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 edge y Nano Banana
- Características clave de las cargas de trabajo de IA en el edge
- Arquitectura y capacidades de Nano Banana
- Comparación de estrategias de despliegue en edge versus en la nube
Preparación de modelos para el despliegue en el edge
- Selección de modelos y evaluación de línea base
- Consideraciones sobre dependencias y compatibilidad
- Exportación de modelos para su optimización posterior
Técnicas de compresión de modelos
- Estrategias de poda y esparsidad estructural
- Compartir pesos y reducción de parámetros
- Evaluación de los impactos de la compresión
Cuantización para el rendimiento en el edge
- Métodos de cuantización post-entrenamiento
- Flujos de trabajo de entrenamiento consciente de la cuantización (QAT)
- Enfoques de INT8, FP16 y precisión mixta
Aceleración con Nano Banana
- Utilización de aceleradores de Nano Banana
- Integración de ONNX y backends de hardware
- Pruebas de rendimiento (benchmarking) de la inferencia acelerada
Despliegue en dispositivos de edge
- Integración de modelos en aplicaciones embebidas o móviles
- Configuración y monitoreo en tiempo de ejecución
- Diagnóstico y solución de problemas de despliegue
Perfiles de rendimiento y análisis de equilibrios
- Latencia, rendimiento (throughput) y restricciones térmicas
- Equilibrios entre precisión y rendimiento
- Estrategias de optimización iterativas
Prácticas recomendadas para el mantenimiento de sistemas de IA en el edge
- Control de versiones y actualizaciones continuas
- Reversión de modelos y gestión de compatibilidad
- Consideraciones sobre seguridad e integridad
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de machine learning.
- Experiencia en el desarrollo de modelos basados en Python.
- Familiaridad con las arquitecturas de redes neuronales.
Público objetivo
- Ingenieros de machine learning.
- 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
