Ingeniería de Edge AI para Dispositivos

2.1 Fundamentos de IA en Edge: diferencias entre nube y dispositivo, arquitectura de edge y dispositivos objetivo
2.2 Cuantización: técnicas (post-entrenamiento y quantization-aware training) y efectos en precisión y rendimiento
2.3 Poda (Pruning): poda estructural y no estructural, impacto en tamaño, memoria y velocidad
2.4 Inferencia On-Device: TensorRT, TFLite y ONNX Runtime, pipelines, compatibilidad y optimización
2.5 Optimización de modelos para recursos limitados: cuantización, poda y distilación para edge
2.6 Despliegue y pipelines: conversión de modelos, calibración y flujos de despliegue a dispositivos edge
2.7 Evaluación de rendimiento en Edge: latencia, throughput, jitter y determinismo
2.8 Eficiencia energética y térmica: consumo, disipación y gestión térmica en dispositivos edge
2.9 Seguridad, robustez y fiabilidad: ruido de cuantización, ataques adversariales y mitigaciones
2.10 Caso práctico: laboratorio de optimización de un modelo sencillo para edge usando TensorRT, TFLite y ONNX

3.1 Fundamentos de IA Edge: conceptos, arquitectura y requisitos de despliegue
3.2 Cuantización en Edge: cuantización de pesos y activaciones, formatos (INT8/FP36) y calibración
3.3 Poda y compresión de modelos para dispositivos: pruning estructural vs. no estructural
3.4 Inferencia On-Device con TensorRT: optimización, motores y pipelines de ejecución
3.5 Inferencia On-Device con TensorFlow Lite (TFLite): conversión, quantization-aware training y delegaciones
3.6 Inferencia On-Device con ONNX Runtime: compatibilidad, optimización y deployment multiplataforma
3.7 Flujo de despliegue en dispositivos: herramientas, pruebas, validación de rendimiento y seguridad
3.8 Optimización de recursos en Edge: gestión de memoria, consumo energético y latencia
3.9 Seguridad, privacidad y robustez en IA Edge: mitigación de ataques, confiabilidad y resiliencia
3.10 Caso práctico naval: implementación y evaluación de IA Edge para vigilancia, detección de anomalías y fusión de sensores a bordo

4.1 Fundamentos de IA Edge: conceptos clave, arquitectura y flujos de datos
4.2 Cuantización en IA Edge: técnicas, precisión vs rendimiento y casos de uso
4.3 Poda (Pruning) e sparsidad: estrategias, impacto en tamaño y velocidad
4.4 Inferencia On-Device: pipelines de ejecución y latencia en dispositivos limitados
4.5 TensorRT, TFLite y ONNX: herramientas para optimización y despliegue edge
4.6 Despliegue de modelos en dispositivos: consideraciones de hardware, drivers y compatibilidad
4.7 Optimización de modelos para Edge: post-entrenamiento vs entrenamiento con cuantización
4.8 Evaluación de rendimiento: métricas (latencia, throughput, consumo) y pruebas en hardware real
4.9 Seguridad y privacidad en IA Edge: buenas prácticas y mitigaciones
4.10 Casos de uso y benchmarks: ejemplos reales y lineamientos de validación

5.1 ¿Qué es Edge AI?: Definición y beneficios en dispositivos.
5.2 Arquitecturas de Edge AI: Hardware y software.
5.3 Introducción a la Optimización de Modelos: Cuantización, Pruning e Inferencia.
5.4 Frameworks Clave: TensorRT, TFLite y ONNX.
5.5 Desafíos y oportunidades en Edge AI: Limitaciones y avances tecnológicos.
5.6 Flujo de trabajo típico para la optimización de modelos en Edge.
5.7 Herramientas y entornos de desarrollo para Edge AI.
5.8 Casos de uso de Edge AI: Ejemplos prácticos y aplicaciones.
5.9 Metodologías de evaluación y métricas de rendimiento.
5.10 Prácticas recomendadas para la implementación de Edge AI.

