Compresser un grand modèle de vision pour l'inspection en ligne
Aperçu
En quoi consiste ce défi.
Vous comparez trois stratégies de compression d'un modèle de vision et livrez le protocole reproductible pour un certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment transférer la performance d'un très grand modèle de vision vers un modèle assez petit et rapide pour tourner sur une carte embarquée en salle blanche, sans perdre la capacité à repérer les défauts rares qui font justement la valeur du système ?
Earning criteria — what you'll demonstrate
- Mettre en pratique la distillation de connaissance depuis une grande architecture pré-entraînée vers un modèle contraint, sujet directement issu des thèmes de recherche actuels du cours
- Concevoir une étude d'ablation rigoureuse qui isole la contribution de chaque composante d'une recette d'entraînement
- Arbitrer entre qualité de détection, latence et taille mémoire sous une contrainte matérielle non négociable
- Diagnostiquer l'effet différencié de la compression sur les classes fréquentes et sur les classes rares, qui sont souvent les plus utiles
- Rédiger des résultats expérimentaux au standard d'un article court, limites comprises
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMachine Learning Engineer
Faire tenir un modèle performant dans un budget de latence et de mémoire imposé est l'une des tâches les plus demandées en entreprise. Vous en sortez avec une méthode de compression éprouvée et la capacité à défendre un compromis chiffré.
Ce défi renforce
- knowledge-distillation
- production-model-tuning
- hyperparameter-tuning
MLOps Engineer
Export au format ONNX, mesure de latence automatisée, recette d'entraînement relançable et signaux à surveiller après mise en service : le défi couvre la chaîne de mise en production d'un modèle contraint par le matériel.
Ce défi renforce
- production-model-tuning
- model-validation
- hyperparameter-tuning
AI Solutions Architect
Vous devez choisir entre trois architectures de compression sous une contrainte de sécurité industrielle qui interdit le calcul distant. Cet arbitrage entre contrainte matérielle, exigence réglementaire et performance est le cœur du rôle d'architecte de solutions d'intelligence artificielle.
Ce défi renforce
- model-selection-under-business-constraints
- knowledge-distillation
- model-validation
Research Scientist
L'étude d'ablation et le rapport au format d'article court reproduisent la démarche d'un travail de recherche appliquée : poser une question ouverte, isoler les variables, publier les limites autant que les gains.
Ce défi renforce
- knowledge-distillation
- model-validation
- hyperparameter-tuning