FIDLE / Ingénierie de l'Inférence et mise en production : Quand le rêve devient réalité !

Après avoir entraîné un modèle, fine-tuné un modèle, ou sélectionné un modèle pré-entraîné, comment déployer ce modèle et le rendre facilement utilisable ? …tout en essayant d’en minimiser l’empreinte ? La réponse à cette question correspond à une ingénierie particulière :-) Il faudra choisir un système adapté puis transformer, compresser le modèle en prenant en compte le coût énergétique, le coût en stockage, le niveau de performance exigée et la latence. Ensuite il faudra se transformer en DevOps, pour mettre en production le modèle, en maîtrisant la containérisation, les orchestrateurs Kubernetes, les serveurs d’inférences, le déploiement en Edge App. Nous verrons précisément les solutions simplifiées et dédiées que sont : Gradio, BentoML Au menu de cette séquence : Optimisation de l’inférence : Architectures, Compression de Modèle, Frameworks d’inférence Déploiement : Terminaux, serveurs, gestion des dépendances, Orchestrateurs Gradio : une interface complète pour des démos stylisées Durée : 2h30 Pour rappel, FIDLE est une Formation d'Introduction au Deep Learning, libre et gratuite. Pour en savoir plus : https://fidle.cnrs.fr Cette vidéo est sous licence Créative Common CC BY-NC-ND 4.0