6.1 Introducción a la IA Edge: Definición, conceptos clave y aplicaciones.
6.2 Diferencias entre IA Cloud y IA Edge: Ventajas y desventajas.
6.3 Hardware para IA Edge: Consideraciones y selección de plataformas.
6.4 Conceptos de Cuantización: Tipos, beneficios y desafíos.
6.5 Técnicas de Cuantización: Cuantización a nivel de post-entrenamiento y entrenamiento.
6.6 Flujos de trabajo de Cuantización: TensorFlow Lite (TFLite) y ONNX Runtime.
6.7 Métricas de Evaluación de la Cuantización: Precisión y tamaño del modelo.
6.8 Introducción a TensorRT: Arquitectura y funcionamiento.
6.9 Herramientas y bibliotecas esenciales para IA Edge.
6.10 Casos de uso y ejemplos prácticos de Cuantización.

7.1 ¿Qué es Edge AI? Conceptos básicos y aplicaciones.
7.2 Desafíos y oportunidades de la IA en dispositivos Edge.
7.3 Introducción a la optimización de modelos para Edge AI.
7.4 Visión general de TensorRT, TFLite y ONNX.
7.5 Cuantización: Reducción del tamaño del modelo y eficiencia.
7.6 Pruning: Eliminación de conexiones innecesarias en la red.
7.7 Inferencia On-Device: Ejecución eficiente de modelos en dispositivos.
7.8 Herramientas y frameworks para la optimización de Edge AI.
7.9 Casos de estudio: Aplicaciones exitosas de Edge AI.
7.10 Tendencias futuras en Edge AI y optimización.

8.1 ¿Qué es Edge AI? Definición y diferencias con la IA tradicional.
8.2 Arquitectura de Edge AI: Dispositivos, redes y desafíos.
8.3 Beneficios y aplicaciones de Edge AI en la actualidad.
8.4 Hardware para Edge AI: CPU, GPU, TPU, y otros aceleradores.
8.5 Frameworks y bibliotecas esenciales para Edge AI (TensorRT, TFLite, ONNX)
8.6 Flujo de trabajo típico en Edge AI: Desarrollo, optimización, despliegue.
8.7 Introducción a la optimización de modelos: cuantización, pruning.
8.8 Conceptos de inferencia on-device y su importancia.
8.9 Desafíos comunes en Edge AI: limitaciones de recursos, latencia, seguridad.
8.10 Casos de uso y ejemplos prácticos de Edge AI en diferentes industrias.

9.1 Conceptos Fundamentales de IA Edge: Definición, ventajas y desafíos.
9.2 Arquitectura de IA Edge: Componentes clave y comparación con la IA en la nube.
9.3 Ciclo de Vida de un Proyecto de IA Edge: Desarrollo, despliegue y mantenimiento.
9.4 Importancia de la Optimización en IA Edge: Limitaciones de recursos y su impacto.
9.5 Introducción a la Cuantización: Conceptos y beneficios.
9.6 Tipos de Cuantización: Entera, post-entrenamiento y aware-entrenamiento.
9.7 Flujos de Trabajo de Cuantización: Herramientas y metodologías.
9.8 Impacto de la Cuantización en el Rendimiento: Precisión vs. Velocidad.
9.9 Ejemplos Prácticos de Cuantización: Estudios de caso y demostraciones.
9.10 Consideraciones Iniciales para la IA Edge: Hardware, software y casos de uso.

10.1 Introducción a la IA Edge: Conceptos y Beneficios
10.2 El Reto de la Optimización en Dispositivos Limitados
10.3 Herramientas Fundamentales: TensorRT, TFLite, ONNX (Overview)
10.4 Entendiendo la Cuantización: Tipos y Impacto en el Rendimiento
10.5 Primeros Pasos con TFLite: Conversión y Despliegue
10.6 Principios de Pruning: Reducción de Complejidad del Modelo
10.7 Introducción a la Inferencia On-Device: Conceptos Clave
10.8 Evaluación del Rendimiento: Métricas y Herramientas Básicas
10.9 Casos de Uso: Identificación de Aplicaciones Edge AI
10.10 Diseño de un Primer Pipeline de Optimización Edge