Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduktion till energieffektiv AI
- Betydelsen av hållbarhet i AI
- Översikt över energiförbrukning i maskininlärning
- Fallstudier av energieffektiva AI-implementeringar
Kompakta modellarkitekturer
- Förståelse av modellstorlek och komplexitet
- Tekniker för att designa små och effektiva modeller
- Jämförelse av olika modellarkitekturer för effektivitet
Optimering och komprimeringstekniker
- Modellbesäring och kvantisering
- Kunskapsdestillering för mindre modeller
- Effektiva träningsmetoder för att minska energiförbrukningen
Hårdvarukonsiderationer för AI
- Val av energieffektiv hårdvara för träning och inferens
- Rollen för specialiserade processorer som TPUs och FPGAs
- Balansering av prestanda och energiförbrukning
Grön kodning
- Skrivning av energieffektiv kod
- Profilering och optimering av AI-algoritmer
- Bästa praxis för hållbar mjukvaruutveckling
Förnybar energi och AI
- Integration av förnybara energikällor i AI-operationer
- Hållbarhet i datacenter
- Framtiden för grön AI-infrastruktur
Livscykelbedömning av AI-system
- Mätning av AI-modellers koldioxidavtryck
- Strategier för att minska miljöpåverkan under hela AI-livscykeln
- Fallstudier på livscykelbedömning i AI
Policy och regelverk för hållbar AI
- Förståelse av globala standarder och regelverk
- Rollen för politik i främjandet av energieffektiv AI
- Etiska överväganden och samhällspåverkan
Projekt och bedömning
- Utveckling av en prototyp med små språkmodeller inom ett valt område
- Presentation av energieffektiva AI-system
- Bedömning baserad på teknisk effektivitet, innovation och miljöpåverkan
Sammanfattning och nästa steg
Krav
- Solid förståelse för djupinlärningskoncept
- Skicklighet i Python-programmering
- Erfarenhet av modelloptimeringstekniker
Målgrupp
- Maskininlärningsingenjörer
- AI-forskare och praktiker
- Miljöaktivister inom techindustrin
21 timmar