le maintien des systèmes d'IA de bord
- Versionnage et mises à jour continues
- Recul (rollback) des modèles et gestion de la compatibilité
- Considérations relatives à la sécurité et à l'intégrité
Synthèse et prochaines étapes
Pré requis
- Une compréhension des flux de travail du machine learning
- Une expérience du développement de modèles basés sur Python
- Une familiarité avec les architectures de réseaux de neurones
Public cible
- Ingénieurs en machine learning
- Scientifiques des données
- Praticiens MLOps
Nos clients témoignent (1)
Fluidez, ambiance et thème de la présentation
Lukasz Kowalczyk - Allegro Sp. z o.o.
Formation - Google Gemini AI for Data Analysis
Traduction automatique