Course Outline

Εισαγωγή στην τεχνητή νοημοσύνη χαμηλής κατανάλωσης

  • Επισκόπηση της τεχνητής νοημοσύνης σε ενσωματωμένα συστήματα
  • Προκλήσεις της ανάπτυξης της τεχνητής νοημοσύνης σε συσκευές χαμηλής κατανάλωσης
  • Ενεργειακά αποδοτικές εφαρμογές τεχνητής νοημοσύνης

Τεχνικές Βελτιστοποίησης Μοντέλων

  • Η κβαντοποίηση και η επίδρασή της στην απόδοση
  • Κλάδεμα και μοίρασμα βάρους
  • Απόσταξη γνώσης για απλοποίηση μοντέλων

Ανάπτυξη μοντέλων AI σε υλικό χαμηλής κατανάλωσης

  • Χρησιμοποιώντας το TensorFlow Lite και το ONNX Runtime για το edge AI
  • Βελτιστοποίηση μοντέλων AI με το NVIDIA TensorRT
  • Επιτάχυνση υλικού με Coral TPU και Jetson Nano

Μείωση της κατανάλωσης ενέργειας σε εφαρμογές τεχνητής νοημοσύνης

  • Προφίλ ισχύος και μετρήσεις απόδοσης
  • Αρχιτεκτονικές υπολογιστών χαμηλής κατανάλωσης
  • Δυναμική κλίμακα ισχύος και τεχνικές προσαρμοστικής εξαγωγής συμπερασμάτων

Μελέτες περιπτώσεων και εφαρμογές πραγματικού κόσμου

  • Συσκευές IoT που λειτουργούν με μπαταρίες AI
  • Τεχνητή νοημοσύνη χαμηλής κατανάλωσης για υγειονομική περίθαλψη και φορητές συσκευές
  • Εφαρμογές έξυπνης πόλης και παρακολούθησης περιβάλλοντος

Βέλτιστες πρακτικές και μελλοντικές τάσεις

  • Βελτιστοποίηση edge AI για βιωσιμότητα
  • Προόδους στο ενεργειακά αποδοτικό υλικό AI
  • Μελλοντικές εξελίξεις στην έρευνα τεχνητής νοημοσύνης χαμηλής ισχύος

Περίληψη και Επόμενα Βήματα

Requirements

  • Κατανόηση μοντέλων βαθιάς μάθησης
  • Εμπειρία με ενσωματωμένα συστήματα ή ανάπτυξη τεχνητής νοημοσύνης
  • Βασικές γνώσεις τεχνικών βελτιστοποίησης μοντέλων

Ακροατήριο

  • Μηχανικοί AI
  • Ενσωματωμένοι προγραμματιστές
  • Μηχανικοί υλικού
 21 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories