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

Nombre de participants



Prix par participant

Cours Similaires

Small Language Models (SLMs): Applications and Innovations

14 heures

Small Language Models (SLMs) for Domain-Specific Applications

28 heures

Small Language Models (SLMs) for Human-AI Interactions

14 heures

Small Language Models (SLMs) for On-Device AI

21 heures

Adobe Firefly: Generative AI for Creatives

14 heures

Generative AI: Creating Novel Content with AI Models

14 heures

Generative AI for Beginners

14 heures

Generative AI Advanced

21 heures

Generative AI for Managers

21 heures

Generative AI: Impact on Cyber Security

28 heures

Generative AI for Developers

21 heures

Generative AI for Data Synthesis

21 heures

Generative AI in Education: Enhancing Personalized Learning

21 heures

Generative AI in Robotics: Creating Autonomous Solutions

28 heures

Generative AI in Healthcare: Transforming Medicine and Patient Care

21 heures

Catégories Similaires