Optimizing Models for Production

Ce cours porte sur l’optimisation de modèles pour des usages de production, avec un accent sur la quantification, la performance d’inférence, l’optimisation matérielle et l’évaluation en situation réelle. Il montre que la performance utile dépend souvent de compromis techniques bien choisis.

Les notions les plus structurantes concernent la quantification, l’optimisation d’inférence, les contraintes matérielles, la gestion de la mémoire et l’évaluation des performances en production. Le cours est utile parce qu’il relie sophistication du modèle, soutenabilité opérationnelle et exigence de qualité de service.

Pour moi, cela me permet de mieux aider un COMEX à arbitrer entre performance théorique, coût réel, portabilité et robustesse dans les projets IA. Cela renforce ma capacité à replacer les choix techniques dans une logique de valeur et d’exploitation durable.

Model Evaluation and Benchmarking

Ce cours porte sur l’évaluation et le benchmarking de modèles IA de texte et d’image. Il aide à comprendre comment mesurer la qualité, comparer des approches et construire des dispositifs d’évaluation plus fiables.

Les notions les plus structurantes concernent les métriques automatisées, l’évaluation humaine, les critères de qualité des sorties générées et les cadres de benchmarking reproductibles. Le cours est utile parce qu’il rappelle qu’un modèle ne vaut pas seulement par ses promesses, mais par la qualité de son évaluation.

Pour moi, cela renforce ma capacité à accompagner un COMEX dans ses arbitrages sur l’IA en sortant d’une logique de démonstration ou d’effet d’annonce. Cela m’aide à mieux poser les critères de preuve, de comparaison et de robustesse avant industrialisation.