Observé chez
Senior Staff AI Engineer Edge
Automobile
Informatique
Sunnyvale
PyTorchTensorFlowONNXTFLiteTVMPythonC++scikit-learntslearnstatsmodelsNVIDIA TensorRTQualcomm SNPEGeminiOpenAIClaude
Rôle
Architecte et lead technique pour l'IA Edge en véhicules autonomes responsable du pipeline ML end to end de détection et prédiction de l'état de santé des sous systèmes embarqués.
Technologies
PyTorchTensorFlowONNXTFLiteTVMPythonC++scikit-learntslearnstatsmodelsNVIDIA TensorRTQualcomm SNPEGeminiOpenAIClaude
Contextes
AutomobileVéhicules intelligentsSystèmes embarqués
Compétences
Machine Learning EngineeringEdge AIEmbedded SystemsMentoring d'ingénieurs juniorsModélisation TransformersModélisation LLMModélisation CNNModélisation LSTMTraitement de logs non structurésClustering automatique de patternsDétection de régressions logiciellesModèles non supervisésAutoencodersIsolation ForestsMonitoring de données temporellesCorrélation d'anomalies multi-modalesQuantizationPruningDistillationOptimisation mémoireStratégie de filtrage on-deviceNLP pour parsing textuelSequence modelingVector storeLightweight LLMsSmall Language ModelsAnomaly detection sur données capteursLeadership techniqueDéploiement sur environnements EdgeGestion manuelle de mémoireArchitectures ARMComputer VisionADASLinux kernel logsQNX kernel logsDebugging OS-levelCAN busEthernetFormats automobiles
Challenges détectés
5 enjeux- Optimisation
Déployer l'IA en production sur des appareils embarqués à ressources limitées
- Transformation
Détecter et prédire les défaillances de sous-systèmes en temps réel
- Transformation
Intégrer des APIs LLM cloud avec des pipelines ML edge
- Optimisation
Optimiser les modèles PyTorch/TensorFlow pour l'inférence embarquée
- Croissance
Améliorer la fiabilité de la flotte via la surveillance de santé des véhicules



