21 au 23 février, 2024
Montréal, Canada

Accélérer le déploiement de modèles de machine learning

Opérer un logiciel basé sur du machine learning peut impliquer de gérer un parc de modèles conséquent. Expérimentations, modèles spécifiques ou pipelines de traitement à plusieurs étapes, peuvent rendre les phases de déploiement complexes. Comment aider les data scientists à réduire cette complexité et diminuer le temps passé à ces activités de déploiement ?
Voyons comment gérer les artefacts, configurations & leurs versions avec TorchServe!

Voir les 171 présentations

Amine Saboni

DiliTrust

As a Data Engineer, I am enthusiastic about building ML systems which can provide robust and responsible ML services. After 4 years working as a consultant, I joined DiliTrust to focus on ML operations and scaling the ML training and inference system.

Read More

Montréal 2024 sponsored by