Ponte en Contacto

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 de estrategias de despliegue en el borde versus en la nube.

Preparación de modelos para el despliegue en el borde

  • Selección de modelos y evaluación de línea base.
  • Consideraciones sobre dependencias y compatibilidad.
  • Exportación de modelos para una optimización adicional.

Técnicas de compresión de modelos

  • Estrategias de poda y esparsidad estructural.
  • Compartición de pesos y reducción de parámetros.
  • Evaluación de los impactos de la compresión.

Cuantización para el rendimiento en el borde

  • Métodos de cuantización posterior al entrenamiento.
  • Flujos de trabajo de entrenamiento consciente de la cuantización.
  • Enfoques de INT8, FP16 y precisión mixta.

Aceleración con Nano Banana

  • Uso de aceleradores de Nano Banana.
  • Integración de ONNX y backends de hardware.
  • Realización de pruebas de referencia (benchmarking) de inferencia acelerada.

Despliegue en dispositivos de borde

  • Integración de modelos en aplicaciones embebidas o móviles.
  • Configuración y supervisión del tiempo de ejecución.
  • Solucionamiento de problemas de despliegue.

Perfiles de rendimiento y análisis de equilibrios (trade-offs)

  • Restricciones de latencia, tasa de transferencia (throughput) y térmicas.
  • Equilibrios entre precisión y rendimiento.
  • Estrategias de optimización iterativas.

Mejores prácticas para el mantenimiento de sistemas de IA en el borde

  • Versionado y actualizaciones continuas.
  • Reversión de modelos (rollback) y gestión de compatibilidad.
  • Consideraciones de seguridad e integridad.

Resumen y próximos pasos

Requerimientos

  • Comprensión de los flujos de trabajo de aprendizaje automático.
  • Experiencia en el desarrollo de modelos basados en Python.
  • Conocimiento de las arquitecturas de redes neuronales.

Público objetivo

  • Ingenieros de aprendizaje automático (ML).
  • Científicos de datos.
  • Profesionales de MLOps.
 14 Horas

Número de participantes


Precio por participante

Reseñas (1)

Próximos cursos

Categorías Relacionadas