Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA en Dispositivo
- Fundamentos del aprendizaje automático en dispositivos locales
- Ventajas y desafíos de los modelos de lenguaje pequeños
- Visión general de las limitaciones de hardware en dispositivos móviles e IoT
Optimización de Modelos para el Despliegue Local
- Cuantización y poda de modelos (pruning)
- Destilación de conocimiento para crear modelos más pequeños y eficientes
- Selección y adaptación de modelos para el rendimiento local
Herramientas y Frameworks Específicos por Plataforma
- Introducción a TensorFlow Lite y PyTorch Mobile
- Utilización de bibliotecas específicas de la plataforma para IA local
- Estrategias de despliegue multiplataforma
Inferencia en Tiempo Real y Computación en el Borde (Edge Computing)
- Técnicas para una inferición rápida y eficiente en dispositivos
- Aprovechamiento de la computación en el borde para IA local
- Estudios de caso de aplicaciones de IA en tiempo real
Gestión de Energía y Consideraciones sobre la Batería
- Optimización de aplicaciones de IA para la eficiencia energética
- Equilibrio entre rendimiento y consumo de energía
- Estrategias para extender la vida útil de la batería en dispositivos con IA
Seguridad y Privacidad en la IA Local
- Garantizar la seguridad de los datos y la privacidad del usuario
- Procesamiento de datos local para preservar la privacidad
- Actualizaciones seguras y mantenimiento de modelos
Experiencia del Usuario y Diseño de Interacción
- Diseño de interacciones intuitivas con IA para los usuarios del dispositivo
- Integración de modelos de lenguaje con interfaces de usuario
- Pruebas de usuario y retroalimentación para la IA local
Escalabilidad y Mantenimiento
- Gestión y actualización de modelos en dispositivos desplegados
- Estrategias para soluciones de IA local escalables
- Monitoreo y análisis para sistemas de IA desplegados
Proyecto y Evaluación
- Desarrollo de un prototipo en un dominio elegido y preparación para el despliegue en un dispositivo seleccionado
- Presentación de la solución de IA local
- Evaluación basada en eficiencia, innovación y practicidad
Resumen y Próximos Pasos
Requerimientos
- Sólidos conocimientos en conceptos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning)
- Dominio del lenguaje de programación Python
- Conocimientos básicos sobre las limitaciones de hardware para el despliegue de IA
Público Objetivo
- Ingenieros de aprendizaje automático y desarrolladores de IA
- Ingenieros de sistemas embebidos interesados en aplicaciones de IA
- Gerentes de producto y líderes técnicos que supervisan proyectos de IA
21 Horas