Plan du cours

Introduction à l'IA de faible puissance

  • Aperçu de l'IA dans les systèmes embarqués
  • Défis liés au déploiement de l'IA sur des appareils à faible consommation d'énergie
  • Applications d'IA économes en énergie

Techniques d'optimisation des modèles

  • Quantification et son impact sur les performances
  • Élagage et partage des poids
  • Distillation des connaissances pour la simplification des modèles

Déploiement de modèles d'IA sur du matériel de faible puissance

  • Utilisation de TensorFlow Lite et du Runtime ONNX pour l'IA périphérique
  • Optimisation des modèles d'IA avec NVIDIA TensorRT
  • Accélération matérielle avec Coral TPU et Jetson Nano

Réduction de la consommation d'énergie dans les applications d'IA

  • Profilage de la consommation d'énergie et mesures d'efficacité
  • Architectures informatiques à faible consommation
  • Techniques de mise à l'échelle dynamique de la puissance et d'inférence adaptative

Études de cas et applications réelles

  • Dispositifs IoT alimentés par batterie et alimentés par l'IA
  • IA à faible consommation pour les soins de santé et les dispositifs portables
  • Applications de ville intelligente et de surveillance de l'environnement

Meilleures pratiques et tendances futures

  • Optimisation de l'IA de pointe pour le développement durable
  • Progrès en matière de matériel d'IA économe en énergie
  • Développements futurs dans la recherche sur l'IA à faible consommation d'énergie

Résumé et prochaines étapes

Pré requis

  • Compréhension des modèles d'apprentissage profond
  • Expérience des systèmes embarqués ou du déploiement de l'IA
  • Connaissance de base des techniques d'optimisation de modèles

Audience

  • Ingénieurs en IA
  • Développeurs de systèmes embarqués
  • Ingénieurs en matériel
 21 Heures

Nombre de participants


Prix ​​par Participant

Cours à venir

Catégories Similaires