<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Low Power AI on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/low-power-ai/</link><description>Recent content in Low Power AI on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/low-power-ai/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید داده‌های مصنوعی با کارایی انرژی برای هوش مصنوعی لبه‌ای با محدودیت باتری</title><link>https://blog.formize.com/fa/energy-efficient-synthetic-data-generation-for-battery-const/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/energy-efficient-synthetic-data-generation-for-battery-const/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-با-کارایی-انرژی-برای-هوش-مصنوعی-لبهای-با-محدودیت-باتری">تولید داده‌های مصنوعی با کارایی انرژی برای هوش مصنوعی لبه‌ای با محدودیت باتری&lt;/h1>
&lt;p>هوش مصنوعی لبه‌ای از بارهای کاری صرفاً استنتاجی به سمت &lt;strong>خطوط لوله متمرکز بر داده&lt;/strong> حرکت می‌کند؛ به‌طوری که دستگاه‌ها نه تنها داده مصرف می‌کنند بلکه &lt;strong>تولید&lt;/strong> می‌کنند نیز. تولید داده‌های مصنوعی در لبه می‌تواند به‌طور چشمگیری تأخیر را کاهش دهد، حریم خصوصی را محافظت کند و هزینه‌های پهنای باند را کاهش دهد. با این حال، دستگاه‌های لبه‌ای—به‌ویژه آن‌هایی که با باتری تغذیه می‌شوند—بودجه انرژی سخت‌گیرانه‌ای دارند. این مقاله رویکردی جامع و آگاه به انرژی برای تولید داده‌های مصنوعی بر روی گره‌های لبه‌ای با محدودیت باتری ارائه می‌دهد که ترکیبی از فشرده‌سازی مدل، انتشار درون‌دستگاهی و هماهنگی فدرال است.&lt;/p></description></item></channel></rss>