Course Outline

장치 내 AI 소개

  • 장치 내 머신러닝의 기본 원리
  • 소규모 언어 모델의 장점과 도전 과제
  • 모바일 및 IoT 장치의 하드웨어 제한 사항 개요

장치 내 배포를 위한 모델 최적화

  • 모델 양자화 및 프루닝
  • 작은 효율적인 모델을 위한 지식 증류
  • 장치 내 성능을 위한 모델 선택 및 적응

플랫폼 특정 AI 도구 및 프레임워크

  • TensorFlow Lite와 PyTorch Mobile 소개
  • 장치 내 AI를 위한 플랫폼 특정 라이브러리 활용
  • 크로스 플랫폼 배포 전략

실시간 추론 및 엣지 컴퓨팅

  • 장치에서의 빠른 효율적인 추론 기술
  • 장치 내 AI를 위한 엣지 컴퓨팅 활용
  • 실시간 AI 애플리케이션 사례 연구

전력 관리 및 배터리 수명 고려 사항

  • AI 애플리케이션을 위한 에너지 효율성 최적화
  • 성능과 전력 소비를 균형 있게 조정
  • AI 파워드 장치의 배터리 수명 연장 전략

장치 내 AI의 보안 및 프라이버시

  • 데이터 보안과 사용자 프라이버시 보장
  • 프라이버시 보호를 위한 장치 내 데이터 처리
  • 보안 모델 업데이트 및 유지 관리

사용자 경험 및 상호작용 디자인

  • 장치 사용자를 위한 직관적인 AI 상호작용 디자인
  • 사용자 인터페이스와 언어 모델 통합
  • 장치 내 AI를 위한 사용자 테스트 및 피드백

확장성 및 유지 관리

  • 배포된 장치에서 모델 관리 및 업데이트
  • 확장 가능한 장치 내 AI 솔루션을 위한 전략
  • 배포된 AI 시스템을 위한 모니터링 및 분석

프로젝트 및 평가

  • 선택된 도메인에서 프로토타입 개발 및 선택된 장치에 대한 배포 준비
  • 장치 내 AI 솔루션 발표
  • 효율성, 혁신성 및 실용성에 기반한 평가

요약 및 다음 단계

Requirements

  • 기계 학습 및 심층 학습 개념에 대한 강력한 기초
  • 파이썬 프로그래밍 능력
  • AI 배포를 위한 하드웨어 제약 조건에 대한 기본 지식

대상

  • 기계 학습 엔지니어 및 AI 개발자
  • AI 응용에 관심이 있는 임베디드 시스템 엔지니어
  • AI 프로젝트를 담당하는 제품 매니저 및 기술 리더
 21 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories