QAT (Quantization-Aware Training), czyli trening świadomy kwantyzacji, to zaawansowana technika optymalizacji modeli AI, w której proces redukcji precyzji wag i aktywacji jest zintegrowany bezpośrednio z etapem uczenia lub dostrajania sieci. Dzięki symulowaniu błędów kwantyzacji podczas treningu, model uczy się minimalizować ich wpływ, co pozwala na zachowanie wyższej dokładności przy znacznym zmniejszeniu rozmiaru modelu i zapotrzebowania na energię. Jest to rozwiązanie szczególnie polecane przy niskobitowej kompresji (np. do 2 lub 4 bitów) oraz przy wdrażaniu modeli na urządzeniach brzegowych o ograniczonych zasobach.
Źródło: ibm.com
