Edge-KI und Embedded-KI
Diese Videoserie führt in Edge- und Embedded-KI ein, bei der trainierte Modelle direkt auf lokalen Geräten wie Edge-Computern oder eingebetteten Systemen ausgeführt werden, anstatt auf die Cloud angewiesen zu sein. Erfahren Sie, wie dieser Ansatz schnellere Reaktionen ermöglicht, den Bandbreitenverbrauch reduziert, den Datenschutz verbessert und die Zuverlässigkeit auch bei instabilen Netzwerkverbindungen erhöht.
Entdecken Sie, wie sich die Entwicklung von KI für Edge- und eingebettete Systeme von der Bereitstellung in der Cloud unterscheidet. Obwohl der grundlegende Workflow ähnlich ist, muss der Optimierung von Modellen für Geräte mit begrenzten Ressourcen besondere Aufmerksamkeit gewidmet werden. Die Videos behandeln praktische Strategien wie Pruning, Quantisierung und Projektion, um Ihre Modelle an die Zielhardware anzupassen und deren Leistung effizient zu gestalten. Anhand praktischer Beispiele erfahren Sie, wie neuronale Netzmodelle komprimiert werden können – manchmal um über 90% – ohne dabei an Genauigkeit zu verlieren, wodurch es möglich wird, fortschrittliche KI-Fähigkeiten auf ressourcenbeschränkte Geräte zu bringen.
Eine praktische Einführung in Edge-KI
Lernen Sie die praktischen Herausforderungen von Edge-KI kennen, darunter Validierung, Optimierung, Bereitstellung und Zuverlässigkeitsaspekte.
Eine Einführung in formale Verifikationsmethoden für neuronale Netze
Lernen Sie die formale Verifikation neuronaler Netze kennen, einschließlich Polyeder- und Intervallmethoden sowie Algorithmen wie DeepPoly und CROWN.
Komprimierung neuronaler Netze für Embedded KI: Pruning, Projektion und Quantisierung
Lernen Sie, wie Sie neuronale Netze mithilfe von Pruning, Projektion und Quantisierung komprimieren, um sie effizient auf Embedded-Geräten auszuführen – ohne an Genauigkeit einzubüßen.
