3.60. AI362 Inteligencia Artificial para edge computing (Electivo)

3.60. AI362 Inteligencia Artificial para edge computing (Electivo)

Figura 3.59: Mapa de Conexión. AI362 Inteligencia Artificial para edge computing

3.60.1. 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.

3.60.2. 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

3.60.3. 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 la teoría de la ciencia de la computación y los fundamentos de desarrollo de software para producir soluciones basadas en computadora. (Assessment)

3.60.4. Contenido Volver arriba

3.60.4.1. 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]
3.60.4.2. 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]
3.60.4.3. 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]

3.60.5. 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