Συμπερασμός και Ανάπτυξη Τεχνητής Νοημοσύνης με το CloudMatrix Κομμάτι εκπαίδευσης

Huawei Ascend είναι μια οικογένεια επεξεργαστών τεχνητής νοημοσύνης, σχεδιασμένη για εκτέλεση υψηλών επιδόσεων σε εργασίες συμπερασμού και εκπαίδευσης.

Αυτό το ζωντανό εκπαιδευτικό πρόγραμμα με εκπαιδευτή (online ή σε φυσική παρουσία) απευθύνεται σε μηχανικούς τεχνητής νοημοσύνης και επιστήμονες δεδομένων μεσαίου επιπέδου, που επιθυμούν να αναπτύξουν και να βελτιστοποιήσουν μοντέλα νευρωνικών δικτύων χρησιμοποιώντας την πλατφόρμα Ascend της Huawei και την εργαλειοθήκη CANN.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρύθμιση και διαμόρφωση του περιβάλλοντος ανάπτυξης CANN.
• Ανάπτυξη εφαρμογών τεχνητής νοημοσύνης με χρήση των ροών εργασίας MindSpore και CloudMatrix.
• Βελτιστοποίηση απόδοσης σε NPU Ascend με χρήση προσαρμοσμένων τελεστών και τεχνικής πλακιδίων (tiling).
• Ανάπτυξη μοντέλων σε περιβάλλοντα αιχμής (edge) ή cloud.

Μορφή του Σεμιναρίου

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική εξάσκηση με χρήση των Huawei Ascend και CANN toolkit σε παραδείγματα εφαρμογών.
• Καθοδηγούμενες ασκήσεις που εστιάζουν στη δημιουργία, εκπαίδευση και ανάπτυξη μοντέλων.

Επιλογές Προσαρμογής του Σεμιναρίου

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το σεμινάριο βάσει της υποδομής ή των συνόλων δεδομένων σας, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσουμε.

Το CANN (Compute Architecture for Neural Networks) είναι η υπολογιστική στοίβα AI της Huawei για την ανάπτυξη και βελτιστοποίηση μοντέλων AI σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με καθοδήγηση εκπαιδευτή, ζωντανά (online ή δια ζώσης) απευθύνεται σε προγραμματιστές και μηχανικούς AI μεσαίου επιπέδου που επιθυμούν να αναπτύξουν αποδοτικά εκπαιδευμένα μοντέλα AI σε υλικό Huawei Ascend χρησιμοποιώντας την εργαλειοθήκη CANN και εργαλεία όπως τα MindSpore, TensorFlow ή PyTorch.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν την αρχιτεκτονική του CANN και τον ρόλο του στη ροή ανάπτυξης μοντέλων AI.
• Μετατρέπουν και προσαρμόζουν μοντέλα από δημοφιλή πλαίσια σε μορφές συμβατές με το Ascend.
• Χρησιμοποιούν εργαλεία όπως το ATC, η μετατροπή μοντέλων OM και το MindSpore για συμπερασμό άκρων (edge) και υπολογιστικού νέφους.
• Διαγιγνώσκουν προβλήματα ανάπτυξης και βελτιστοποιούν την απόδοση σε υλικό Ascend.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική εργαστηριακή εργασία με χρήση εργαλείων CANN και προσομοιωτών ή συσκευών Ascend.
• Πρακτικά σενάρια ανάπτυξης βασισμένα σε πραγματικά μοντέλα AI.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να την κανονίσουμε.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά σε Ελλάδα (διαδικτυακά ή δια ζώσης), απευθύνεται σε μηχανικούς ΤΝ και προγραμματιστές λογισμικού αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να αποκτήσουν μια θεμελιώδη κατανόηση των αρχών και πρακτικών της μηχανικής ΤΝ.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τις βασικές έννοιες και τεχνολογίες πίσω από την ΤΝ και τη μηχανική μάθηση.
• Υλοποιούν βασικά μοντέλα μηχανικής μάθησης χρησιμοποιώντας TensorFlow και PyTorch.
• Εφαρμόζουν τεχνικές ΤΝ για την επίλυση πρακτικών προβλημάτων στην ανάπτυξη λογισμικού.
• Διαχειρίζονται και συντηρούν έργα ΤΝ χρησιμοποιώντας βέλτιστες πρακτικές στη μηχανική ΤΝ.
• Αναγνωρίζουν τις ηθικές επιπτώσεις και ευθύνες που σχετίζονται με την ανάπτυξη συστημάτων ΤΝ.

