Schulungsübersicht

Einführung in Low-Power AI

  • Überblick über AI in eingebetteten Systemen
  • Herausforderungen beim Einsatz von AI auf Geräten mit geringem Stromverbrauch
  • Energieeffiziente AI-Anwendungen

Modell-Optimierungstechniken

  • Quantisierung und ihr Einfluss auf die Leistung
  • Pruning und Gewichtsteilung
  • Wissensdestillation zur Modellvereinfachung

Einsatz von AI-Modellen auf Low-Power-Hardware

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

Senkung des Stromverbrauchs in KI-Anwendungen

  • Leistungsprofilerstellung und Effizienzmetriken
  • Architekturen für stromsparendes Rechnen
  • Dynamische Leistungsskalierung und adaptive Inferenztechniken

Fallstudien und Anwendungen in der realen Welt

  • KI-betriebene, batteriebetriebene IoT-Geräte
  • Stromsparende KI für das Gesundheitswesen und Wearables
  • Anwendungen für intelligente Städte und Umweltüberwachung

Bewährte Praktiken und zukünftige Trends

  • Optimierung von Edge-KI für Nachhaltigkeit
  • Fortschritte bei energieeffizienter KI-Hardware
  • Zukünftige Entwicklungen in der stromsparenden KI-Forschung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Deep-Learning-Modellen
  • Erfahrung mit eingebetteten Systemen oder KI-Einsatz
  • Grundlegende Kenntnisse von Modelloptimierungstechniken

Zielgruppe

  • KI-Ingenieure
  • Eingebettete Entwickler
  • Hardware-Ingenieure
 21 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien