Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in energieeffiziente KI
- Die Bedeutung der Nachhaltigkeit in der KI
- Überblick über den Energieverbrauch im maschinellen Lernen
- Fallstudien zu energieeffizienten KI-Implementierungen
Compact Modelarchitekturen
- Verständnis von Modellgröße und Komplexität
- Techniken zur Gestaltung kleiner, aber effektiver Modelle
- Vergleich verschiedener Modellarheiten auf Effizienz hin
Optimierungs- und Komprimierungstechniken
- Modellstumpfierung und Quantisierung
- Wissensdistanzierung für kleinere Modelle
- Effiziente Trainingsmethoden zur Energieeinsparung
Hardwareaspekte der KI
- Auswahl energieeffizienter Hardware für Training und Inferenz
- Die Rolle von spezialisierten Prozessoren wie TPUs und FPGAs
- Balance zwischen Leistung und Energieverbrauch
Grüne Codierungspraktiken
- Schreiben energieeffizienten Codes
- Profiling und Optimierung von KI-Algorithmen
- Beste Praxis für nachhaltige Softwareentwicklung
Erneuerbare Energie und KI
- Integration erneuerbarer Energieträger in KI-Operationen
- Nachhaltigkeit von Datenzentren
- Die Zukunft der grünen KI-Infrastruktur
Lebenszyklusanalyse von KISystemen
- Messung des Kohlenstofffusses von KImodellen
- Strategien zur Reduzierung des Umweltaufwands über den gesamten Lebenszyklus der KI hinweg
- Fallstudien zur Lebenszyklusanalyse in der KI
Politik und Regulation für nachhaltige KI
- Verständnis globaler Standards und Vorschriften
- Die Rolle von Politik zur Förderung energieeffizienter KIs
- Ethische Überlegungen und gesellschaftlicher Einfluss
Projekt und Bewertung
- Entwicklung eines Prototyps unter Verwendung kleiner Sprachmodelle in einem ausgewählten Bereich
- Präsentation des energieeffizienten KI-Systems
- Bewertung auf der Grundlage technischer Effizienz, Innovation und Umweltaufwand
Zusammenfassung und Weiterführende Schritte
Voraussetzungen
- Tiefes Verständnis der Konzepte des Deep Learning
- Fachlichkeit in Python-Programmierung
- Erfahrung mit Techniken zur Modelloptimierung
Zielgruppe
- Machine Learning Ingenieure
- AI-Forscher und Praktiker
- Umweltanwälte in der Technologieindustrie
21 Stunden
