Course Outline

Εισαγωγή στην ενεργειακά αποδοτική τεχνητή νοημοσύνη

  • Η σημασία της βιωσιμότητας στην τεχνητή νοημοσύνη
  • Επισκόπηση της κατανάλωσης ενέργειας στη μηχανική μάθηση
  • Μελέτες περίπτωσης ενεργειακά αποδοτικών εφαρμογών τεχνητής νοημοσύνης

Συμπαγείς Αρχιτεκτονικές Μοντέλων

  • Κατανόηση του μεγέθους και της πολυπλοκότητας του μοντέλου
  • Τεχνικές για το σχεδιασμό μικρών αλλά αποτελεσματικών μοντέλων
  • Σύγκριση διαφορετικών αρχιτεκτονικών μοντέλων για αποτελεσματικότητα

Τεχνικές Βελτιστοποίησης και Συμπίεσης

  • Μοντέλο κλάδεμα και κβαντοποίηση
  • Απόσταξη γνώσης για μικρότερα μοντέλα
  • Αποτελεσματικές μέθοδοι εκπαίδευσης για τη μείωση της χρήσης ενέργειας

Θεωρήσεις υλικού για την τεχνητή νοημοσύνη

  • Επιλογή ενεργειακά αποδοτικού υλικού για εκπαίδευση και εξαγωγή συμπερασμάτων
  • Ο ρόλος των εξειδικευμένων επεξεργαστών όπως οι TPU και οι FPGA
  • Εξισορρόπηση απόδοσης και κατανάλωσης ενέργειας

Πράσινες Πρακτικές Κωδικοποίησης

  • Σύνταξη κώδικα ενεργειακής απόδοσης
  • Προφίλ και βελτιστοποίηση αλγορίθμων AI
  • Βέλτιστες πρακτικές για βιώσιμη ανάπτυξη λογισμικού

Ανανεώσιμες πηγές ενέργειας και τεχνητή νοημοσύνη

  • Ενσωμάτωση ανανεώσιμων πηγών ενέργειας σε λειτουργίες τεχνητής νοημοσύνης
  • Βιωσιμότητα κέντρου δεδομένων
  • Το μέλλον της πράσινης υποδομής AI

Αξιολόγηση Κύκλου Ζωής Συστημάτων AI

  • Μέτρηση του αποτυπώματος άνθρακα των μοντέλων AI
  • Στρατηγικές για τη μείωση των περιβαλλοντικών επιπτώσεων σε όλο τον κύκλο ζωής της τεχνητής νοημοσύνης
  • Μελέτες περίπτωσης για την αξιολόγηση του κύκλου ζωής στην τεχνητή νοημοσύνη

Πολιτική και Κανονισμός για τη Βιώσιμη ΤΝ

  • Κατανόηση παγκόσμιων προτύπων και κανονισμών
  • Ο ρόλος της πολιτικής στην προώθηση της ενεργειακά αποδοτικής τεχνητής νοημοσύνης
  • Ηθικές εκτιμήσεις και κοινωνικός αντίκτυπος

Έργο και Αξιολόγηση

  • Ανάπτυξη ενός πρωτοτύπου χρησιμοποιώντας μικρά γλωσσικά μοντέλα σε επιλεγμένο τομέα
  • Παρουσίαση του ενεργειακώς αποδοτικού συστήματος τεχνητής νοημοσύνης
  • Αξιολόγηση με βάση την τεχνική αποτελεσματικότητα, την καινοτομία και την περιβαλλοντική συνεισφορά

Περίληψη και Επόμενα Βήματα

Requirements

  • Στέρεη κατανόηση των εννοιών βαθιάς μάθησης
  • Ικανότητα στον προγραμματισμό Python
  • Εμπειρία σε τεχνικές βελτιστοποίησης μοντέλων

Ακροατήριο

  • Μηχανικοί μηχανικής εκμάθησης
  • Ερευνητές και επαγγελματίες τεχνητής νοημοσύνης
  • Υποστηρικτές του περιβάλλοντος στον κλάδο της τεχνολογίας
 21 Hours

Number of participants


Price per participant

Upcoming Courses