EVENTO
OTIMIZAÇÃO DA EFICIÊNCIA ENERGÉTICA E DESEMPENHO DE ALGORITMOS DE APRENDIZADO PROFUNDO UTILIZANDO TÉCNICAS DE TRANSFER LEARNING E AUTO AJUSTE DE HIPERPARÂMETROS: UM PASSO EM DIREÇÃO À IA VERDE
Tipo de evento: Exame de Qualificação
A UTILIZAÇÃO DE ALGORITMOS DE INTELIGÊNCIA ARTIFICIAL (IA) TEVE UM GRANDE CRESCIMENTO EXPRESSIVO NA ÚLTIMA DÉCADA, E CONTINUA A CRESCER EM RITMO ACELERADO. ESSE CRESCIMENTO EXPRESSIVO SE DEVE ESPECIALMENTE À ÁREA DE APRENDIZADO PROFUNDO (DEEP LEARNING - DL) COM APLICAÇÕES DE SUCESSO EMDIVERSOS DOMÍNIOS, TAIS COMO, RECONHECIMENTO FACIAL E DE FALA, DETECÇÃO DE OBJETOS, IDENTIFICAÇÃO E DIAGNÓSTICO DE DOENÇAS COMO O CÂNCER E O ALZHEIMER, ENTRE OUTROS. NO ENTANTO, ESSES ALGORITMOS DEMANDAM UM ALTO PODER COMPUTACIONAL PARA ATINGIREM OS NÍVEIS DE PRECISÃO DESEJADOS, MUITAS VEZESNECESSITANDO DE MILHARES DE HORAS MÁQUINA EM EQUIPAMENTOS DE ÚLTIMA GERAÇÃO, O QUE LIMITA O ACESSO A ESSES ALGORITMOS A PEQUENAS INSTITUIÇÕES OU PEQUENOS GRUPOS DE PESQUISADORES. ALÉM DISSO, O USO DESSES RECURSOS COMPUTACIONAIS GERAM ALTO CONSUMO ENERGÉTICO O QUE VEM SE TORNANDO UM GRANDE PROBLEMA, NÃOSÓ DE ORDEM FINANCEIRA, MAS TAMBÉM ECOLÓGICA. ESTUDOS RECENTES INDICAM QUE A ELABORAÇÃO, TREINAMENTO E AJUSTE DE UM ÚNICO ALGORITMO DE DL COM ALTA PRECISÃO PODE CHEGAR A PRODUZIR UMA QUANTIDADE DE CO2 EQUIVALENTE AO PRODUZIDO POR 6 (SEIS) CARROS MÉDIOS DURANTE TODA A SUA VIDA ÚTIL. MOTIVADOS PELA IMPORTÂNCIA DESTE TEMA, ESTE TRABALHO SE PROPÕE A APRESENTAR UMA METODOLOGIA CAPAZ DE PRODUZIRARQUITETURAS DE ALGORITMOS DE APRENDIZADO PROFUNDO MAIS EFICIENTES, TANTO NO QUE DIZ RESPEITO AO CONSUMO DE RECURSOS COMPUTACIONAIS, DE ENERGIA E TEMPO, SEM GRANDE PERDA DE ACURÁCIA NAS PREDIÇÕES, GERANDO ASSIM ALGORITMOS MAIS SUSTENTÁVEIS (ECONÔMICA E ECOLOGICAMENTE) EM BUSCA DE UMA IA MAISVERDE. ALÉM DISSO, TORNAR O TREINAMENTO E USO DESSES ALGORITMOS MAIS INCLUSIVOS, OU SEJA, ACESSÍVEL A PEQUENOS GRUPOS OU INSTITUIÇÕES PARA QUE POSSAM USUFRUIR DOS BENEFÍCIOS OFERECIDOS POR ESSES ALGORITMOS.A PROPOSTA É UTILIZAR TÉCNICAS DE TRANSFER LEARNING E DE AUTOAJUSTE DE IPERPARÂMETROS POR MEIO DE ALGORITMOS GENÉTICOS ALÉM DE ARQUITETURAS DO TIPO GPU E ARM PARA ALCANÇAR ESSES RESULTADOS.Para assistir acesse: https://us02web.zoom.us/j/86500052999?pwd=NUlwK0JSeW1JMzF2RjkrTkUrV244QT09
Data Início: 30/06/2021 Hora: 13:00 Data Fim: 30/06/2021 Hora: 17:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Webinar
Aluno: Andre Muniz Yokoyama - - LNCC
Co-Orientador: Mariza Ferro - Laboratório Nacional de Computação Científica - LNCC
Orientador: Bruno Richard Schulze - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC Nayat Sanchez-Pi - INRIA - Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