Αυτό το διήμερο, πρακτικό πρόγραμμα εξοπλίζει τους συμμετέχοντες με πρακτικές δεξιότητες για την αποτελεσματική, ασφαλή και συνεπή χρήση εργαλείων Γενετικής ΤΝ σε τεχνικές και επιχειρησιακές εργασίες. Η εκπαίδευση επικεντρώνεται στη μετατροπή της ΤΝ σε έναν αξιόπιστο καθημερινό βοηθό για τη σύνταξη και βελτίωση τεκμηρίωσης, τη δόμηση απαιτήσεων, την επιτάχυνση της ανάλυσης και των αναφορών, την υποστήριξη επίλυσης προβλημάτων και τον εξορθολογισμό της διαλειτουργικής επικοινωνίας. Οι συμμετέχοντες μαθαίνουν δοκιμασμένα πρότυπα προτροπών (prompts), τεχνικές επικύρωσης για τη μείωση σφαλμάτων και «ψευδαισθήσεων», καθώς και ελαφρές πρακτικές διακυβέρνησης για την προστασία εμπιστευτικών πληροφοριών και πνευματικής ιδιοκτησίας. Το μάθημα έχει σχεδιαστεί για να παράγει άμεσα χρησιμοποιήσιμα πρότυπα, ροές εργασίας και μια επαναλήψιμη προσέγγιση στην υποβοηθούμενη από ΤΝ εργασία.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (διαδικτυακά ή δια ζώσης) στο Ελλάδα απευθύνεται σε επαγγελματίες AI και προγραμματιστές λογισμικού μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να δημιουργήσουν ευφυείς εφαρμογές χρησιμοποιώντας AI και ML.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να κατανοούν τις προηγμένες έννοιες και τεχνολογίες πίσω από την AI και το ML.
• Να αναλύουν και να οπτικοποιούν δεδομένα για την ανάπτυξη μοντέλων AI/ML.
• Να κατασκευάζουν, να εκπαιδεύουν και να αναπτύσσουν αποτελεσματικά μοντέλα AI/ML.
• Να δημιουργούν ευφυείς εφαρμογές που μπορούν να επιλύουν προβλήματα του πραγματικού κόσμου.
• Να αξιολογούν τις ηθικές επιπτώσεις των εφαρμογών AI σε διάφορους κλάδους.

CANN (Compute Architecture for Neural Networks) είναι η εργαλειοθήκη υπολογιστικής τεχνητής νοημοσύνης της Huawei που χρησιμοποιείται για τη μεταγλώττιση, βελτιστοποίηση και ανάπτυξη μοντέλων AI σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε προγραμματιστές AI αρχαρίου επιπέδου που επιθυμούν να κατανοήσουν πώς το CANN εντάσσεται στον κύκλο ζωής του μοντέλου, από την εκπαίδευση έως την ανάπτυξη, και πώς λειτουργεί με πλαίσια όπως τα MindSpore, TensorFlow και PyTorch.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν τον σκοπό και την αρχιτεκτονική της εργαλειοθήκης CANN.
• Ρυθμίζουν ένα περιβάλλον ανάπτυξης με το CANN και το MindSpore.
• Μετατρέπουν και αναπτύσσουν ένα απλό μοντέλο AI στο υλικό Ascend.
• Αποκτούν βασικές γνώσεις για μελλοντικά έργα βελτιστοποίησης ή ενσωμάτωσης του CANN.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτικά εργαστήρια με ανάπτυξη απλών μοντέλων.
• Βήμα-βήμα επίδειξη της αλυσίδας εργαλείων CANN και των σημείων ενσωμάτωσης.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Η εργαλειοθήκη Ascend CANN της Huawei επιτρέπει ισχυρή εξαγωγή συμπερασμάτων AI σε συσκευές edge όπως το Ascend 310. Το CANN παρέχει βασικά εργαλεία για μεταγλώττιση, βελτιστοποίηση και ανάπτυξη μοντέλων εκεί όπου οι πόροι υπολογισμού και μνήμης είναι περιορισμένοι.

Αυτή η ζωντανή εκπαίδευση με εκπαιδευτή (online ή δια ζώσης) απευθύνεται σε προγραμματιστές AI και integrators μεσαίου επιπέδου που επιθυμούν να αναπτύξουν και να βελτιστοποιήσουν μοντέλα σε συσκευές edge Ascend χρησιμοποιώντας την εργαλειοαλυσίδα CANN.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Προετοιμάζουν και μετατρέπουν μοντέλα AI για το Ascend 310 χρησιμοποιώντας εργαλεία CANN.
• Δημιουργούν ελαφριές pipelines εξαγωγής συμπερασμάτων χρησιμοποιώντας MindSpore Lite και AscendCL.
• Βελτιστοποιούν την απόδοση μοντέλων για περιβάλλοντα με περιορισμένους υπολογιστικούς πόρους και μνήμη.
• Αναπτύσσουν και παρακολουθούν εφαρμογές AI σε πραγματικές περιπτώσεις χρήσης edge.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική εργαστηριακή άσκηση με μοντέλα και σενάρια ειδικά για edge.
• Ζωντανά παραδείγματα ανάπτυξης σε εικονικό ή φυσικό υλικό edge.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Η στοίβα τεχνητής νοημοσύνης της Huawei — από το χαμηλού επιπέδου SDK CANN έως το πλαίσιο MindSpore υψηλού επιπέδου — προσφέρει ένα στενά ολοκληρωμένο περιβάλλον ανάπτυξης και εφαρμογής ΤΝ, βελτιστοποιημένο για το υλικό Ascend.

Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (διαδικτυακά ή με φυσική παρουσία) απευθύνεται σε αρχάριους έως μεσαίου επιπέδου τεχνικούς επαγγελματίες που επιθυμούν να κατανοήσουν πώς τα στοιχεία CANN και MindSpore συνεργάζονται για να υποστηρίξουν τη διαχείριση του κύκλου ζωής της ΤΝ και τις αποφάσεις υποδομής.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοήσουν την αρχιτεκτονική κατά επίπεδα της στοίβας υπολογιστικής ΤΝ της Huawei.
• Αναγνωρίσουν πώς το CANN υποστηρίζει τη βελτιστοποίηση μοντέλων και την εφαρμογή σε επίπεδο υλικού.
• Αξιολογήσουν το πλαίσιο MindSpore και την αλυσίδα εργαλείων σε σχέση με εναλλακτικές λύσεις του κλάδου.
• Τοποθετήσουν τη στοίβα ΤΝ της Huawei σε επιχειρηματικά ή cloud/on-prem περιβάλλοντα.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Ζωντανές επιδείξεις συστήματος και παρουσιάσεις βασισμένες σε περιπτώσεις.
• Προαιρετικά καθοδηγούμενα εργαστήρια για τη ροή μοντέλων από το MindSpore στο CANN.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το οργανώσουμε.

Το CANN SDK (Compute Architecture for Neural Networks) είναι η υποδομή τεχνητής νοημοσύνης της Huawei που επιτρέπει στους προγραμματιστές να ρυθμίζουν λεπτομερώς και να βελτιστοποιούν την απόδοση των αναπτυγμένων νευρωνικών δικτύων σε επεξεργαστές Ascend AI.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (διαδικτυακά ή σε φυσικό χώρο), απευθύνεται σε προχωρημένους προγραμματιστές τεχνητής νοημοσύνης και μηχανικούς συστημάτων που επιθυμούν να βελτιστοποιήσουν την απόδοση εξαγωγής συμπερασμάτων χρησιμοποιώντας τα προηγμένα εργαλεία του CANN, συμπεριλαμβανομένων των Graph Engine, TIK και της ανάπτυξης προσαρμοσμένων τελεστών.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Κατανοούν την αρχιτεκτονική χρόνου εκτέλεσης και τον κύκλο ζωής απόδοσης του CANN.
• Χρησιμοποιούν εργαλεία προφίλ και το Graph Engine για ανάλυση απόδοσης και βελτιστοποίηση.
• Δημιουργούν και βελτιστοποιούν προσαρμοσμένους τελεστές χρησιμοποιώντας TIK και TVM.
• Επιλύουν συμφόρηση μνήμης και βελτιώνουν τη διέλευση μοντέλων.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτικά εργαστήρια με προφίλ σε πραγματικό χρόνο και ρύθμιση τελεστών.
• Ασκήσεις βελτιστοποίησης με χρήση παραδειγμάτων ανάπτυξης σε ακραίες περιπτώσεις.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, επικοινωνήστε μαζί μας για να το κανονίσουμε.

Το CANN SDK (Compute Architecture for Neural Networks) προσφέρει ισχυρά εργαλεία ανάπτυξης και βελτιστοποίησης για εφαρμογές τεχνητής νοημοσύνης σε πραγματικό χρόνο στην υπολογιστική όραση και το NLP, ιδιαίτερα στο υλικό Huawei Ascend.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή δια ζώσης), απευθύνεται σε επαγγελματίες τεχνητής νοημοσύνης μεσαίου επιπέδου που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να βελτιστοποιήσουν μοντέλα όρασης και γλώσσας χρησιμοποιώντας το CANN SDK για παραγωγικές περιπτώσεις χρήσης.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να αναπτύσσουν και να βελτιστοποιούν μοντέλα υπολογιστικής όρασης (CV) και NLP χρησιμοποιώντας το CANN και το AscendCL.
• Να χρησιμοποιούν τα εργαλεία CANN για να μετατρέπουν μοντέλα και να τα ενσωματώνουν σε ζωντανά pipelines.
• Να βελτιστοποιούν την απόδοση inference για εργασίες όπως η ανίχνευση, η ταξινόμηση και η ανάλυση συναισθημάτων.
• Να κατασκευάζουν pipelines υπολογιστικής όρασης/NLP σε πραγματικό χρόνο για σενάρια ανάπτυξης στο edge ή στο cloud.

Μορφή της Εκπαίδευσης

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτικό εργαστήριο με ανάπτυξη μοντέλων και ανάλυση απόδοσης.
• Σχεδιασμός ζωντανών pipelines χρησιμοποιώντας πραγματικές περιπτώσεις χρήσης υπολογιστικής όρασης και NLP.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Το CANN TIK (Tensor Instruction Kernel) και το Apache TVM επιτρέπουν την προηγμένη βελτιστοποίηση και προσαρμογή των τελεστών μοντέλων AI για το υλικό Huawei Ascend.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή onsite), απευθύνεται σε προγραμματιστές συστημάτων προχωρημένου επιπέδου που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να ρυθμίσουν προσαρμοσμένους τελεστές για μοντέλα AI χρησιμοποιώντας το μοντέλο προγραμματισμού TIK του CANN και την ενσωμάτωση του μεταγλωττιστή TVM.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να γράφουν και να δοκιμάζουν προσαρμοσμένους τελεστές AI χρησιμοποιώντας τη γλώσσα TIK DSL για επεξεργαστές Ascend.
• Να ενσωματώνουν προσαρμοσμένους τελεστές στο χρόνο εκτέλεσης CANN και στο γράφημα εκτέλεσης.
• Να χρησιμοποιούν το TVM για το χρονοπρογραμματισμό τελεστών, την αυτόματη ρύθμιση και την αξιολόγηση επιδόσεων.
• Να διορθώνουν σφάλματα και να βελτιστοποιούν την απόδοση σε επίπεδο εντολών για προσαρμοσμένα μοτίβα υπολογισμού.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και επίδειξη.
• Πρακτική κωδικοποίηση τελεστών με χρήση αγωγών TIK και TVM.
• Δοκιμές και ρύθμιση σε υλικό Ascend ή προσομοιωτές.

Επιλογές Προσαρμογής του Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.

Οι κινεζικές αρχιτεκτονικές GPU, όπως οι Huawei Ascend, Biren και Cambricon MLU, προσφέρουν εναλλακτικές λύσεις CUDA προσαρμοσμένες στις τοπικές αγορές τεχνητής νοημοσύνης και υπολογιστικής υψηλών επιδόσεων.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (online ή σε φυσική παρουσία), απευθύνεται σε προχωρημένους προγραμματιστές GPU και ειδικούς υποδομών που επιθυμούν να μεταφέρουν και να βελτιστοποιήσουν υπάρχουσες εφαρμογές CUDA για χρήση σε κινεζικές πλατφόρμες υλικού.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να αξιολογούν τη συμβατότητα των υπαρχόντων φόρτων εργασίας CUDA με εναλλακτικά κινεζικά τσιπ.
• Να μεταφέρουν κώδικα CUDA σε περιβάλλοντα Huawei CANN, Biren SDK και Cambricon BANGPy.
• Να συγκρίνουν τις επιδόσεις και να εντοπίζουν σημεία βελτιστοποίησης σε διάφορες πλατφόρμες.
• Να αντιμετωπίζουν πρακτικές προκλήσεις στην υποστήριξη cross-architecture και στην ανάπτυξη.

Μορφή του μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Εργαστήρια πρακτικής μετάφρασης κώδικα και σύγκρισης επιδόσεων.
• Καθοδηγούμενες ασκήσεις που εστιάζουν σε στρατηγικές προσαρμογής πολλαπλών GPU.

