Prenez contact avec nous

Plan du cours

Introduction à l’IA edge et à Nano Banana

  • Caractéristiques clés des charges de travail en IA edge
  • Architecture et capacités de Nano Banana
  • Comparaison des stratégies de déploiement edge par rapport au cloud

Préparation des modèles pour le déploiement edge

  • Sélection des modèles et évaluation de référence (baseline)
  • Considérations relatives aux dépendances et à la compatibilité
  • Exportation des modèles pour une optimisation ultérieure

Techniques de compression de modèles

  • Stratégies d’élagage (pruning) et de sparsité structurelle
  • Partage de poids et réduction des paramètres
  • Évaluation de l’impact de la compression

Quantification pour les performances edge

  • Méthodes de quantification après entraînement (post-training)
  • Flux de travail de formation sensible à la quantification (quantization-aware training)
  • Approches INT8, FP16 et précision mixte

Accélération avec Nano Banana

  • Utilisation des accélérateurs Nano Banana
  • Intégration d’ONNX et des back-ends matériels
  • Évaluation comparative (benchmarking) de l’inférence accélérée

Déploiement sur les appareils edge

  • Intégration des modèles dans des applications embarquées ou mobiles
  • Configuration et supervision du temps d’exécution (runtime)
  • Dépannage des problèmes de déploiement

Profilage des performances et analyse des compromis

  • Contraintes de latence, de débit et de thermique
  • Compromis entre précision et performance
  • Stratégies d’optimisation itérative

Meilleures pratiques pour le maintien des systèmes d’IA edge

  • Versioning et mises à jour continues
  • Gestion des retours (rollback) et de la compatibilité des modèles
  • Considérations relatives à la sécurité et à l’intégrité

Synthèse et prochaines étapes

Pré requis

  • Une bonne compréhension des flux de travail en apprentissage automatique (machine learning).
  • Une expérience en 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
 14 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (1)

Cours à venir

Catégories Similaires