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.
Plan du cours
Introduction à l'IA économe en énergie
- L'importance de la durabilité dans l'IA
- Aperçu de la consommation d'énergie dans l'apprentissage automatique
- Études de cas d'implémentations d'IA économes en énergie
Architectures de modèles compacts
- Comprendre la taille et la complexité des modèles
- Techniques pour concevoir des modèles petits mais efficaces
- Comparaison de différentes architectures de modèles en termes d'efficacité
Techniques d'optimisation et de compression
- Élagage et quantification des modèles
- Distillation des connaissances pour des modèles plus petits
- Méthodes de formation efficaces pour réduire la consommation d'énergie
Considérations matérielles pour l'IA
- Sélection d'un matériel économe en énergie pour la formation et l'inférence
- Le rôle des processeurs spécialisés tels que les TPU et les FPGA
- Équilibrer les performances et la consommation d'énergie
Pratiques de codage écologique
- Rédaction d'un code économe en énergie
- Profilage et optimisation des algorithmes d'IA
- Meilleures pratiques pour le développement de logiciels durables
Énergies renouvelables et IA
- Intégrer les sources d'énergie renouvelables dans les opérations d'IA
- Durabilité des centres de données
- L'avenir de l'infrastructure verte de l'IA
Évaluation du cycle de vie des systèmes d'IA
- Mesurer l'empreinte carbone des modèles d'IA
- Stratégies de réduction de l'impact environnemental tout au long du cycle de vie de l'IA
- Études de cas sur l'analyse du cycle de vie dans l'IA
Politique et réglementation pour une IA durable
- Comprendre les normes et réglementations mondiales
- Le rôle de la politique dans la promotion d'une IA économe en énergie
- Considérations éthiques et impact sociétal
Projet et évaluation
- Développement d'un prototype utilisant de petits modèles de langage dans un domaine choisi
- Présentation du système d'IA économe en énergie
- Évaluation basée sur l'efficacité technique, l'innovation et la contribution environnementale
Résumé et prochaines étapes
Pré requis
- Solide compréhension des concepts d'apprentissage profond
- Maîtrise de la programmation Python.
- Expérience des techniques d'optimisation de modèles
Audience
- Ingénieurs en apprentissage automatique
- Chercheurs et praticiens de l'IA
- Défenseurs de l'environnement dans l'industrie technologique
21 heures