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 Despliegue en el Borde

  • Selección de modelos y evaluación de línea base
  • Consideraciones de 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 post-entrenamiento
  • Flujos de trabajo de cuantización consciente del entrenamiento
  • Enfoques INT8, FP16 y precisión mixta

Aceleración con Nano Banana

  • Uso de aceleradores de Nano Banana
  • Integración de ONNX y backends de hardware
  • Benchmarking de inferencia acelerada

Despliegue en Dispositivos Perimetrales

  • Integración de modelos en aplicaciones incrustadas o móviles
  • Configuración y monitoreo en tiempo de ejecución
  • Solución de problemas de despliegue

Perfilado de Rendimiento y Análisis de Compromisos

  • Latencia, rendimiento y restricciones térmicas
  • Compromisos entre precisión y rendimiento
  • Estrategias de optimización iterativa

Mejores Prácticas para Mantener Sistemas de IA en el Borde

  • Versionado y actualizaciones continuas
  • Rollback 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
  • Familiaridad con arquitecturas de redes neuronales

Audiencia

  • Ingenieros de ML
  • Científicos de datos
  • Practicantes de MLOps
 14 Horas

Número de participantes


Precio por Participante​

Testimonios (1)

Próximos cursos

Categorías Relacionadas