Struttura del corso

Introduzione all'intelligenza artificiale a basso consumo

  • Panoramica dell'intelligenza artificiale nei sistemi embedded
  • Sfide dell'implementazione dell'intelligenza artificiale su dispositivi a basso consumo
  • Applicazioni di intelligenza artificiale a basso consumo energetico

Tecniche di ottimizzazione del modello

  • Quantizzazione e il suo impatto sulle prestazioni
  • Potatura e condivisione del peso
  • Distillazione della conoscenza per la semplificazione del modello

Distribuzione di modelli di intelligenza artificiale su hardware a basso consumo

  • Utilizzo di TensorFlow Lite e ONNX Runtime per l'intelligenza artificiale edge
  • Ottimizzazione dei modelli AI con NVIDIA TensorRT
  • Accelerazione hardware con Coral TPU e Jetson Nano

Riduzione del consumo energetico nelle applicazioni AI

  • Profilazione della potenza e metriche di efficienza
  • Architetture di elaborazione a basso consumo
  • Tecniche di ridimensionamento dinamico della potenza e di inferenza adattiva

Casi di studio e applicazioni nel mondo reale

  • Dispositivi IoT alimentati a batteria e alimentati dall'intelligenza artificiale
  • Intelligenza artificiale a basso consumo per l'assistenza sanitaria e i dispositivi indossabili
  • Applicazioni per smart city e monitoraggio ambientale

Buone pratiche e tendenze future

  • Ottimizzazione dell'intelligenza artificiale per la sostenibilità
  • Progressi nell'hardware AI a basso consumo energetico
  • Sviluppi futuri nella ricerca sull'intelligenza artificiale a bassa potenza

Riepilogo e passaggi successivi

Requisiti

  • Una comprensione dei modelli di apprendimento profondo
  • Esperienza con sistemi embedded o distribuzione di intelligenza artificiale
  • Conoscenza di base delle tecniche di ottimizzazione del modello

Pubblico

  • Ingegneri dell'intelligenza artificiale
  • Sviluppatori embedded
  • Ingegneri hardware
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative