Setzen Sie ML-Modelle ein, die innerhalb von Millisekunden statt Sekunden reagieren müssen? In Produktionsumgebungen verliert selbst das genaueste Modell seinen Wert, wenn es die Anforderungen an die Echtzeit-Leistung nicht erfüllen kann.

Dieser Kurzkurs wurde entwickelt, um ML- und KI-Fachleuten dabei zu helfen, eine systematische Optimierung des Inferenzcodes durchzuführen und robuste Entwicklungsworkflows für produktionsreife ML-Systeme zu etablieren. Nach Abschluss dieses Kurses sind Sie in der Lage, Leistungsengpässe in Ihren Inferenz-Pipelines zu diagnostizieren, fortgeschrittene Optimierungstechniken wie Quantisierung und Pruning anzuwenden sowie GitFlow- oder Trunk-Based-Development-Strategien mit automatisierten CI/CD-Pipelines zu implementieren, die Sie sofort an Ihrem Arbeitsplatz einsetzen können. Am Ende dieses Kurses werden Sie in der Lage sein: - Inferenzcode zu analysieren, um ihn für Echtzeit-Leistung zu optimieren - Git-Verzweigungsstrategien und CI/CD-Pipelines für das Codebase-Management zu bewerten Dieser Kurs ist einzigartig, da er die Lücke zwischen der Entwicklung von ML-Modellen und dem Produktions-Engineering schließt und Techniken zur Leistungsoptimierung mit Best Practices des Software-Engineering kombiniert, die speziell auf ML-Workflows zugeschnitten sind. Um in diesem Projekt erfolgreich zu sein, sollten Sie über Erfahrung mit Python, PyTorch oder TensorFlow, TensorRT und der Versionskontrolle Git verfügen sowie grundlegende Kenntnisse über die Bereitstellung von ML-Modellen besitzen.