Dresser l'état de l'art des techniques permettant d'optimiser l'efficience énergétique des modèles et de leur industrialisation. Implémenter des solutions de la littérature et évaluer leur performance.

Le Why du stage:

Ce stage s'inscrit dans la continuité des travaux menés autour de la green AI. Le sujet est vaste, évolue rapidement et intéresse de plus en plus d'entreprises.

Les missions du stage:

• Dresser un état de l'art des méthodes existantes permettant d'optimiser l'empreinte de différents modèles, lors de leurs entrainements, inférences ou phases de run.
• Implémenter certaines de ces techniques, éventuellement dans le cloud et les comparer les une aux autres.
• Présenter le résultat de ces expérimentations et votre expérience les concernants.
• Travailler sur l'intégration de ces méthodologies dans le cadre du cycle MLOps.

Le déroulement du stage:

Etape 1:

• Établir un état de l’art des méthodes existantes basée sur la litérature.

Etape 2:

• Implémenter et explorer ces méthodes localement, rechercher un dataset et cas d'usage pertinent et faire des premières expérimentations à l'état de phase d'exploration.

Etape 3:

• Explorer la possibilité de l'industrialiser dans le cloud, chercher à intégrer ces méthodes dans le cycle MLOPs.

Etape 4:

• Partager les résultats de ces expérimentations et vos retours d’expérience sur ces mises en pratiques.
• Partage régulier de votre avancée et vos découvertes auprès des OCTOs, écrire un ou plusieurs articles sur le blog OCTO

• Vous préparez un BAC+5 en ingénierie ou en informatique.
• Vous avez des compétences en data science et data engineering et êtes à l’aise avec les fondamentaux de la data science
• Vous souhaitez approfondir vos connaissances sur des modèles de ML et réseaux de neurones.
• Vous cherchez à développer vos connaissances concernant les bonnes pratiques MLOps: Comment construire un pipeline de ML, se familiariser avec les techno associées.
• Avoir une première expérience dans un Cloud (GCP, AWS, Azure) serait un plus.