Python, ML и Wasm
Тезисы
У ml ops tune enginer есть простое правило: хочешь сделать быстро — пиши нативный код.
Это действительно так, когда нативный код пишут опытные разработчики. А вот те, кто только начал погружаться в волшебный мир C/C++ кода, могут столкнуться с тем, что их код стал не быстрее, а медленнее.

Почему? Потому что неявные накладные расходы при вызове нативного кода из Python и инференса ml model с wasm. Подробнее — в моем докладе.

Доклад рассчитан на людей, ищущих дополнительные способы оптимизировать запуск нейронки. Слушатели получат больше подходов к оптимизации ml piepline в deep learn.
У ml ops tune enginer есть простое правило: хочешь сделать быстро — пиши нативный код.
Это действительно так, когда нативный код пишут опытные разработчики. А вот те, кто только начал погружаться в волшебный мир C/C++ кода, могут столкнуться с тем, что их код стал не быстрее, а медленнее.

Почему? Потому что неявные накладные расходы при вызове нативного кода из Python и инференса ml model с wasm. Подробнее — в моем докладе.

Доклад рассчитан на людей, ищущих дополнительные способы оптимизировать запуск нейронки. Слушатели получат больше подходов к оптимизации ml piepline в deep learn.
Видеозапись доклада
Информация о спикере
Александр Боргардт
TechLead, DuckStax
Больше 10 лет занимаюсь исследованием новых подходов и созданием решений в областях adtech, fintech и ml.

В область интересов входят вопросы разработки распределенных систем, параллельной и конкурентной обработки данных.

Улучшаю мир посредством opensource duckstax.com
Александр Боргардт
TechLead, DuckStax
Больше 10 лет занимаюсь исследованием новых подходов и созданием решений в областях adtech, fintech и ml.

В область интересов входят вопросы разработки распределенных систем, параллельной и конкурентной обработки данных.

Улучшаю мир посредством opensource duckstax.com
Все доклады секции