Plan du cours
Introduction à l'Edge AI dans les systèmes autonomes
- Aperçu de l'Edge AI et de son importance dans les systèmes autonomes
- Avantages et défis clés de l'implémentation de l'Edge AI dans les systèmes autonomes
- Tendances actuelles et innovations en Edge AI pour l'autonomie
- Applications concrètes et études de cas
Traitement en temps réel dans les systèmes autonomes
- Principes fondamentaux du traitement des données en temps réel
- Modèles d'IA pour la prise de décision en temps réel
- Gestion des flux de données et de la fusion de capteurs
- Exemples pratiques et études de cas
Edge AI dans les véhicules autonomes
- Modèles d'IA pour la perception et le contrôle des véhicules
- Développement et déploiement de solutions d'IA pour la navigation en temps réel
- Intégration de l'Edge AI avec les systèmes de contrôle des véhicules
- Études de cas d'Edge AI dans les véhicules autonomes
Edge AI dans les drones
- Modèles d'IA pour la perception et le contrôle de vol des drones
- Traitement des données en temps réel et prise de décision dans les drones
- Mise en œuvre de l'Edge AI pour le vol autonome et l'évitement d'obstacles
- Exemples pratiques et études de cas
Edge AI dans la robotique
- Modèles d'IA pour la perception et la manipulation robotiques
- Traitement en temps réel et contrôle dans les systèmes robotiques
- Intégration de l'Edge AI avec les architectures de contrôle robotique
- Études de cas d'Edge AI dans la robotique
Développement de modèles d'IA pour les applications autonomes
- Aperçu des modèles pertinents d'apprentissage automatique et d'apprentissage profond
- Entraînement et optimisation des modèles pour le déploiement edge
- Outils et frameworks pour l'Edge AI autonome (TensorFlow Lite, ROS, etc.)
- Validation et évaluation des modèles dans des contextes autonomes
Déploiement de solutions Edge AI dans les systèmes autonomes
- Étapes pour déployer des modèles d'IA sur différents matériels edge
- Traitement des données en temps réel et inférence sur des appareils edge
- Surveillance et gestion des modèles d'IA déployés
- Exemples de déploiement pratiques et études de cas
Considérations éthiques et réglementaires
- Assurer la sécurité et la fiabilité dans les systèmes d'IA autonomes
- Traiter les biais et l'équité dans les modèles d'IA autonomes
- Conformité aux réglementations et normes dans les systèmes autonomes
- Bonnes pratiques pour un déploiement responsable de l'IA dans les systèmes autonomes
Évaluation et optimisation des performances
- Techniques pour évaluer la performance des modèles dans les systèmes autonomes
- Outils pour la surveillance et le débogage en temps réel
- Stratégies pour optimiser la performance des modèles d'IA dans les applications autonomes
- Traitement des défis de latence, de fiabilité et d'évolutivité
Cas d'utilisation innovants et applications
- Applications avancées de l'Edge AI dans les systèmes autonomes
- Études de cas approfondies dans divers domaines autonomes
- Histoires de succès et enseignements tirés
- Tendances futures et opportunités en Edge AI pour l'autonomie
Projets pratiques et exercices
- Développement d'une application Edge AI complète pour un système autonome
- Projets et scénarios du monde réel
- Exercices de groupe collaboratifs
- Présentations de projets et retours d'information
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de l'IA et de l'apprentissage automatique
- De l'expérience avec des langages de programmation (Python recommandé)
- Familiarité avec la robotique, les systèmes autonomes ou des technologies connexes
Public cible
- Ingénieurs en robotique
- Développeurs de véhicules autonomes
- Chercheurs en IA
Nos clients témoignent (1)
Nous pouvons aborder des sujets avancés et travailler avec des exemples concrets.
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Formation - Advanced Edge AI Techniques
Traduction automatique