Übersicht
Worum es bei diesem Projekt geht.
Kompiliere drei ML-Modelle mit TVM, OpenXLA und TensorRT für GPU-Targets, erstelle einen 3×3×3-Vergleich – und erhalte ein verifizierbares Zertifikat.
Das Szenario
Die EU-Region (rund 200 Engineers regional, davon 30 im ML-Plattform-Team) bedient Tausende interne Kunden und kann selbst kleine Compile-Time-vs-Throughput-Trade-offs nicht raten — sie braucht datenbasierte Defaults.
Das Briefing
Was Du tust und was Du zeigst.
Welcher ML-Compiler bringt für welche Modell-Hardware-Kombination signifikanten Mehrwert gegenüber dem PyTorch-Eager-Baseline?
Earning criteria — what you'll demonstrate
- Drei moderne ML-Compiler praktisch anwenden und ihre Stärken einordnen
- Hardware-Targets jenseits der Cloud-GPU-Komfortzone benchmarken
- Eine empirische Heuristik aus Benchmark-Daten ableiten
- Compiler-Failure-Modes als Befund dokumentieren statt zu verstecken
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning Systems
Master · Ai Systems
Strong alignment
This challenge maps to Machine Learning Systems at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
- Ml Compilers
Apply ml compilers to solve real industry problems and demonstrate production-level capability.
- Tvm
Apply tvm to solve real industry problems and demonstrate production-level capability.
- Tensorrt
Apply tensorrt to solve real industry problems and demonstrate production-level capability.
- Model Optimization
Apply model optimization to solve real industry problems and demonstrate production-level capability.
- Hardware Benchmarking
Apply hardware benchmarking to solve real industry problems and demonstrate production-level capability.
- Technical Writing
Apply technical writing to solve real industry problems and demonstrate production-level capability.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
ML-Forscher:in
Compiler-Benchmarking ist eine Nische mit hoher Nachfrage; wer eine fundierte 3×3×3-Studie abgeliefert hat, hebt sich von der Masse generischer DL-Projekte ab.
Dieses Projekt schärft
- ml-compilers
- tvm
- hardware-benchmarking
MLOps-Ingenieur:in
Inference-Optimierung über Compiler ist ein wachsendes Tätigkeitsfeld in MLOps; diese Erfahrung positioniert für senior-track-Plattformrollen.
Dieses Projekt schärft
- tensorrt
- model-optimization
- hardware-benchmarking
Angewandte:r KI-Wissenschaftler:in
Eine empirische Heuristik aus 27 Benchmarks zu destillieren ist exakt der Output, den Applied AI Scientists an Plattform-Teams liefern, um Default-Entscheidungen zu untermauern.
Dieses Projekt schärft
- model-optimization
- technical-writing
- ml-compilers
Noch eine Sache