Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione all’IA a basso consumo
- Panoramica sull’utilizzo dell’IA nei sistemi embedded
- Le principali difficoltà nell’implementazione dell’IA su dispositivi a basso consumo
- Applicazioni tipiche di un’IA energeticamente efficiente
Tecniche di ottimizzazione dei modelli
- La quantizzazione e il suo impatto sulle prestazioni dei modelli AI
- Metodi come la pruning e lo weight sharing per ridurre la complessità dei modelli
- L’utilizzo della knowledge distillation per semplificare i modelli senza perdere informazioni fondamentali
Distribuzione di modelli AI su hardware a basso consumo
- Impiego di strumenti come TensorFlow Lite e ONNX Runtime per lo sviluppo di soluzioni edge AI
- Ottimizzazione dei modelli tramite NVIDIA TensorRT
- Sfruttamento dell’accelerazione hardware grazie a componenti come Coral TPU e Jetson Nano
Riduzione del consumo energetico nelle applicazioni AI
- Analisi delle metriche di efficienza energetica e profilazione dei dispositivi utilizzati
- Caratteristiche architettoniche tipiche dei sistemi informatici a basso consumo
- Tecniche avanzate di gestione dinamica del consumo energetico e adattamento delle prestazioni in tempo reale
Studi di caso ed esempi pratici nel mondo reale
- Dispositivi IoT alimentati a batteria dotati di funzionalità AI avanzate
- Applicazioni mediche e indumenti tecnologici che sfruttano modelli IA efficienti dal punto di vista energetico
- Utilizzo dell’IA per il monitoraggio ambientale nelle città intelligenti
Best practice e tendenze future nel campo dell’IA a basso consumo
- Strategie di sviluppo sostenibile basate su ottimizzazioni hardware specifiche per l’IA
- Novità tecnologiche nei componenti hardware pensati appositamente per la riduzione del consumo energetico
- Sviluppi futuri nel campo della ricerca riguardante modelli di intelligenza artificiale a bassissimo consumo
Conclusione e prospettive future
Requisiti
- Conoscenza dei modelli di deep learning
- Esperienza nello sviluppo di sistemi embedded o nell’implementazione di soluzioni IA
- Conoscenze di base sulle tecniche di ottimizzazione dei modelli
Destinatari
- Ingegneri specializzati in intelligenza artificiale
- Sviluppatori embedded
- Ingegneri hardware
21 ore
Recensioni (1)
Coprindo argomenti avanzati e lavorando con esempi pratici
Ruben Khachaturyan - iris-GmbH infrared & intelligent sensors
Corso - Advanced Edge AI Techniques
Traduzione automatica