Skip to content

Handleidingen

Deze handleidingen bundelen de meest recente inzichten rond Machine Learning Operations (MLOps) en Edge AI, met als doel bedrijven te ondersteunen bij de implementatie van deze technieken in industriële omgevingen.

De handleidingen worden opgesteld in het kader van het MLOps4ECM onderzoeksproject en beogen om:

  • Actuele kennis gestructureerd te verzamelen en toegankelijk te maken.
  • Praktische tools en methodieken aan te reiken voor toepassing in de praktijk.
  • Organisaties te ondersteunen bij het uitbouwen van robuuste, efficiënte en onderhoudbare AI-oplossingen.

De handleidingen behandelen het volledige machine learning-proces, gaande van datavoorbereiding en modelbeheer tot productie, monitoring en optimalisatie op resource-constrained edge devices.

De publicaties richten zich in het bijzonder tot ingenieurs, software ontwikkelaars en technische verantwoordelijken die machine learning succesvol wensen in te zetten in een industriële context.

Bekijk hier de verschillende handleidingen:

  • Building ML Infrastructure: Deze handleiding leert je hoe je machine learning-modellen uit de experimentele fase haalt en inzet in productieomgevingen. Je leert hoe je code structureert in modules, modellen beschikbaar stelt via API’s (bv. met FastAPI), en gebruik maakt van containers om reproduceerbare omgevingen op te zetten. Daarnaast komen ook container orchestration, infrastructuurbeheer (cloud en on-premise), object storage (S3), CI/CD met GitHub Actions en het bouwen van data pipelines uitgebreid aan bod.
  • Edge AI Deployment: Deze handleiding leert je hoe je machine learning-modellen optimaliseert en inzet op edge devices met beperkte rekenkracht en connectiviteit. Je maakt kennis met verschillende types edge hardware en AI-accelerators, en past technieken toe zoals quantization, pruning en knowledge distillation. Je leert hoe je modellen exporteert naar het ONNX-formaat, en hoe je deze efficiënt uitvoert met ONNX Runtime of geavanceerd optimaliseert met TensorRT. Tot slot verken je hoe je met NVIDIA’s Model Optimizer nog verder kan gaan: de state-of-the-art voor AI-deployment op industrieel niveau