Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
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 sur des 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 pour l'efficacité
Techniques d'optimisation et de compression
- Élagage (pruning) et quantification des modèles
- Distillation des connaissances pour des modèles plus petits
- Méthodes d'entraînement efficaces pour réduire la consommation d'énergie
Considérations matérielles pour l'IA
- Sélection de matériel économe en énergie pour l'entraînement et l'inférence
- Le rôle des processeurs spécialisés tels que les TPUs et les FPGAs
- Équilibre entre performance et consommation d'énergie
Pratiques de codage vert
- Écriture de code économe en énergie
- Profilage et optimisation des algorithmes d'IA
- Meilleures pratiques pour un développement logiciel durable
Énergies renouvelables et IA
- Intégration des sources d'énergie renouvelable dans les opérations d'IA
- Durabilité des centres de données
- L'avenir de l'infrastructure IA verte
Évaluation du cycle de vie des systèmes d'IA
- Mesure de l'empreinte carbone des modèles d'IA
- Stratégies pour réduire l'impact environnemental tout au long du cycle de vie de l'IA
- Études de cas sur l'évaluation du cycle de vie dans l'IA
Politique et réglementation pour une IA durable
- Compréhension des 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 des petits modèles linguistiques 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
- Une compréhension solide des concepts d'apprentissage profond
- Maîtrise de la programmation en Python
- Expérience avec les techniques d'optimisation des modèles
Public cible
- Ingénieurs en apprentissage automatique
- Chercheurs et praticiens en IA
- Partisans de l'environnement au sein du secteur technologique
21 Heures