Green IA : Optimisation Énergétique des algorithmes d’IA

• Comprendre l’impact énergétique des algorithmes d’IA​
• Maitriser les techniques d’optimisation énergétique pour réduire l’empreinte carbone des applications d’IA​
• Apprendre à concevoir des algorithmes d’IA plus efficaces en termes de consommation d’énergie

1. Introduction à l’IA et à son impact énergétique ​

• Comprendre l’énergie consommée par les algorithmes d’IA (entraînement, inférence,…)​
• Présentation de l’empreinte carbone des datacenters et des grands modèles de Deep Learning​
• Études de cas : consommation énergétique des modèles GPT, BERT,…​

2. Facteurs influençant la consommation énergétique​

• Taille des modèles (nombre de paramètres, compléxité)​
• Type de matériel utilisé (GPU, TPU, CPU)​
• Effet de la précision des calculs

3. Introduction aux métriques d’efficacité énergétique​

• Performance par watt (FLOPS/watt)​
• Power Usage Effectiveness (PUE) des centres de données​
• Métriques spécifiques à l’IA : Training Time Energy, Inference Time Energy​

4. Les grandes orientations de l’optimisation énergétique​

• Optimisation au niveau matériel​
• Optimisation au niveau logiciel ​
• Algorithmes et architectures plus efficaces ​

5. Optimisation au niveau matériel ​

• Utilisation au niveau des GPU / TPU basse consommation​
• Accélérateurs spécifiques à l’IA (ASIC, FPGA)​
• Introduction aux technologies de refroidissement écoénergétiques pour datacenters

6. Optimisation des modèles IA​

• Pruning (élagage des modèles)​
• Quantization (quantification des poids)​
• Knowledge Distillation (distillation de modèles) ​

7. Optimisation des processus d’entraînement​

• Techniques de mini-batch et apprentissage en ligne​
• Méthodes pour réduire la taille des données d’entraînement​
• Early stopping et autres techniques pour réduire le temps d’entraînement​

8. Optimisation des processus d’entraînement​

• Techniques de mini-batch et apprentissage en ligne​
• Méthodes pour réduire la taille des données d’entrainement
• Early stopping et autres techniques pour réduire le temps d’entraînement​

9. Optimisation des processus d’inférence​

• Approche pour améliorer l’efficacité énergétique en inférence​
• Déploiement sur des dispositifs à faible consommation (Edge Computing, IOT) ​
• Etudes de cas sur la réduction de la consommation lors de l’inférence ​

10. Atelier pratique : Optimisation d’un modèle IA ​

• Selection d’un modèle existant ​
• Application des techniques d’optimisation énergétique ​
• Evaluation de la réduction de la consommation d’énergie​
• Étude de cas : IA et durabilité dans différents secteurs​
• Étude de cas : projets réussis d’IA durable

La pédagogie Ia Sens s’articule autour d’une approche concrète et collaborative pour permettre aux apprenants de maitriser les enjeux opérationnels et stratégiques de leur métier :

• Un expert IA et une équipe pédagogique au coté de l’apprenant pour l’accompagner toute au long de sa formation.
• Alternance de partages d’expertises, d’échanges et de mises en pratique grâce à de nombreux exercices individuels ou collectifs.
• Etudes de cas et cas pratiques rythment cette formation.
• Un support de formation présentant l’essentiel des apprentissages et intégrant des éléments d’approfondissement.

Les apprenants ont un QCM à remplir à la fin de chaque atelier, venant valider l’atteinte des objectifs définis en amont de la formation et donnant lieu à la remise d’un certificat Learns.

• Un intervenant Expert et reconnu
• Des formations 100% dédiées à l’IA
• Un cadre inspirant et propice aux échanges
• L’opportunité de se créer un réseau et de devenir un Alumni IA sens
• La remise d’un certificat IA sens