Missions principales
- Choisir une architecture et un protocole d’entraînement
- Diagnostiquer une instabilité ou un surapprentissage
- Optimiser le modèle pour sa cible de déploiement
Compétences techniques
- PyTorch, gradients et optimisation
- Entraînement distribué ou précision mixte
- Profilage, quantification et export
Compétences comportementales
- Formuler des hypothèses testables
- Tenir un journal d’expériences exploitable par l’équipe
Réalisation typique
Un réseau compact préservant la sensibilité sur les classes rares après quantification.
Modalités possibles d’évaluation
Interpréter des courbes de pertes, diagnostiquer un goulot GPU et présenter une ablation limitée en calcul.
