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 a 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 su optimización posterior
Técnicas de compresión de modelos
- Estrategias de poda y rareza 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
- Evaluación del rendimiento de inferencia acelerada
Despliegue en dispositivos de borde
- Integración de modelos en aplicaciones embebidas o móviles
- Configuración y monitoreo en tiempo de ejecución
- Solución de problemas de despliegue
Perfilado de rendimiento y análisis de compensaciones
- Restricciones de latencia, rendimiento (throughput) y térmicas
- Compensaciones entre precisión y rendimiento
- Estrategias de optimización iterativa
Mejores prácticas para el mantenimiento de sistemas de IA en el borde
- Versionado 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
- Experiencia en el desarrollo de modelos basados en Python
- Conocimiento de las arquitecturas de redes neuronales
Público objetivo
- Ingenieros de ML
- Científicos de datos
- Practicantes de 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
