연락처 정보

코스 개요

엣지 AI 및 Nano Banana 소개

  • 엣지 AI 워크로드의 주요 특징
  • Nano Banana의 아키텍처 및 기능
  • 엣지 배포와 클라우드 배포 전략 비교

엣지 배포를 위한 모델 준비

  • 모델 선택 및 베이스라인 평가
  • 의존성 및 호환성 고려 사항
  • 추가 최적화를 위한 모델 내보내기

모델 압축 기법

  • 프루닝(Pruning) 전략 및 구조적 스파시티
  • 무게 공유(Weight Sharing) 및 파라미터 감소
  • 압축 영향 평가

엣지 성능을 위한 양자화

  • 학습 후 양자화(Post-training quantization) 방법
  • 양자화 인식 학습(Quantization-aware training) 워크플로우
  • INT8, FP16 및 혼합 정밀도(Mixed-precision) 접근법

Nano Banana를 이용한 가속

  • Nano Banana 액셀러레이터 활용
  • ONNX 및 하드웨어 백엔드 통합
  • 가속화된 추론 벤치마킹

엣지 디바이스 배포

  • 임베디드 또는 모바일 애플리케이션에 모델 통합
  • 런타임 구성 및 모니터링
  • 배포 문제 해결

성능 프로파일링 및 트레이드오프 분석

  • 지연 시간, 처리량 및 열(Thermal) 제약 조건
  • 정확도와 성능 간의 트레이드오프
  • 반복적 최적화 전략

엣지 AI 시스템 유지 관리 모범 사례

  • 버전 관리 및 지속적인 업데이트
  • 모델 롤백 및 호환성 관리
  • 보안 및 무결성 고려 사항

요약 및 다음 단계

요건

  • 머신러닝 워크플로우에 대한 이해
  • Python 기반 모델 개발 경험
  • 신경망 아키텍처에 대한 친숙함

대상 audiencia

  • ML 엔지니어
  • 데이터 과학자
  • MLOps 실무자
 14 시간

참가자 수


참가자별 가격

회원 평가 (1)

예정된 코스

관련 카테고리