Logo UAB

Acceleració de la Computació en IA

Codi: 106592 Crèdits: 6
2025/2026
Titulació Tipus Curs
Intel·ligència Artificial / Artificial Intelligence OT 3
Intel·ligència Artificial / Artificial Intelligence OT 4

Professor/a de contacte

Nom:
Vanessa Moreno Font
Correu electrònic:
vanessa.moreno@uab.cat

Equip docent

Jordi Carrabina Bordoll
Juan Carazo Borrego

Idiomes dels grups

Podeu consultar aquesta informació al final del document.


Prerequisits

No n'hi ha. En part d’aquesta assignatura es descriu el maquinari dels acceleradors d'IA que hi ha als xips de servidors, mòbils, encastats, etc. Per tant, cal tenir els conceptes bàsics d'arquitectura i tecnologia d'ordinadors.


Objectius

Aquesta assignatura té com a objectiu analitzar les metodologies i plataformes que permeten l'acceleració de la computació de la IA.

Aquesta acceleració està associada a diferents factors com són: (1) el tipus d'operacions que s'executen (multiplicacions vector-matriu i matriu-matriu amb acumulació, i funcions de transferència complexes); (2) la gestió de les dades (tant pel que fa als requeriments de memòria com d'entrada sortida); (3) els requeriments dels sistemes on ha d'anar incrustada la IA (condicions de temps real, limitació de consum d’energia, etc.)

Pel que fa a l'àmbit d'aquesta acceleració, tot i que s'accelera tant la fase d'aprenentatge com la d'inferència i donat que l'aprenentatge es realitza en servidors al núvol, ens centrarem majoritàriament en plataformes amb recursos limitats (respecte dels servidors) com ara plataformes mòbils o encastades (també conegudes com a perifèria).

S'analitzaran les diferents plataformes computacionals de propòsit general (CPU, GPU, FPGA) i específic (DPU/TPU/NPU, processadors ML i NN, chips biònics, neuromòrfics, etc.) juntament amb les metodologies de desplegament.

Tot això en l’àmbit de l'internet dels objectes (IoT) composat per sistemes que inclouen els dispositius (devices), la perifèria (edge) i el núvol (cloud).


Competències

    Intel·ligència Artificial / Artificial Intelligence
  • Actuar en l’àmbit de coneixement propi valorant l’impacte social, econòmic i mediambiental.
  • Analitzar i resoldre problemes de manera efectiva, i generar propostes innovadores i creatives per aconseguir els objectius.
  • Concebre, dissenyar, analitzar i implementar agents i sistemes ciberfísics autònoms capaços d’interactuar amb altres agents o persones en entorns oberts, tenint en compte les demandes i necessitats col·lectives.
  • Conceptualitzar i modelar alternatives de solucions complexes per a problemes d’aplicació de la intel·ligència artificial en diferents àmbits, i planificar i gestionar projectes per al disseny i desenvolupament de prototips que demostrin la validesa del sistema proposat.
  • Identificar, analitzar i avaluar l’impacte ètic i social, el context humà i cultural i les implicacions legals del desenvolupament d’aplicacions d’intel·ligència artificial i de manipulació de dades en diferents àmbits.
  • Treballar cooperativament per aconseguir objectius comuns, assumint la pròpia responsabilitat i respectant el rol dels diferents membres de l’equip.

Resultats d'aprenentatge

  1. Adaptar algoritmes d’IA per implementar la inferència en plataformes encastades amb recursos limitats i condicions de temps real i eficiència energètica.
  2. Analitzar els indicadors de sostenibilitat de les activitats academicoprofessionals de l’àmbit integrant les dimensions social, econòmica i mediambiental.
  3. Analitzar i resoldre problemes de manera efectiva, i generar propostes innovadores i creatives per aconseguir els objectius.
  4. Dissenyar, crear prototips i avaluar prestacions en sistemes encastats amb recursos limitats i condicions de temps real i eficiència energètica.
  5. Dissenyar i validar la metodologia d’implementació d’aprenentatge i inferència en processadors de propòsit general i específic.
  6. Identificar les millors solucions per mapar una solució d’IA en un sistema d’IdC distribuït en dispositiu, perifèria i núvol.
  7. Identificar l’impacte ètic i social i les implicacions legals i regulatòries dels sistemes d’IA per a l’enviament de dades per a l’entrenament al núvol.
  8. Mesurar i optimitzar les prestacions de les implementacions d’algoritmes d’IA en plataformes.
  9. Proposar projectes i accions viables que potenciïn els beneficis socials, econòmics i mediambientals.
  10. Treballar cooperativament per aconseguir objectius comuns, assumint la pròpia responsabilitat i respectant el rol dels diferents membres de l’equip.
  11. Utilitzar les tecnologies i serveis d’acceleració d’aprenentatge de xarxes d’IA en el núvol i en la perifèria.

Continguts

CONTINGUT 

1. Introducció a plataformes IoT per a IA 

  • Núvol, perifèria (mòbil, incrustat), dispositiu (amb restriccions de recursos) 
  • Entrenament vs. inferència: balanç de càrrega 

2. Optimització IA 

  • Metodologies de desplegament per reduir la complexitat computacional 
  • IA vs. rendiment computacional (requisits de l'aplicació): precisió, temps real, memòria, energia 
  • Tiny ML 

3. Tècniques i tecnologies d'acceleració 

  • Plataformes de propòsit general: CPU, GPU, FPGA 
  • Plataformes específiques de l'aplicació per al processament de ML i NN: DPU/TPU/NPU 
  • Xips avançats: neuromòrfics, basats en memristor, biònics i quàntics  

LABORATORIS 

Desplegament d'aplicacions a (1) dispositius mòbils (d'estudiants) i (2) plataformes encastades 

PROJECTE DE DISSENY 

Planificació i prototipatge d’una aplicació IA específica en la perifèria (seleccionada pels estudiants) 


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classes magistrals i seminaris 26 1,04 1, 2, 4, 5, 6, 7, 8, 11
Tipus: Supervisades      
Laboratoris i Projecte de Disseny 24 0,96 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11
Tipus: Autònomes      
Estudi i treball fora de l'aula 98 3,92 1, 2, 3, 4, 5, 6, 7, 8, 9, 11

La metodologia d’aprenentatge combinarà classes magistrals, activitats en sessions tutoritzades, aprenentatge basat en projectes i sessions de laboratori.

L’assistència és obligatòria per a les activitats: projecte de disseny IoT-IA, i les pràctiques de laboratori que és faran en grups de 2 o 3 persones.

Les sessions de laboratori es faran en format guiat. 

S’utilitzarà el campus virtual de la UAB a https://cv.uab.cat.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.


Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Activitats individuals (tipus exercicis) 40% 0 0 1, 3, 4, 5, 6, 8, 11
Avaluació d'activitats desenvolupades en sessions tutoritzades (laboratoris) 20% 0 0 1, 3, 4, 5, 6, 8, 10, 11
Informe i presentació del projecte de disseny 40% 2 0,08 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11

Aquesta assignatura no preveu el sistema d’avaluació única (no hi ha examen).

L'avaluació dels alumnes utilitzarà l'avaluació continuada i la nota final del curs es calcularà de la següent manera:
A - 40% de la nota obtinguda per l'avaluació de les activitats proposades (tipus exercicis). Quan es programi una activitat d’avaluació s’indicarà quins indicadors s'usaran per avaluar i el seu pes en la qualificació.
B - 40% de la nota obtinguda per l'avaluació del treball de disseny d'un sistema IoT-AI (original). 
C - 20% de la nota obtinguda per l'estudiant dels treballs de laboratori. És necessari superar el 5 (sobre 10) en aquest ítem per aprovar l'assignatura.

Totes les activitats requeriran el lliurament d'informe a través del campus virtual. 
- Al llarg del curs es proposaran activitats de tipus A per als diferents temes. 
- Les activitats de tipus B, requeriran el lliurament d'informes parcials del projecte cada 2 setmanes. 
- Les activitats de tipus C, requeriran el lliurament d'un informe per a cada sessió de laboratori.

Per obtenir MH caldrà que els alumnes tinguin una qualificació global superior a 9 amb les limitacions de la UAB (1 MH/20 alumnes). Com a criteri de referència, s'assignaran per ordre descendent.

Una nota final ponderada no inferior al 50% és suficient per superar el curs, sempre que s’assoleixi una puntuació superior a un terç de la gamma en els 2 primers ítems (A i B). Si és inferior s'assignarà una nota de 4.0.

No es tolerarà el plagi. Tots els estudiants implicats en una activitat de plagi seran suspesos automàticament. S'assignarà una nota final no superior al 30%.

Es pot utilitzar programari de codi obert o llibreries disponibles, però s'han de referenciar en els informes corresponents.

Un estudiant que no hagi aconseguit una nota mitjana ponderada suficient, pot optar per sol·licitar activitats de recuperació (treballs individuals o prova de síntesi) de l'assignatura en les següents condicions:
- l'estudiant ha d'haver participat en els treballs de laboratori i projecte de disseny,
- l'estudiant ha de tenir una mitjana ponderada final superior al 30%, i
- l'estudiant no ha fallat en cap activitat per culpa del plagi.

L’estudiant rebrà una nota de “No Avaluable” en cas que:
- l'estudiant no hagi pogut ser avaluat en les activitats de laboratori per no haver-hi assistit o no haver entregat els corresponents informes sense causa justificada.
- l'estudiant no hagi realitzat un mínim del 50% de les activitats proposades.
- l'estudiant no hagi fet el treball de disseny.

Per a cada activitat d’avaluació, es donarà a l'estudiant o al grup, els comentaris corresponents. L'alumnat podrà fer reclamacions sobre la nota de l’activitat, que seran avaluades pel professorat responsable de l’assignatura. 

Els estudiants repetidors podran "guardar" la seva qualificació en les activitats de laboratori.


Bibliografia

Russell, S. J., & Norvig, P. (2022). Artificial intelligence: a modern approach (Global edition). Pearson Education Limited.

Du, L., Du, Y. (2018). Hardware Accelerator Design for Machine Learning. In Machine Learning - Advanced Techniques and Emerging Applications. IntechOpen. https://doi.org/10.5772/intechopen.72845

Huawei Technologies Co., L. (2022). Artificial Intelligence Technology (1st ed. 2023.). Springer Nature. https://doi.org/10.1007/978-981-19-2879-6

X. Ma et al., "A Survey on Deep Learning Empowered IoT Applications," in IEEE Access, vol. 7, pp. 181721-181732, 2019, doi: 10.1109/ACCESS.2019.2958962

V. H. Kim and K. K. Choi, "A Reconfigurable CNN-Based Accelerator Design for Fast and Energy-Efficient Object Detection System on Mobile FPGA," in IEEE Access, vol. 11, pp. 59438-59445, 2023, doi: 10.1109/ACCESS.2023.3285279

C. -B. Wu, C. -S. Wang and Y. -K. Hsiao, "Reconfigurable Hardware Architecture Design and Implementation for AI Deep Learning Accelerator," 2020 IEEE 9th Global Conference on Consumer Electronics (GCCE), Kobe, Japan, 2020, pp. 154-155, doi: 10.1109/GCCE50665.2020.9291854

Robert David et al. TENSORFLOW LITE MICRO: EMBEDDED MACHINE LEARNING ON TINYML SYSTEMS. Proceedings of the 4th MLSys Conference, San Jose, CA, USA.

Pete Warden, Daniel Situnayake. TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. https://tinymlbook.com/

Mishra, A., Cha, J., Park, H., & Kim, S. (2023). Artificial Intelligence and Hardware Accelerators (1st ed.). Springer International Publishing AG. https://doi.org/10.1007/978-3-031-22170-5

Liu, A. C.-C., & Law, O. M. K. (2021). Artificial intelligence hardware design: challenges and solutions. John Wiley & Sons, Incorporated.

Daniel Situnayake, Jenny Plunkett. (2023). AI at the Edge. O'Reilly Media, Inc


Programari

S’utilitzaran les següents eines/fluxos:

  • Tensor RT per NVIDIA GPUs
  • OpenVino per a Intel 
  • Edge Impulse multiplataforma
  • Entorn TinyML: Tensorflow Lite (adequant el flux de disseny a la plataforma)

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Nom Grup Idioma Semestre Torn
(PAUL) Pràctiques d'aula 711 Anglès primer quadrimestre matí-mixt
(TE) Teoria 71 Anglès primer quadrimestre matí-mixt