Déployez-vous des modèles de ML qui doivent répondre en millisecondes, et non en secondes ? Dans les environnements de production, même le modèle le plus précis devient inutile s'il ne peut pas répondre aux exigences de performance en temps réel.

Ce cours abrégé a été créé pour aider les professionnels du ML et de l'IA à accomplir une optimisation systématique du code d'inférence et à établir des flux de développement robustes pour les systèmes ML prêts pour la production. En terminant ce cours, vous serez en mesure de diagnostiquer les goulots d'étranglement de performance dans vos pipelines d'inférence, d'appliquer des techniques d'optimisation avancées comme la quantification et l'élagage, et de mettre en œuvre des stratégies de développement basées sur GitFlow ou Trunk avec des pipelines CI/CD automatisés que vous pouvez déployer immédiatement sur votre lieu de travail. À la fin de ce cours, vous serez en mesure de : - Analyser le code d'inférence pour optimiser les performances en temps réel - Évaluer les stratégies de branchement Git et les pipelines CI/CD pour la gestion de la base de code Ce cours est unique car il comble le fossé entre le développement de modèles ML et l'ingénierie de production, en combinant des techniques d'optimisation des performances avec les meilleures pratiques d'ingénierie logicielle spécifiquement adaptées aux flux de travail ML. Pour réussir ce projet, vous devez avoir une expérience avec Python, PyTorch ou TensorFlow, TensorRT, le contrôle de version Git, et une compréhension de base du déploiement de modèles ML.