分散式學習與邊緣AI培訓

本次在[loc]（線上或線下）由講師帶領的現場培訓，針對希望探索5G網絡如何加速邊緣AI應用的中級電信專業人員、AI工程師及物聯網專家設計。

培訓結束後，學員將能夠：

• 理解5G技術的基本原理及其對邊緣AI的影響。
• 部署針對低延遲應用優化的AI模型，使其適用於5G環境。
• 利用邊緣AI和5G連接實現實時決策系統。
• 優化邊緣設備上AI工作負載的運行效率。

這門時長 21 小時的 澳門 培訓課程，指導 IT 架構師設計新一代分佈式系統。探索 6G、邊緣計算和人工智能的整合，以實現低延遲、可擴展的基礎設施。掌握安全、韌性和智能邊緣架構的實戰技能，以滿足未來的業務需求。

此由講師主導的即時培訓於澳門（線上或線下）舉行，針對希望精通邊緣AI最新進展、優化其AI模型於邊緣設備部署，並探索各行業專業應用的高階AI從業人員、研究者及開發者而設。

完成本培訓後，學員將能夠：

• 探索邊緣AI模型開發與優化的進階技術。
• 實施在邊緣設備部署AI模型的尖策略。
• 利用專用於高階邊緣AI應用的工具與框架。
• 優化邊緣AI解決方案的性能與效率。
• 探索邊緣AI的創新用例與新興趨勢。
• 解決邊緣AI部署中的進階倫理與安全考量。

這項由講師主導的即時培訓，地點在澳門（線上或線下），旨在幫助進階專業人士掌握前沿的聯席學習技術，並將其實際應用於大規模人工智慧專案。

完成本課程後，學員將能夠：

• 最佳化聯席學習演算法以提升效能。
• 處理聯席學習中的非獨立同分佈資料。
• 擴展聯席學習系統以支援大規模部署。
• 解決高階聯席學習情境中的隱私、安全及倫理議題。

此課程為導師指導之實體培訓於 澳門（線上或現場），對象為希望獲得在邊緣裝置上部署AI模型實務技能之中階開發人員、資料科學家及科技愛好者。

完成此培訓後，參加者將能夠：

• 理解邊緣AI之原則及其優勢。
• 設定及組態邊緣運算環境。
• 開發、訓練及優化適用於邊緣部署之AI模型。
• 在邊緣裝置上實施實際之AI解決方案。
• 評估並改善部署於邊緣之模型效能。
• 處理邊緣AI應用中涉及之倫理及安全考量。

這門在澳門（線上或線下）舉辦的由講師指導之即時培訓，旨在協助中高階資安專業人員、AI工程師與物聯網開發者，實施強健的安全措施及韌性策略以保護邊緣AI系統。

完成本培訓後，參與者將能夠：

• 了解邊緣AI部署中的安全風險與漏洞。
• 實施資料加密與驗證技術，保護資料安全。
• 設計能抵禦網路威脅的韌性邊緣AI架構。
• 在邊緣環境中應用安全的AI模型部署策略。

這是一門在 澳門（線上或線下）進行的實訓課程，面向初級到中級水平的農技專業人員、物聯網專家以及希望開發和部署智慧農業邊緣 AI 解決方案的人工智慧工程師。

完成本培訓後，參與者將能夠：

• 理解 Edge AI 在精準農業中的作用。
• 實施基於 AI 的作物和牲畜監測系統。
• 開發自動灌溉和環境傳感器解決方案。
• 利用實時 Edge AI 分析優化農業效率。

這項由講師引導的實時培訓在澳門（線上或線下）旨在為初級專業人士提供聯邦學習的基本原理及其實際應用的知識。

完成此培訓後，參與者將能夠：

• 理解聯邦學習的原理。
• 實現基本的聯邦學習算法。
• 使用聯邦學習解決數據隱私問題。
• 將聯邦學習整合到現有的AI工作流程中。

這門由講師主導的實時培訓（澳門，線上或線下）旨在幫助希望將聯邦學習技術應用於提升數據隱私和金融行業協作AI的中級專業人士。

完成本課程後，學員能夠：

• 了解聯邦學習在金融領域的原理和優勢。
• 為隱私保護型金融應用實現聯邦學習模型。
• 在不損害隱私的前提下協作分析金融數據。
• 將聯邦學習應用於真實世界的金融場景，如詐欺檢測和風險管理。

此由導師指導的現場培訓（線上或線下）旨在為希望將聯邦學習應用於醫療保健場景的中級專業人士提供數據隱私保障以及機構間的有效協作。

培訓結束後，參與者將能夠：

• 了解聯邦學習在醫療保健中的角色
• 實施聯邦學習模型並確保患者數據隱私
• 在多個醫療保健機構上進行 AI 模型訓練的合作
• 將聯邦學習應用於現實世界的醫療保健案例

此為在[loc]（線上或線下）舉辦的講師主導現場教學，旨在幫助具備中級專業知識的專業人士將Federated Learning應用於優化物聯網與邊緣運算解決方案。

完成本課程後，學員將能夠：

• 理解Federated Learning在物聯網和邊緣計算中的原理與優勢。
• 在物聯網設備上實作Federated Learning模型，以進行去中心化的人工智慧處理。
• 降低延遲，並改善邊緣運算環境中的即時決策能力。
• 應對物聯網系統中資料隱私及網路限制相關的挑戰。

This instructor-led, live training in 澳門 (online or onsite) is aimed at intermediate-level professionals who wish to understand and apply Federated Learning to ensure data privacy in AI development.

By the end of this training, participants will be able to:

• Understand the principles and benefits of Federated Learning.
• Implement privacy-preserving machine learning models using Federated Learning techniques.
• Address the challenges of data privacy in decentralized AI training.
• Apply Federated Learning in real-world scenarios across various industries.

本由講師指導、在澳門（線上或線下）進行的培訓旨在幫助希望理解並實施聯結學習技術以實現跨分散式數據源的可保護隱私機器學習和協作AI解決方案的中級AI和數據專業人士。

完成此培訓後，參與者將能夠：

• 理解聯結學習的核心概念及其優勢。
• 實施AI模型的分散式培訓策略。
• 應用聯結學習技術保護數據敏感性的協作。
• 探索醫療保健和金融領域中聯結學習的案例研究和實際例子。