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 von Nachhaltigkeit in der KI
- Übersicht über den Energieverbrauch bei Maschinellem Lernen
- Fallbeispiele für energieeffiziente KI-Anwendungen
Kompakte Modellarchitekturen
- Verständnis bezüglich Modellgröße und -komplexität
- Techniken zur Entwicklung kleiner, aber leistungsfähiger Modelle
- Vergleich verschiedener Architekturen hinsichtlich ihrer Effizienz
Optimierungs- und Kompressionstechniken
- Modell-Pruning sowie Quantisierung
- Wissens-Distillation zur Erstellung kleinerer Modelle
- Effiziente Trainingsverfahren zur Reduzierung des Energieverbrauchs
Hardware-Aspekte bei der KI-Implementierung
- Auswahl energieeffizienter Hardware für das Training und die Inferenz
- Rolle spezialisierter Prozessoren wie TPUs oder FPGAs
- Abwägung zwischen Leistungsfähigkeit und Stromverbrauch
Nachhaltige Programmierpraktiken
- Entwicklung energieeffizienten Codes
- Profiling und Optimierung von KI-Algorithmen
- Bewährte Verfahren für eine umweltfreundliche Softwareentwicklung
Erneuerbare Energien und KI
- Integration erneuerbarer Energiequellen in den Betrieb von KI-Systemen
- Nachhaltigkeit in Rechenzentren
- Zukunftsaussichten für eine umweltfreundliche KI-Infrastruktur
Lebenszyklus-Analyse von KI-Systemen
- Messung des ökologischen Fußabdrucks von KI-Modellen
- Maßnahmen zur Reduzierung der Umweltbelastung während des gesamten Lebenszyklus einer KI-Lösung
- Fallstudien zur Lebenszyklus-Analyse in der KI
Richtlinien und Regulierungen für nachhaltige KI
- Verständnis internationaler Standards und gesetzlicher Vorgaben
- Rolle von Politikmaßnahmen bei der Förderung energieeffizienter KI
- Ethische Aspekte sowie gesellschaftliche Auswirkungen
Projekt- und Bewertungsphase
- Entwicklung eines Prototyps mithilfe kleiner Sprachmodelle in einem gewählten Anwendungsbereich
- Präsentation des energieeffizienten KI-Systems
- Bewertung anhand technischer Effizienz, Innovationsgrad sowie ökologischen Mehrwerts
Zusammenfassung und weitere Schritte
Voraussetzungen
- Fundierte Kenntnisse der Konzepte des Deep Learnings
- Sichere Beherrschung der Python-Programmierung
- Erfahrung mit Techniken zur Optimierung von Modellen
Zielgruppe
- Maschinelle-Lern-Ingenieure
- KI-Forscher und -Praktiker
- Umweltbewusste Fachkräfte aus der Technologiebranche
21 Stunden
