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 al ecosistema de IA de Huawei
- Hardware de IA Ascend: visión general de los modelos 310, 910 y 910B
- Componentes de alto nivel: MindSpore, CANN y AscendCL
- Posicionamiento en la industria y principios de arquitectura
El papel de CANN en el stack de IA de Huawei
- ¿Qué es CANN? Propósito del SDK y capas internas
- ATC, TBE y AscendCL: compilación y ejecución de modelos
- Cómo CANN respalda la optimización de inferencia y la implementación
Visión general y arquitectura de MindSpore
- Flujos de trabajo de entrenamiento e inferencia en MindSpore
- Modo gráfico, PyNative y abstracción de hardware
- Integración con la NPU Ascend a través del backend CANN
Ciclo de vida de la IA en Ascend: del entrenamiento a la implementación
- Creación de modelos en MindSpore o conversión desde otros marcos
- Exportación y compilación de modelos utilizando ATC
- Implementación en hardware Ascend utilizando modelos OM y AscendCL
Comparación con otros stacks de IA
- MindSpore vs. PyTorch y TensorFlow: enfoque y posicionamiento
- Flujos de implementación en Ascend vs. stacks basados en GPU
- Oportunidades y limitaciones para el uso empresarial
Escenarios de integración empresarial
- Casos de uso en fabricación inteligente, IA gubernamental y telecomunicaciones
- Consideraciones sobre escalabilidad, cumplimiento normativo y ecosistema
- Implementación híbrida en la nube/local (on-premises) utilizando el stack de Huawei
Resumen y próximos pasos
Requerimientos
- Familiaridad con los flujos de trabajo de IA o la arquitectura de la plataforma.
- Comprensión básica del entrenamiento y la implementación de modelos.
- No se requiere experiencia práctica previa con CANN o MindSpore.
Público objetivo
- Evaluadores de plataformas de IA y arquitectos de infraestructura.
- Profesionales de DevOps de IA/ML e integradores de pipelines.
- Gerentes tecnológicos y tomadores de decisiones.
