3.48. AI362 Inteligencia Artificial para edge computing (Obligatorio)
  • ES Español (Latinoamérica)

3.48. AI362 Inteligencia Artificial para edge computing (Obligatorio)

Figura 3.48: Mapa de Conexión. AI362 Inteligencia Artificial para edge computing

  • ES Español (Latinoamérica)
3.48.1. Justificación Volver arriba

Este curso aborda el despliegue de modelos de IA en dispositivos edge (IoT, móviles, embedded), cubriendo técnicas de optimización, frameworks especializados y consideraciones de privacidad/seguridad en sistemas distribuidos.

  • ES Español (Latinoamérica)
3.48.2. Objetivos Generales Volver arriba

  1. Implementar modelos de IA optimizados para hardware edge
  2. Diseñar pipelines de inferencia distribuida
  3. Evaluar compensaciones entre precisión, latencia y consumo energético

  • ES Español (Latinoamérica)
3.48.3. Contribución a los resultados (Outcomes) Volver arriba

AG-C02) Ética: Aplica principios éticos y se compromete con la ética profesional y las normas de la práctica profesional de la computación. (Usage)
AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Assessment)
AG-C12) Aplica teorías de IA, algoritmos cognitivos y principios de Data Engineering para construir sistemas inteligentes autónomos. (Assessment)

  • ES Español (Latinoamérica)
3.48.4. Contenido Volver arriba

  • ES Español (Latinoamérica)
3.48.4.1. Fundamentos de Edge AI (12 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Han and Lin, 2022)

Temas

  1. Arquitecturas hardware para edge computing
  2. Taxonomía de modelos edge-friendly (MobileNets, TinyML)
  3. Frameworks de despliegue (TensorFlow Lite, ONNX Runtime)

Aprendizaje esperado (Learning Outcomes)

  1. Seleccionar modelos adecuados para restricciones hardware [Evaluar]
  2. Perfilar consumo energético en dispositivos reales [Usar]
  • ES Español (Latinoamérica)
3.48.4.2. Técnicas de Optimización (24 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Howard et al., 2017; Saraph and Warden, 2021)

Temas

  1. Cuantización y pruning
  2. Knowledge distillation
  3. Compilación especializada (TVM, Apache MXNet)

Aprendizaje esperado (Learning Outcomes)

  1. Reducir modelos para microcontroladores [Evaluar]
  2. Implementar pipelines híbridos (edge+cloud) [Usar]
  • ES Español (Latinoamérica)
3.48.4.3. Seguridad y Privacidad (8 horas) [Habilidades AG-C09] Volver arriba

Referencias Bibliográficas: (Han and Lin, 2022)

Temas

  1. Federated learning en edge
  2. Homomorphic encryption
  3. Ataques a modelos edge (adversarial examples)

Aprendizaje esperado (Learning Outcomes)

  1. Analizar vulnerabilidades en sistemas edge [Familiarizarse]
  2. Implementar defensas básicas [Usar]

  • ES Español (Latinoamérica)
3.48.5. Referencias Bibliográficas Volver arriba

Han, S. and Lin, Y. (2022). Edge AI: Systems Design for Embedded Machine Learning. Springer.

Howard, A., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv:1704.04861.

Saraph, V. and Warden, P. (2021). Tinyml: Enabling always-on ml on the edge. In ACM HotNets.

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono