Optimiza un transformer con técnicas modernas de eficiencia
Visión general
De qué trata este proyecto.
Aplica distillation, quantización INT8 y serving optimizado a un transformer. Mide coste y calidad, entrega endpoint. Obtén certificado verificable.
El Briefing
Lo que harás y lo que demostrarás.
Reduce coste de inferencia de un encoder transformer 50 por ciento manteniendo calidad (cosine mayor a 0,97 vs baseline).
Earning criteria — what you'll demonstrate
- Aplicar knowledge distillation correctamente (teacher frozen, alignment loss)
- Cuantizar modelos con PTQ y QAT entendiendo trade-offs
- Optimizar serving con frameworks modernos (vLLM, TGI, Triton)
- Cuantificar trade-off coste/calidad para decisiones de infraestructura
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Deep Learning
Master · Ai Ml
Fit score: 1
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Aprendizaje Automático
Optimización de inferencia con distillation + quantization + serving moderno es de las skills mejor pagadas en MLE senior.
Este proyecto afina
- knowledge-distillation
- quantization
- model-serving
Ingeniero de MLOps
Diseñar serving optimizado con benchmark de latencia es exactamente el trabajo del MLOps engineer en infra de IA.
Este proyecto afina
- model-serving
- performance-optimization
- quantization
Arquitecto de Soluciones de IA
Cuantificar trade-offs coste/calidad para decisiones de arquitectura es la habilidad central del AI solutions architect.
Este proyecto afina
- performance-optimization
- model-serving
- quantization