人工智能正在改变各个领域、商品和基本功能。然而，深度神经网络在内存、计算能力和能源方面消耗过多资源。为确保人工智能的广泛应用，它必须在终端用户设备上高效运行，并严格遵守功耗和散热限制。量化和压缩等技术在缓解这些挑战方面发挥着关键作用。

在本次网络研讨会上，索尼产品经理阿米尔-塞维（Amir Servi）将向您介绍索尼的模型压缩工具包，该工具包用于量化和加速深度学习模型，以实现高效的边缘部署。您将学会如何为自己的模型做同样的处理！您将学到什么？

- 我们在量化技术方面的最新研究及其在实用产品中的应用

- 硬件感知压缩对边缘推理的重要性

- 工程师和研究人员如何通过索尼 MCT 实现这些技术

变换器架构的引入以及🤗变换器库中用于预训练、微调和推断的用户友好型抽象极大地推动了计算机视觉领域的最新进展。本讲座概述了基于变换器的最新视觉模型，探讨了🤗变换器库中可用的实用工具，并对其背后的理念提供了实用的见解。

厌倦了在零售店结账时排长队吗？我们的智能排队管理系统就是答案！加入我们的教程，逐步了解如何使用OpenVINO 和YOLOv8 创建这样一个系统。我们将指导您如何集成这些功能强大的开源工具，以开发可部署在零售结账环境中的端到端解决方案。您将学习如何优化应用程序以实现出色的性能。无论您是经验丰富的开发人员还是人工智能新手，本讲座都将为您提供使用OpenVINO 构建智能系统的实用技巧和最佳实践。讲座结束时，您将掌握构建自己的解决方案所需的知识和资源。

在人工智能（AI）飞速发展的时代，把握这项技术的伦理前景至关重要。在本环节中，莫妮卡将揭开伴随人工智能变革力量而来的错综复杂的伦理困境之网。从解决偏见和公平问题，到探讨透明度、问责制以及人工智能对社会的深远影响，莫妮卡将发表见解，阐明围绕人工智能的伦理问题。

本讲座让您有机会从根本上了解与人工智能相关的伦理挑战和责任。莫妮卡将为您提供从事人工智能开发、决策或政策制定的人员所必需的知识。

基础模型对GPU 计算的要求很高，可能不适合实时应用，尤其是如果你想扩展数百万个自主购买点。但是，我们利用了一种称为知识提炼的方法，将我们的基础模型用于注释等复杂任务，并将这些知识转移到更小的、具有成本效益的模型中。这使我们的标注过程比传统的人工标注快 90 倍。

Pssst.想听个秘密吗？如果我告诉你主动学习并不难呢？如果有......一种简单的方法呢？你很幸运。本讲座将向你展示如何使用DagsHub 的数据引擎实现主动学习管道。其中 90% 的流程可以直接在 Jupyter Notebook 或Google Colab 上运行！讲座结束后，您将掌握必要的信息，将现有项目转换为使用主动学习的项目，从而高效、快速地改进模型指标！

使用YOLOv8 的开源工具可以帮助您快速启动和运行下一个视觉人工智能项目。这里有开源图像库、帮助自动进行数据标注的库、用于跟踪或计数的工具以及用于部署模型的服务器。了解如何将它们与YOLOv8 结合使用，构建您的下一个应用程序。

全球正在竞相开发更大更好的人工智能（AI）系统，预计这将对社会和环境产生深远影响，改变就业市场，颠覆商业模式，促成新的治理和社会福利结构，从而影响全球对气候行动路径的共识。然而，目前的人工智能系统是在有偏见的数据集上训练出来的，这可能会破坏影响气候变化减缓和适应决策的政治机构的稳定，并损害社会稳定，从而可能导致社会倾覆事件。因此，如何适当设计一种偏差较小的人工智能系统，以反映对社会和地球挑战的直接和间接影响，是一个至关重要的问题。

对机器学习（ML）模型进行量化可显著减少模型大小，并由于带宽要求降低而减少推理延迟。如果部署在高效支持整数计算的硬件选项上，性能提升会更加显著。然而，量化有时会导致无法接受的精度下降。在本讲座中，我们将概述对YOLOv8 模型进行高效量化的方法，使其成为各种实时边缘人工智能应用的绝佳选择。我们还介绍了一类具有 ReLU6 激活函数的YOLOv8 模型，这些模型在各种模型架构和数据集上都显示出了出色的训练后量化效果。最后，我们说明了如何使用简单的应用程序接口将量化模型部署到多种硬件选项上，如 CPU、Edge TPU 和 Orca（DeGirum 的人工智能硬件加速器）。

Ultralytics 是用于图像分类、物体检测、图像分割和姿态估计等任务的最前沿、最先进的计算机视觉模型的家园。Weights & Biases 是一个开发者优先的MLOps平台，与Ultralytics 工作流程集成后，我们可以轻松管理实验、模型检查点，并以深入直观的方式可视化实验结果。在本环节中，我们将探讨如何利用Ultralytics 和Weights & Biases 有效地提高计算机视觉工作流程的效率。

了解我们是如何创建 PatentPT 的，这是一种先进的语言模型解决方案，可大大增强专利检索和交互能力。本讲座提供了关于微调和部署大型语言模型以及利用企业级记忆代理自动完成专利、生成摘要和权利要求书以及使用丰富的专利语料库执行高级专利检索功能的实用见解。我们将指导您如何使用尖端的 Activeloop 的 Deep Lake、人工智能数据库、开源 LLM 模型、Habana Gaudi HPU 硬件和 Amazon Sagemaker 的 LLM 推断 API 开发类似的解决方案。

我们将引导您了解架构蓝图以及我们构建解决方案的所有步骤--从训练 LLM 模型并对其进行微调、创建自定义功能到部署搜索 API。

无论您是正在寻找法律硕士微调实用指南的人工智能从业者，还是对利用人工智能进行专利检索感兴趣的法律专业人士，抑或仅仅是对人工智能增强型解决方案的未来充满好奇，我们的讲座都能让您了解在专业领域使用法律硕士的过程和潜力。欢迎加入我们的行列，与我们一起分享由 Deep Lake（面向大小公司的人工智能数据库）提供支持的定制 LLM 驱动型应用程序的构建历程。