Kursplan

Introduktion till lågenergi AI

  • Översikt över AI i inbyggda system
  • Utmaningar med AI-implementering på lågenergi-enheter
  • Energieflektiva AI-applikationer

Modelloptimeringstekniker

  • Kvantisering och dess påverkan på prestanda
  • Beskärning och viktdelning
  • Kunskapsdestillering för modellförenkling

Implementation av AI-modeller på lågenergi-hårdvara

  • Användning av TensorFlow Lite och ONNX Runtime för edge AI
  • Optimering av AI-modeller med NVIDIA TensorRT
  • Hårdvarubeskärning med Coral TPU och Jetson Nano

Minskning av energiförbrukning i AI-applikationer

  • Energiprofilering och effektivitetskriterier
  • Lågenergi-datorkonstruktionen
  • Dynamisk energiskalning och adaptiva inferenstekniker

Fallstudier och verkliga applikationer

  • AI-drivna batteridrivna IoT-enheter
  • Lågenergi AI för hälso- och sjukvård och bärbara enheter
  • Smart stad och miljöövervakningsapplikationer

Bästa praxis och framtida trender

  • Optimering av edge AI för hållbarhet
  • Framsteg inom energieflektiv AI-hårdvara
  • Framtida utveckling inom lågenergi AI-forskning

Sammanfattning och nästa steg

Krav

  • Förståelse för djupinlärningsmodeller
  • Erfarenhet av inbyggda system eller AI-deployment
  • Grundläggande kunskap om modelloptimeringstekniker

Målgrupp

  • AI-ingenjörer
  • Utvecklare av inbyggda system
  • Hårdvaruingenjörer
 21 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier