Autor:in:
Loic Domaigné | Doulos GmbH | Germany
Sprache:
Deutsch (Schulungsmaterial auf English)
Zielgruppe:
Softwareentwickler, System- und Softwarearchitekten, Produktmanager und -owner, die in ihrem aktuellen oder nächsten Projekt eine Edge AI Lösung einführen wollen
Voraussetzungen:
Kentnisse in Python und C++ sind wünschenswert.
Überblick und Zusammenfassungen:
KI ist jetzt ist alle Munde. Aber was bedeutet es, fern von Hype und Magie, KI in embedded Produkten bzw. Edge-Devices einzusetzen? Sind Sie unsicher, ob Sie ein solches Projekt erfolgreich stemmen können und was die Anforderungen und Risiken sind? Dann sind Sie hier genau richtig!
Im Seminar werden sämtliche Schritte eines MLOps Workflows besprochen, vom Sammeln der Daten hin zu ausführbarem Code auf Ihrem embedded System, ob MCU-, CPU- oder FPGA-basierend, mit oder ohne NPU. Welche Risiken gibt es bei der Projektumsetzung? Wie können wir diese minimieren? Wie werden ML Algorithmen getestet und validiert? Können wir eine bereits existierende ML-Lösung anpassen, statt wieder alles neu zu erfinden und zu entwickeln? Was sind die Tücken bei diesem Vorgehen?
In diesem Kompaktseminar gehen wir diesen Fragen nach, sowohl in der Theorie als auch in der Praxis. Mit hilfe von maschinellem Lernen bauen wir ein Model, um die eingangs gestellte Frage zu beantworten: "Wird es in die nächste Stunden schneien?" Das so trainierte Modell bringen wir danach auf ein Edge Device mit den benötigten Sensoren (Druck, Temperatur und Feuchtigkeit).
Agenda:
- Daten, Daten, Daten!
- Daten analysieren, kuratiern
- Feature Engineering
- Neuronal Netze implementieren, trainieren, evaluieren und validieren
- Model für Edge Device optimieren
- Model auf den Device bringen
- Ausblick
Für die praktische Demo, werden wir gängige Open Source Tools/Bibliotheken benutzen wie z.B: numpy, pandas, keras, tensorflow, tflite-micro.
Art der Vermittlung:
Methoden Erklärungen, Praktische Demonstration und Diskussion.
Nutzen:
Die Teilnehmer bekommen eine praktische Einführung wie man KI für Edge Device einsetzen kann.
Der Seminar stellt die wichtigen Schritte eines ML-Projektes für Embedded Systeme vor. Die Zuhörer lernen dabei, an solche Projekte methodisch heranzugehen und wie kritisch die Daten für den Projekterfolg sind. Des weiteren wird gezeigt, wie man ML-Algorithmen in der Praxis testet und validiert wird.
Themen wie: Daten clean-up, Verteilung und statistische Aussage, Unter- und Überanpassung werden konkrete dargestellt. Der Seminar zeigt, wie man ein model für Edge Device optimiert und schliesslich einsetzt und welche Open source tools angewendet werden können.