Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do energeticky úsporné umělé inteligence
- Význam udržitelnosti v oblasti umělé inteligence
- Přehled energetické náročnosti procesů strojového učení
- Příklady úspěšných implementací energeticky úsporné umělé inteligence
Architektury kompaktních modelů
- Vliv velikosti a složitosti modelu na jeho výkon
- Metody navrhování malých, avšak efektivních modelů
- Srovnání různých architektur modelů z hlediska energetické úspornosti
Techniky optimalizace a komprese modelů
- Redukce počtu parametrů modelu (pruning) a kvantizace
- Přenos znalostí mezi modely pro vytvoření menších variant
- Efektivní metody trénování minimalizující spotřebu energie
Hardwarová řešení pro umělou inteligenci
- Výběr energeticky úsporného hardwaru určeného k trénování a provozu modelů
- Úloha specializovaných procesorů, jako jsou TPU nebo FPGA
- Jak vyvážit výkon s energetickou náročností systému
Ekologické postupy při programování
- Tvorba kódu šetřícího energii
- Analýza a optimalizace algoritmů umělé inteligence z hlediska spotřeby energie
- Nejlepší postupy pro udržitelný vývoj softwaru v oblasti AI
Obnovitelné zdroje energie a umělá inteligence
- Integrace obnovitelných zdrojů energie do provozu systémů AI
- Udržitelnost datových center využívajících umělou inteligenci
- Budoucnost ekologicky šetrné infrastruktury pro AI
Hodnocení životního cyklu systémů umělé inteligence
- Jak měřit uhlíkovou stopu vytvořenou během používání modelů AI
- Strategie pro snižování dopadu na životní prostředí v průběhu celého životního cyklu systémů AI
- Konkrétní příklady hodnocení vlivu na životní prostředí u projektů umělé inteligence
Politika a regulace pro udržitelnou AI
- Přehled globálních norem a legislativních předpisů týkajících se umělé inteligence
- Role regulací v podpoře rozvoje energeticky úsporných modelů AI
- Etické aspekty a společenský dopad vývoje umělé inteligence
Projektová část a hodnocení účastníků
- Vytvoření prototypu využívajícího malý jazykový model ve vybrané oblasti aplikace
- Prezentace výsledků projektu energeticky úsporného systému umělé inteligence
- Vyhodnocení podle technické efektivnosti, inovativnosti a přínosu pro životní prostředí
Závěr a další kroky
Požadavky
- Dobrá znalost konceptů hlubokého učení
- Plynulá schopnost programovat v jazyce Python
- Zkušenosti s technikami optimalizace modelů
Cílová skupina
- Inženýři strojového učení
- Výzkumníci a praktici v oblasti umělé inteligence
- Osoby prosazující ochranu životního prostředí v technologickém průmyslu
21 Hodiny
