Programa do Curso

Introdução à IA na Borda e ao Nano Banana

  • Características-chave dos workloads de IA na borda
  • Arquitetura e capacidades do Nano Banana
  • Comparação entre estratégias de implantação na borda versus em nuvem

Preparando Modelos para Implantação na Borda

  • Seleção e avaliação de modelos de linha de base
  • Considerações sobre dependências e compatibilidade
  • Exportando modelos para otimização adicional

Técnicas de Compressão de Modelos

  • Estratégias de poda e esparsidade estrutural
  • Compartilhamento de pesos e redução de parâmetros
  • Avaliando os impactos da compressão

Quantização para Desempenho na Borda

  • Métodos de quantização pós-treinamento
  • Workflows de treinamento com conscientização da quantização
  • Abordagens INT8, FP16 e de precisão mista

Aceleração com Nano Banana

  • Usando aceleradores do Nano Banana
  • Integrando ONNX e backends de hardware
  • Benchmarking de inferência acelerada

Implantação em Dispositivos de Borda

  • Integrando modelos em aplicações embarcadas ou móveis
  • Configuração e monitoramento em tempo de execução
  • Solução de problemas de implantação

Perfilagem de Desempenho e Análise de Trade-offs

  • Latência, throughput e restrições térmicas
  • Trade-offs entre precisão e desempenho
  • Estratégias de otimização iterativa

Melhores Práticas para Manutenção de Sistemas de IA na Borda

  • Versionamento e atualizações contínuas
  • Rollback de modelos e gerenciamento de compatibilidade
  • Considerações sobre segurança e integridade

Resumo e Próximos Passos

Requisitos

  • Compreensão dos fluxos de trabalho de aprendizado de máquina
  • Experiência com desenvolvimento de modelos baseado em Python
  • Familiaridade com arquiteturas de redes neurais

Público-alvo

  • Engenheiros de ML
  • Cientistas de dados
  • Praticantes de MLOps
 14 Horas

Número de participantes


Preço por participante

Declaração de Clientes (1)

Próximas Formações Provisórias

Categorias Relacionadas