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 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 Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenML-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