Wie zuverlässig sagen KI-Foundation-Modelle den kurzfristigen Stromverbrauch voraus? Das DC2HEAT-Team der Universität Paderborn zeigt in einem Beitrag für IEEE Access: Auch ohne spezifisches Training liefern sie Ergebnisse, die mit eigens entwickelten Ansätzen vergleichbar sind. Mehr |
Im Fachjournal Applied Energy präsentieren Forschende des DC2HEAT-Teams den neuen Ansatz TempCaFe. Mithilfe von kausalem Machine Learning steigert das Verfahren die Genauigkeit von Vorhersagen für Rechenzentren und kommt zugleich mit deutlich weniger Eingabedaten aus. Mehr |