Plan du cours

Introduction à l'IA sur appareil

  • Principes fondamentaux de l'apprentissage automatique sur appareil
  • Avantages et défis des petits modèles linguistiques
  • Aperçu des contraintes matérielles des appareils mobiles et IoT

Optimisation des modèles pour le déploiement sur appareil

  • Quantification et élagage des modèles
  • Distillation des connaissances pour des modèles plus petits et efficaces
  • Sélection et adaptation des modèles pour les performances sur l'appareil

Outils et cadres d'IA spécifiques aux plateformes

  • Introduction à TensorFlow Lite et PyTorch Mobile
  • Utilisation de bibliothèques spécifiques à une plateforme pour l'IA sur l'appareil
  • Stratégies de déploiement multiplateforme

Inférence en temps réel et Edge Computing

  • Techniques pour une inférence rapide et efficace sur les appareils
  • Exploitation de l'informatique de pointe pour l'IA sur appareil
  • Études de cas d'applications d'IA en temps réel

Considérations relatives à l'alimentation Management et à la durée de vie de la batterie

  • Optimisation des applications d'IA pour l'efficacité énergétique
  • Équilibrer les performances et la consommation d'énergie
  • Stratégies pour prolonger la durée de vie de la batterie des appareils alimentés par l'IA

Sécurité et protection de la vie privée dans l'IA embarquée

  • Garantir la sécurité des données et la protection de la vie privée des utilisateurs
  • Traitement des données sur l'appareil pour la préservation de la vie privée
  • Mise à jour et maintenance sécurisées des modèles

Expérience utilisateur et conception des interactions

  • Concevoir des interactions d'IA intuitives pour les utilisateurs d'appareils
  • Intégration des modèles linguistiques dans les interfaces utilisateur
  • Tests utilisateurs et retour d'information pour l'IA sur appareil

Scalabilité et maintenance

  • Gestion et mise à jour des modèles sur les appareils déployés
  • Stratégies pour des solutions d'IA sur appareil évolutives
  • Surveillance et analyse des systèmes d'IA déployés

Projet et évaluation

  • Développement d'un prototype dans un domaine choisi et préparation du déploiement sur un appareil sélectionné
  • Présentation de la solution d'IA embarquée
  • Évaluation basée sur l'efficacité, l'innovation et la praticité

Résumé et prochaines étapes

Pré requis

  • Solides bases en apprentissage automatique et concepts d'apprentissage profond
  • Maîtrise de la programmation Python.
  • Connaissance de base des contraintes matérielles pour le déploiement de l'IA

Audience

  • Ingénieurs en apprentissage automatique et développeurs en IA
  • Ingénieurs en systèmes embarqués intéressés par les applications d'IA
  • Chefs de produit et responsables techniques supervisant des projets d'IA
 21 heures

Nombre de participants



Prix par participant

Cours Similaires

Small Language Models (SLMs): Applications and Innovations

14 heures

Small Language Models (SLMs) for Domain-Specific Applications

28 heures

Small Language Models (SLMs): Developing Energy-Efficient AI

21 heures

Small Language Models (SLMs) for Human-AI Interactions

14 heures

Adobe Firefly: Generative AI for Creatives

14 heures

Generative AI: Creating Novel Content with AI Models

14 heures

Generative AI for Beginners

14 heures

Generative AI Advanced

21 heures

Generative AI for Managers

21 heures

Generative AI: Impact on Cyber Security

28 heures

Generative AI for Developers

21 heures

Generative AI for Data Synthesis

21 heures

Generative AI in Education: Enhancing Personalized Learning

21 heures

Generative AI in Robotics: Creating Autonomous Solutions

28 heures

Generative AI in Healthcare: Transforming Medicine and Patient Care

21 heures

Catégories Similaires