Observé chez
Ingénieur R&D Optimisation IA Frugale
Recherche
Etudes, Recherche et Développement
Caen
PyTorchTensorFlowCUDATritonMLflowDockerGitCoreMLONNXCNNTransformers
Rôle
Optimisation d'architectures deep learning pour réduire coûts cloud et latence edge
Technologies
PyTorchTensorFlowCUDATritonMLflowDockerGitCoreMLONNXCNNTransformers
Contextes
Recherche académique
Compétences
PruningQuantizationDistillationMixture d'expertsDéploiement edgeOptimisation GPUDeep learning
Challenges détectés
2 enjeux- Optimisation
Réduire les coûts cloud de 50 % via optimisation mémoire et GPU
- Optimisation
Réduire la latence d'inférence de 70 % sur cibles mobiles et IoT



