Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción a la IA en el borde y Nano Banana
- Características clave de las cargas de trabajo de IA en el borde.
- Arquitectura y capacidades de Nano Banana.
- Comparación entre estrategias de despliegue en el borde y en la nube.
Preparación de modelos para el despliegue en el borde
- Selección de modelos y evaluación de la línea base.
- Consideraciones sobre dependencias y compatibilidad.
- Exportación de modelos para una optimización posterior.
Técnicas de compresión de modelos
- Estrategias de poda y esparsidad estructural.
- Compartición de pesos y reducción de parámetros.
- Evaluación del impacto de la compresión.
Cuantización para el rendimiento en el borde
- Métodos de cuantización pos-entrenamiento.
- Flujos de trabajo de entrenamiento consciente de la cuantización.
- Enfoques INT8, FP16 y de precisión mixta.
Aceleración con Nano Banana
- Uso de aceleradores de Nano Banana.
- Integración de ONNX y backends de hardware.
- Benchmarking de la inferencia acelerada.
Despliegue en dispositivos de borde
- Integración de modelos en aplicaciones embebidas o móviles.
- Configuración y monitoreo del tiempo de ejecución.
- Resolución de problemas de despliegue.
Perfiles de rendimiento y análisis de compensaciones
- Restricciones de latencia, ancho de banda y térmicas.
- Compensaciones entre precisión y rendimiento.
- Estrategias de optimización iterativa.
Mejores prácticas para el mantenimiento de sistemas de IA en el borde
- Control de versiones y actualizaciones continuas.
- Reversión de modelos y gestión de compatibilidad.
- Consideraciones de seguridad e integridad.
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático (machine learning).
- Experiencia en el desarrollo de modelos basados en Python.
- Familiaridad con arquitecturas de redes neuronales.
Público objetivo
- Ingenieros de ML.
- Científicos de datos.
- Especialistas en MLOps.
Reseñas (1)
Flujo, vibra y tema en la presentación
Lukasz Kowalczyk - Allegro Sp. z o.o.
Curso - Google Gemini AI for Data Analysis
Traducción Automática