Επιλογές προσαρμογής μαθήματος

• Για να ζητήσετε εξατομικευμένη εκπαίδευση για αυτό το μάθημα βάσει της πλατφόρμας ή του έργου σας CUDA, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσετε.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά σε Ελλάδα (διαδικτυακά ή με φυσική παρουσία) απευθύνεται σε επαγγελματίες πληροφορικής αρχάριου επιπέδου που επιθυμούν να αποκτήσουν μια θεμελιώδη κατανόηση των ευφυών εφαρμογών και του τρόπου εφαρμογής τους σε διάφορους κλάδους.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Να κατανοούν την ιστορία, τις αρχές και τον αντίκτυπο της τεχνητής νοημοσύνης.
• Να αναγνωρίζουν και να εφαρμόζουν διαφορετικούς αλγορίθμους μηχανικής μάθησης.
• Να διαχειρίζονται και να αναλύουν δεδομένα αποτελεσματικά για εφαρμογές τεχνητής νοημοσύνης.
• Να αναγνωρίζουν τις πρακτικές εφαρμογές και τους περιορισμούς της τεχνητής νοημοσύνης σε διαφορετικούς τομείς.
• Να συζητούν τα ηθικά ζητήματα και τις κοινωνικές επιπτώσεις της τεχνολογίας τεχνητής νοημοσύνης.

Αυτή η εκπαίδευση με εισηγητή, ζωντανή, στο Ελλάδα (διαδικτυακά ή δια ζώσης) απευθύνεται σε επιστήμονες δεδομένων, μηχανικούς και επαγγελματίες ΤΝ μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να κατακτήσουν τις λεπτομέρειες των ευφυών εφαρμογών και να τις αξιοποιήσουν για την επίλυση σύνθετων, πραγματικών προβλημάτων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να υλοποιούν και να αναλύουν αρχιτεκτονικές βαθιάς μάθησης.
• Να εφαρμόζουν μηχανική μάθηση σε κλίμακα σε περιβάλλον κατανεμημένης υπολογιστικής.
• Να σχεδιάζουν και να εκτελούν μοντέλα ενισχυτικής μάθησης για λήψη αποφάσεων.
• Να αναπτύσσουν προηγμένα συστήματα NLP για κατανόηση φυσικής γλώσσας.
• Να χρησιμοποιούν τεχνικές υπολογιστικής όρασης για ανάλυση εικόνας και βίντεο.
• Να αντιμετωπίζουν ηθικά ζητήματα στην ανάπτυξη και εφαρμογή συστημάτων ΤΝ.

Οι Ascend, Biren και Cambricon είναι κορυφαίες πλατφόρμες υλικού τεχνητής νοημοσύνης στην Κίνα, καθεμία προσφέροντας μοναδικά εργαλεία επιτάχυνσης και ανάλυσης για φόρτους εργασίας ΤΝ παραγωγικής κλίμακας.

Αυτή η εκπαίδευση με εισηγητή, ζωντανά (διαδικτυακά ή στον χώρο σας), απευθύνεται σε μηχανικούς υποδομών ΤΝ και απόδοσης προχωρημένου επιπέδου που επιθυμούν να βελτιστοποιήσουν ροές εργασίας εξαγωγής συμπερασμάτων και εκπαίδευσης μοντέλων σε πολλαπλές κινεζικές πλατφόρμες τεχνητής νοημοσύνης.

Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να συγκρίνουν επιδόσεις μοντέλων σε πλατφόρμες Ascend, Biren και Cambricon.
• Να εντοπίζουν σημεία συμφόρησης του συστήματος και ανεπάρκειες μνήμης/υπολογισμών.
• Να εφαρμόζουν βελτιστοποιήσεις σε επίπεδο γράφου, πυρήνα και τελεστών.
• Να ρυθμίζουν διοχετεύσεις ανάπτυξης για βελτίωση της απόδοσης και της καθυστέρησης.

Μορφή του Μαθήματος

• Διαδραστική διάλεξη και συζήτηση.
• Πρακτική χρήση εργαλείων ανάλυσης και βελτιστοποίησης σε κάθε πλατφόρμα.
• Καθοδηγούμενες ασκήσεις εστιασμένες σε πρακτικά σενάρια ρύθμισης.

Επιλογές Προσαρμογής Μαθήματος

• Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα με βάση το περιβάλλον απόδοσής σας ή τον τύπο μοντέλου σας, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.