Vous apprendrez à identifier et à corriger les ralentissements dans votre code d'entraînement d'IA, afin d'améliorer les performances, du traitement des données à l'entraînement du modèle. Vous utiliserez des outils intégrés pour identifier des problèmes tels que le chargement lent des données, puis vous appliquerez deux techniques pratiques : l’une qui accélère les calculs mathématiques tout en utilisant moins de mémoire, et l’autre qui vous permet de procéder à l’entraînement avec des lots de données plus volumineux sans manquer de mémoire. Grâce à des quiz, des exemples de code prêts à être copiés et des explications claires, vous découvrirez comment faire en sorte que votre GPU fonctionne à pleine vitesse au lieu de rester inactif. À la fin de ce cours, vous serez capable de rationaliser des workflows d’entraînement complexes pour en faire des processus efficaces qui contribuent à la réussite de votre entreprise.

Vous découvrirez comment les tableaux de bord visuels vous aident à comprendre le comportement des modèles et à comparer différentes sessions d'entraînement. Vous apprendrez à interpréter les courbes de précision et les trajectoires de perte, ainsi qu'à évaluer les compromis afin de choisir la variante de modèle la mieux adaptée à la tâche. À l'issue de cette formation, vous saurez évaluer vos expériences à l'aide d'éléments visuels clairs, plutôt que de vous fier à des suppositions.

Vous vous exercerez à structurer des workflows d'apprentissage automatique réutilisables à l'aide de composants modulaires. Vous découvrirez les modèles LightningModule et DataModule, renforcerez vos habitudes en matière de documentation et comprendrez comment les modèles structurés permettent de réduire les erreurs.

Vous découvrirez comment le chargement des données, le traitement par lots, la mise en cache et la prélecture influent sur la vitesse d'entraînement. Vous apprendrez comment des frameworks tels que tf.data et PyTorch DataLoader parallélisent les opérations d'entrée afin de maintenir les GPU en activité.

Vous découvrirez le fonctionnement des graphes de calcul, les raisons de l'existence d'opérations redondantes et comment leur élimination permet de réduire la latence d'inférence du modèle. Vous analyserez un graphe de modèle, identifierez les opérations de « reshape » et d'identité superflues, les éliminerez, réexporterez le SavedModel, puis mesurerez les gains de latence obtenus.

Vous apprendrez à évaluer des modèles d’apprentissage automatique à l’aide d’une analyse des performances par tranches. Vous découvrirez comment différents environnements, appareils et tranches de contexte d’utilisation peuvent révéler des faiblesses cachées dans un modèle par ailleurs précis. Grâce aux workflows TFMA et à une exploration pratique, vous identifierez une baisse réelle de 5 % des performances sur des images prises avec un smartphone en conditions de faible luminosité et formulerez des recommandations concrètes pour améliorer la qualité et l'équité des données. Cette leçon met l'accent sur l'évaluation pratique de la robustesse plutôt que sur des métriques purement théoriques.

Vous optimiserez et déployerez des modèles sur du matériel en périphérie à l'aide de TensorFlow Lite. Vous convertirez un SavedModel en un modèle TFLite quantifié, explorerez les options de quantification des poids et des entiers, puis déployerez le modèle optimisé sur un Jetson Nano. Vous mesurerez les variations de taille de fichier, de vitesse d’inférence (FPS) et de précision, puis vous synthétiserez vos résultats dans un guide de transfert reproductible. À l’issue de cette formation, vous comprendrez les compromis concrets entre vitesse, encombrement et précision dans les déploiements réels en périphérie.

Dans la pratique, les systèmes de vision par ordinateur passent par plusieurs étapes avant d’être prêts à être déployés. Les ingénieurs doivent évaluer les expérimentations sur les modèles, diagnostiquer les inefficacités des flux de travail, améliorer les pipelines d’entraînement et s’assurer que les modèles peuvent fonctionner de manière fiable dans des conditions réelles et compte tenu des contraintes des appareils. Ces activités nécessitent de combiner l’analyse des performances avec des décisions d’ingénierie concrètes concernant la conception du système et son état de préparation au déploiement. Dans ce projet d’intégration, vous endosserez le rôle d’ingénieur en apprentissage automatique chargé de préparer un modèle de vision par ordinateur en vue de son déploiement sur des terminaux périphériques dans un environnement aux ressources limitées. Vous analyserez les résultats des expériences, identifierez les goulots d’étranglement en termes de performances, évaluerez la robustesse au niveau des tranches et proposerez des optimisations du flux de travail et du déploiement. Le projet intègre les principales activités d’ingénierie liées à la préparation des systèmes de vision pour la production, notamment le diagnostic des performances des GPU, la visualisation et la comparaison des expériences, l’optimisation du pipeline de données, la standardisation des flux de travail et l’analyse des compromis liés au déploiement en périphérie. Plutôt que de vous concentrer sur des techniques isolées, vous évaluerez l’ensemble du flux de travail d’apprentissage automatique — depuis les inefficacités de l’entraînement et l’interprétation des expériences jusqu’aux risques liés à la robustesse et à la faisabilité du déploiement. Votre livrable final sera un « Rapport de stratégie d’optimisation et de déploiement en périphérie », un rapport technique structuré qui identifie les goulots d’étranglement du flux de travail, propose des stratégies d’optimisation ciblées, évalue les risques au niveau des tranches et présente une recommandation justifiée de déploiement en périphérie. Ce projet reflète les responsabilités réelles des ingénieurs en apprentissage automatique, qui doivent trouver un équilibre entre précision, rapidité, facilité de maintenance et contraintes matérielles avant d’approuver un déploiement en production.