Schulungsübersicht

Einführung in niedrigenergie-intelligente Systeme (Low-Power AI)

  • Überblick über KI in eingebetteten Systemen
  • Herausforderungen der Implementierung von KI auf niedrigenergieintensiven Geräten
  • energieeffiziente KI-Anwendungen

Modelloptimierungsverfahren

  • Quantisierung und ihr Einfluss auf die Leistung
  • Verstümmelung (Pruning) und Gewichtsteilung
  • Kenntnisdestillation zur Modellvereinfachung

Bereitstellung von KI-Modellen auf niedrigenergieintensivem Hardware

  • Verwendung von TensorFlow Lite und ONNX Runtime für edge AI
  • Optimierung von KI-Modellen mit NVIDIA TensorRT
  • Hardwarebeschleunigung mit Coral TPU und Jetson Nano

Verringern der Energieverbrauch in KI-Anwendungen

  • Leistungsprofile und Effizienzmaße
  • Niedrigenergie-Computing-Architekturen
  • Dynamische Energiemodulation und adaptive Inferenzmethoden

Fallstudien und Anwendungen im realen Leben

  • AI-gesteuerte batteriebetriebene IoT-Geräte
  • Niedrigenergie-KI für Gesundheitswesen und Wearables
  • Smart-City- und Umweltüberwachungsanwendungen

Beste Praktiken und zukünftige Trends

  • Optimierung von Edge-AI für Nachhaltigkeit
  • Fortschritte in energieeffizienter KIH-Hardware
  • Zukünftige Entwicklungen im Bereich niedrigenergie-Intelligenter Forschung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Ein Verständnis von tiefen lernmodellen
  • Erfahrung mit eingebetteten systemen oder ai-deployment
  • Grundlegendes wissen über modelloptimierungstechniken

Zielgruppe

  • AI-Ingenieure
  • Embedded-Entwickler
  • Hardware-Ingenieure
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien