การแปลงและติดตั้งโมเดลบนอุปกรณ์

รหัสทักษะ

ai.model-deploy

หมวด

ระบบและการประยุกต์

กลุ่ม

ปัญญาประดิษฐ์บนอุปกรณ์

ความสำคัญตาม Roadmap

ไม่มีสีใน Roadmap (TESA เพิ่ม)

ที่มา

TESA เพิ่ม

สถานะในคลังบทเรียน

มีบทเรียนประเมิน

ดูในแผนที่ทักษะ

บทเรียนที่พัฒนาทักษะนี้

บทเรียน	หลักสูตร	พัฒนาถึงระดับ
Edge AI คืออะไร: วงจรชีวิตของข้อมูลห้าขั้นและเป้าหมายที่โมเดลไปรันได้	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L1 รู้จัก
ฝึกโมเดลใน Docker: หนึ่งชิ้นงาน สี่เป้าหมาย	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L1 รู้จัก
ข้างในการฝึก: Keras, Conv1D, gradient descent, int8 และ confusion matrix	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L2 ทำตามแนวทาง
รันโมเดลบนเว็บ: LiteRT.js, int8 I/O และ parity	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
ลงมือทำ: verdict บนเว็บให้ตรงกับ PC และเรื่องราว Cortex-A	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
quantize และ Vela: เอาโมเดลของเราขึ้น Ethos-U55	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
ลงมือทำ: เทียบสามเป้าหมาย MCU, Web และ PC	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
สแตก Edge AI: tri-core, ai_engine, IPC model link และ TFLite-Micro	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
เพิ่มโมเดลของเราเอง: สามการแก้ สัญญาสี่ฟังก์ชัน และ Vela	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง
ลงมือทำ: ให้โมเดลใหม่โผล่ใน edge_ai.models()	Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์	L3 ทำได้เอง

บทเรียนที่ประเมินทักษะนี้

บทเรียน	ระดับ	หลักฐาน
ลงมือทำ: verdict บนเว็บให้ตรงกับ PC และเรื่องราว Cortex-A	L2 ทำตามแนวทาง	practice/s13_web.py
ลงมือทำ: เทียบสามเป้าหมาย MCU, Web และ PC	L2 ทำตามแนวทาง	practice/s14_tflite_board.py

บทบาทที่ใช้ทักษะนี้

บทบาท	ระดับขั้นต่ำ	ในบทบาทนี้
วิศวกร Edge AI	L3 ทำได้เอง	จำเป็น (R)

ระดับความสามารถ

• L1 รู้จัก · Bloom: remember/understand
• L2 ทำตามแนวทาง · Bloom: apply (scaffolded)
• L3 ทำได้เอง · Bloom: apply/analyse
• L4 มืออาชีพ · Bloom: analyse/evaluate
• L5 ออกแบบและนำทีม · Bloom: evaluate/create

ใช้อ้างอิงใน Open Badges 3.0 และ CASE

UUID: 93f86e29-0a67-5ecd-acba-0fc4b5835cac

{
  "type": [
    "Alignment"
  ],
  "targetName": "Model Optimisation & Deployment",
  "targetUrl": "https://tesaiot.github.io/tesa-qualification-program/skills/ai.model-deploy/",
  "targetCode": "ai.model-deploy",
  "targetFramework": "TESA Embedded Systems Skill Map 0.1.0",
  "targetType": "CFItem"
}

ข้อมูลแผนที่ทักษะเผยแพร่ภายใต้ CC BY-SA 4.0 ดัดแปลงจาก Embedded Systems Engineering Roadmap ของ Meysam Parvizi